理的平台。Fetch.ai 也是一家 SaaS 业务，允许注册和租赁或出售代理。 自 2023 年 1 月 1 日起 AI 代币的回报 来源：Artemis XYZ 截至 2024 年 1 月 10 日。过去的表现并不能保证将来的结果。 通过零知识 (zk) 证明进行验证 2023 年是新 AI 模型的标志性一年，OpenAI 推出了 ChatGPT、Meta 推出的 LLAMA-2 以及 Google 推出的 BERT。由于深度学习的前景，截至 2023 年 6 月，美国有超过18,563 家人工智能相关初创企业。这些初创企业和其他企业已经生产了数千个新的基础模型和微调模型。然而，在人工智能相关公司投资的每 4 美元风险投资中就有 1 美元投资的领域中，许多新实体的激增应该引起严重关注。 谁实际创建并拥有每个模型？ 输出实际上是由指定模型产生的吗？ 该模式真的像宣传的那样有效吗？ 每个模型的数据源是什么以及谁拥有该数据？ 训练、微调和/或推理是否侵犯了任何版权或数据权？ 这些模型的投资者和用户都应该 100% 确定他们可以解决这些问题。目前，针对 LLM 输出的不同组件存在许多基准测试，例如用于代码生成的HumanEval、用于 LLM 辅助任务的Chatbot Arena以及用于 LLM 推理能力的ARC Benchmark 。然而，尽管尝试了模型透明度，例如 Hugging Face 的Open LLM Leaderboard，没有具体证据证明模型的有效性、最终来源或其训练/推理数据的来源。不仅可以对基准进行游戏，而且还不能确定特定模型是否实际运行（而不是使用连接到另一个模型的 API），也不能保证排行榜本身是诚实的。 这就是公共区块链、人工智能和称为零知识（zk）证明的前沿数学领域的统一。zk 证明是密码学的一种应用，它允许某人以所需水平的数学确定性证明他们对数据所做的陈述是正确的，而无需向任何人透露底层数据。语句可以包括简单的声明（例如排名），但可以扩展到复杂的数学计算。例如，某人不仅可以证明他或她知道某个样本的相对财富而不向另一方透露该财富，而且他或她还可以证明该群体的平均值和标准差的正确计算。本质上，您可以证明您了解数据和/或您使用该数据做出了真实的断言，而无需透露该数据的细节或您如何进行计算。在 AI 之外，zk 证明已经被应用于扩展以太坊，允许交易在第 2 层区块链上进行链下交易。最近，zk 证明已应用于深度学习模型，以证明： 使用特定数据来生成模型或提供推理输出（此外，未使用哪些数据/源） 使用特定模型来生成推论 推理输出未被篡改 zk 证明可以发布到公共、永久的区块链上，并通过智能合约进行验证。结果是区块链可以公开且无可辩驳地证明人工智能模型的重要属性。将 ZK 应用于 AI 的两个前沿项目被称为“零知识机器学习”（ZKML），即EZKL和Modulus。EZKL 使用Halo2证明系统生成 zk-snarks，这是一种零知识证明，然后可以在以太坊的 EVM 上公开验证。EZKL 首席执行官Jason Morton表示，虽然 EZKL 目前可以证明的模型大小相对较小，约为 100M 参数，而 ChatGPT 4 的参数为 175B相信他们正在考虑的是“工程问题”而不是“技术限制”问题。EZKL 相信他们可以通过拆分并行执行的证明来克服证明问题，从而减少内存限制和计算时间。事实上，杰森·莫顿相信有一天，“验证模型将像签署区块链交易一样简单。” ZKML证明应用于人工智能可以解决人工智能实现的重要痛点，包括版权问题和人工智能安全。正如《纽约时报》最近针对 Open AI 和微软的诉讼所表明的那样，版权法将适用于数据所有权，人工智能项目将被迫提供其数据来源的证明。