zkML：让 AI 更加可信以及链上自主性的可能性_原力财经

「引介」

近几个月以来，不管是传统互联网行业还是区块链领域都在一定程度上受到了人工智能的冲击。随着全世界的互联网巨头陆续加入这场角逐，另一边，区块链的从业者们开始思考，这场人工智能争霸赛会给我们带来什么？当与构建 AI 应用和基础设施非相关的数据、模型、算法、算力等等越来越可得时，我们需要思考什么？如果这一切都是在一个黑盒子中进行，我们还能信任它们吗？本期节目中，我们邀请来了 SevenX Ventures 的 Hill，一起探讨机器学习和零知识证明怎么样结合？区块链和 ZKP 如何平衡人工智能中的信任问题。

Hill 在 SevenX Ventures 中担任 Research Lead。在加入 SevenX 之前，他早期在其他项目和区块链中有过许多岗位的经验，比如对 mechanism design 和 tokenomics design 的研究，也涉猎过产品经理和投资者关系的相关工作。

「信任问题如何影响着 AI 领域以及 ZK 与区块链的补充」

这里的信任问题主要来自于两点：AI 最后产生结果的不确定性，以及 AI 产生结果的方式本质上是不透明的黑盒子。

首先当一个 Machine Learning 的输出不是那么可复制的时候，是很难将其应用到关键的、不能出错的生产流程中。比如现在的大语言模型，我们即便是给同样的指令，它每次的输出也会有偏差，所以我们通常是把其当作启发性的工具，不会把手头上最重要的工作交给它。再者，AI 产生结果的这个过程对用户来说不那么可信，并不敢把带有敏感的信息和数据提交给 AI。

这里也是区块链和 ZK 的一个机会，假设我们用区块链或者 ZK 的技术让 AI 变得更加可信，那么这个时候本质上我们是可以拓展 C 端用户所接触 AI 的边界。我们不光可以让 C 端用户去拿小钱试试 AI，同时当 AI 变得足够可信以后，我们也可以让 C 端用户投入更高的价值。

「更加智能的智能合约」

关于智能合约，Vitalik 之前有一个很有趣的观点，他说这个名字其实不对的，智能合约并不智能，更准确来说它是一个坚韧的脚本。也就是说脚本部署上去之后，就算其中一个节点下线了，也不能阻止这个脚步继续运行下去。但本质上它只是一个脚本，按照之前既有写定的方式运行。

那如果智能合约有了 Machine Learning 的能力，我们就可以实现真正的链上自主性。对于传统 AI 来说，它们一直没有机会实现 sovereignty，因为绝大部分 AI 或者说模型是掌握在大公司手里的，他们想关掉或者更改它，随时都可以做到。而区块链是天然可以提供一个这样的环境去发展链上自主性。

「ZKML 的推动力」

现在其实不管是在 ZK 还是在 ML 领域都发展很快，市场上日新月异不断有新的东西出来。我自己观察到两个方向，一个是 proof system，另一个是链上的计算基础设施。现在大家使用得比较多的是 groth16 和 halo2，主要是用在 EVM 或者其它 VM 上做计算，即做状态机的计算的零知识证明生成。但也有人尝试拿它来做机器学习推理的计算过程的证明生成。

另外一个方向是计算环境。从这个角度来说，不光是针对 ML 或是 AI 的计算环境，大家近期关注到的不管是 zkEVM 还是 zkWASM，这些不一样的带有ZK证明系统的计算环境，未来都是有机会去运行 Machine Learning 或者 AI 的模型。你只要把 Machine Learning 的模型放到它们的计算环境里面，它们会根据计算生成一个ZK Proof，我们就可以确保这个过程是正确的。

挖掘更有趣的 zkML 应用！

让一个行业最兴奋的事莫过于市场隐藏着庞大的需求，而我们能够挖掘到这些缺口并提供优雅的解决方案。然而，mass adoption 是区块链还在努力的长远目标，zk 也是传统互联网普通用户比较少接触到的前沿技术。对于这些晦涩难懂的底层协议和基础设施，用户也许并不是很关心，他们更加关心这个产品好不好用、有什么价值。我们应该如何将这些东西抽象出来，挖掘用户的需求，做出更有趣的应用呢？

在谈话的最后一部分中，我们回到了大家最关心的主题，什么样的应用才是用户需要的？Hill 说到了自己最看好的方向是 DeFi 安全，并举了一个非常生动的例子——向大家演示可以利用 zkML 做些什么产品。强烈建议大家听到最后！也许马上就可以约小伙伴一起 build 起来了～