ZKML 技术可用于快速解决法庭上有关模型和数据所有权的争议。事实上，ZKML 的最佳应用之一是允许Ocean Protocol和SingularityNet等数据/模型市场证明其列表的真实性和有效性。 人工智能模型最终将扩展到准确性和安全性至关重要的领域。据估计，到 2027 年，人工智能边缘设备将达到5.8B 个，其中可能包括重型机械、机器人、自动无人机和车辆。由于机器智能应用于可能伤害和杀人的事物，因此使用来自可靠来源的高质量数据来证明该设备上运行了信誉良好的模型非常重要。尽管从这些边缘设备构建连续的实时证明并将其发布到区块链可能在经济和技术上具有挑战性，但在激活时验证模型或定期发布到区块链可能更可行。然而，来自0xPARC的 Zupass基金会已经建立了源自“携带数据证明”的原始证明，可以廉价地建立边缘设备上发生的事实证明。目前，这与活动出席有关，但可以预见，这种情况很快就会迁移到身份甚至医疗保健等其他领域。 机器人外科医生的人工智能模型有多好？ 机器人辅助手术。资料来源：截至 2024 年 1 月 30 日的《麻省理工学院技术评论》 。 从可能因设备故障而承担责任的企业的角度来看，拥有可验证的证据来证明他们的模型不是代价高昂的事故的根源似乎是理想的选择。同样，从保险的角度来看，验证和证明基于实际数据训练的可靠模型的使用可能在经济上变得必要。同样，在人工智能深度伪造的世界中，利用经过区块链验证和证明的相机、手机和计算机来执行各种操作可能会成为常态。当然，这些设备的真实性和准确性的证明应该发布到公共开源分类账上，以防止篡改和欺诈。 尽管这些证明有着巨大的前景，但它们目前受到天然气费用和计算开销的限制。按照当前的 ETH 价格，在链上提交证明需要花费大约 300-500k 的 Gas（按照当前的 ETH 价格约为 35-58 美元）。从计算的角度来看，Eigenlayer 的 Sreeram Kennan 估计，“在 AWS 上运行需要花费 50 美元的证明计算，使用当前的 ZK 证明技术将花费约 1,000,000 倍的成本。” 结果是，zk 证明的发展速度比几年前任何人的预期都要快得多，但在打开实际用例之前还有很长的路要走。假设有人对 ZKML 的应用感到好奇。在这种情况下，他们可以参加由经过验证的链上智能合约模型评判的去中心化歌唱比赛，并将其结果永久上传到区块链。 通过基于区块链的身份建立人性 广泛、先进的机器智能的一个可能后果是，自主代理将成为最多产的互联网用户。人工智能代理的释放很有可能会导致整个网络受到有目的的机器人生成的垃圾邮件甚至无害的基于任务的代理堵塞网络的干扰（“摆脱垃圾电子邮件”）。索拉纳当机器人争夺大约价值 10 万美元的套利机会时，每秒有 100 GB 的数据流量。想象一下，当人工智能代理可以勒索数百万个企业网站并勒索数十亿美元时，将会出现怎样的网络流量洪流。这表明未来的互联网会对非人类流量施加限制。限制此类攻击的最佳方法之一是对过度使用廉价资源征收经济税。但我们如何确定垃圾邮件收费的最佳框架，以及如何确定人性化？ 幸运的是，区块链已经采用了内置防御来防止人工智能机器人式的女巫攻击。计量非人类用户与非人类用户收费的结合将是一种理想的实现方式，同时稍微繁重的计算（如Hashcash）会抑制机器人。在人性证明方面，区块链长期以来一直在努力克服匿名性，以解锁诸如抵押不足的贷款和其他基于声誉的活动等活动。 获得动力来证明身份的一种方法是使用JSON Web 令牌 (JWT)。JWT 是“0Auth”凭证，类似于“cookie”，是在您登录 Google 等网站时生成的。它们允许您在登录 Google 后访问互联网上的各个网站时展示您的 Google 身份。zkLogin由 L1 区块链Sui创建，允许用户将其钱包私钥和操作链接到生成 JWT 的 Google 或 Facebook 帐户。零点对点进一步扩展了这个概念，使用 JWT 来无需许可地允许用户在 Base 区块链上用法定货币交换加密货币。这是通过支付应用程序 Venmo 确认点对点现金转账来完成的，当通过电子邮件 JWT 确认时，解锁智能合约托管的 USDC 代币。这两个项目的结果是它们与链下身份建立了牢固的联系。例如，zkLogin 将钱包地址连接到 Google 身份，而 zkP2P 仅适用于 Venmo 的 KYC 用户。尽管两者都缺乏足够可靠的可靠保证来实现链上身份，但它们创建了其他人可以使用的重要构建块。 虽然许多项目都试图确认区块链用户的人类身份，但最大胆的是OpenAI 首席执行官Sam Altman创立的WorldCoin。尽管备受争议，因为用户必须扫描虹膜使用反乌托邦的“Orb”机器，世界币正在走向一个不可篡改的身份系统，该系统不能轻易伪造或被机器智能所淹没。这是因为 WorldCoin 根据每个人独特的眼睛“指纹”创建了一个加密标识符，可以对其进行采样以确保唯一性和真实性。经过验证后，用户会收到 Optimism 区块链上名为 World ID 的数字护照，允许该用户在区块链上证明自己的人性。最重要的是，一个人的独特签名永远不会被泄露，也无法被追踪，因为它是加密的。World ID 只是断言区块链地址属于人类。Checkmate 等项目已经将 World ID 与社交媒体资料链接起来，以确保用户的独特性和真实性。在人工智能主导的未来互联网中，在每一次在线互动中明确证明人性可能会变得司空见惯。当人工智能克服了验证码的局限性时，区块链应用程序可以廉价、快速、具体地证明身份。 通过区块链技术为人工智能做出贡献 毫无疑问，我们正处于人工智能革命的早期阶段。然而，如果机器智能的增长轨迹符合最大胆的根据预测，人工智能必须面临挑战，才能脱颖而出，同时抑制其潜在危害。我们相信，加密货币是正确“训练”结果丰富但潜在阴险的人工智能植物的理想网格。区块链的人工智能解决方案集可以通过为机器智能创造者提供响应更快、更灵活且可能更便宜的去中心化计算来提高机器智能创造者的产出。它还激励能够创建更好模型的构建者，同时为其他人提供经济动力，让他们利用这些人工智能模型构建有用的业务。同样重要的是，模型所有者可以证明其模型的有效性，同时证明未使用受保护的数据源。对于人工智能用户来说，加密应用程序可以确认他们运行的模型是否符合安全标准，并且可能很有用。 资料来源：VanEck Research，项目网站，截至 2024 年 1 月 15 日。 提供第三方网站的链接是为了方便起见，包含此类链接并不意味着我们对链接网站中包含的或可从链接网站访问的任何内容或信息进行任何认可、批准、调查、验证或监控。点击非 VanEck 网页的链接，即表示您承认您进入的第三方网站受其条款和条件的约束。VanEck 对第三方网站的内容、访问合法性或适用性不承担任何责任。 披露：VanEck 通过我们与早期风险投资经理 Cadenza 的战略合作伙伴关系在 Together 中占有一席之地，Cadenza 非常友善地为“克服去中心化计算的瓶颈” 部分做出了贡献。 特别感谢： 贾森·莫顿，ZKML 首席执行官 Ala Shabana，Bittensor 联合创始人 Arrash Yasavolian，Bittensor 的 Taoshi 子网创始人 Greg Osuri，Akash 首席执行官兼创始人 zkP2P首席执行官梁泽强 Sui 区块链团队的主要成员 – Sam Blackshear、Nihar Shah、Sina Nader、Alonso Gortari 来源：金色财经lg...
北美站
