ما هو التعلم Zero-Knowledge (zkML)؟

يجمع التعلمZero-Knowledge (zkML) بين zero-knowledge (ZKPs) — وهي طريقة تشفيرية لإثبات صحة البيانات دون الكشف عن البيانات الأساسية — والتعلم الآلي (ML) من أجل إجراء عمليات حسابية تحافظ على الخصوصية وتخضع للتحقق.

تقوم zkML بالتحقق من AI الأصغر حجمًا، مثل روبوتات التداول أو برامج إنشاء الصور، باستخدام أدلة تشفيرية تؤكد الامتثال للقواعد. ولا يزال التوسع ليشمل النماذج الكبيرة (مثل GPT-4o وo1 وDALL-E 2 وClaude 3.5 وGrok-1) محدودًا بسبب التكاليف الحاسوبية الباهظة.

قد تتنوع التطبيقات الإضافية بين الكشف عن الاحتيال والمصادقة البيومترية الخاصة. ومن خلال استخدام zero-knowledge ، zkML الخصوصية وسلامة العمليات الحسابية، مما يجعلها تطوراً ضرورياً في المجالات الحساسة مثل القطاع المالي (التقليدي/اللامركزي) والرعاية الصحية.

كيف يعمل zkML ؟

تتيح zkML للمثبت التأكد من صحة عملية الاستدلال أو التدريب AI دون الكشف عن التفاصيل الحساسة مثل بيانات الإدخال أو أوزان النموذج أو أي معلومات خاصة أخرى.

تتضمن عملية zkML في zkML الخطوات الرئيسية التالية:

• تحويل التشفير: تُترجم عمليات تعلّم الآلة (الاستدلال والتدريب) إلى دوائر حسابية أو أنظمة قيد، وتحويل طبقات الشبكة العصبية إلى علاقات رياضية.
• إنشاء البراهين: تعمل أنظمة ZK(zk zk) على إنشاء براهين تشفيرية موجزة تثبت صحة الحسابات في التعلم الآلي، وتحويل التفعيلات غير الخطية وعمليات ضرب المصفوفات وتدفقات البيانات إلى معادلات جبرية.
• التحقق: تقوم الأطراف الثالثة بالتحقق من صحة البراهين في مقابل المعلمات العامة (مثل تجزئة النموذج والتزامات المدخلات) دون الوصول إلى البيانات الأولية، مما يضمن أن المخرجات مستمدة من المنطق المتفق عليه.
• الخصوصية: تظل المدخلات والأوزان والتدرجات مشفرة أو مقنعة، مع الاعتماد على أساسيات التشفير مثل التشفير المتماثل الشكل أو الحساب الآمن متعدد الأطراف لعزل البيانات الحساسة.
• المقايضات: تزيد الشبكات الأكبر أو الطبقات الأعمق من النفقات الحسابية، بينما يعتمد حجم الإثبات وسرعة التحقق على كفاءة نظام الإثبات الأساسي.

ببساطة، zkML لأي شخص إثبات صحة تنبؤات AI أو نتائج تدريبه دون الكشف عن البيانات الأساسية أو تفاصيل النموذج. ويتم تحقيق ذلك من خلال إثباتات تشفيرية تضمن الخصوصية والدقة، مما يجعل العملية آمنة وقابلة للتحقق منها.

حالات zkML

zkML بالفعل فائدتها في مجال العملات المشفرة، حيث قامت عدة مشاريع بتطبيقها بنجاح أو دخلت مراحل الاختبار النهائية قبل mainnet .

• AI On-Chain : إثبات أن روبوتات التداول أو yield (مثلRockyBotModulus Labs و Giza x Yearn) تعمل بالفعل كما يُدعى، مما يمنع التلاعب الخفي في DeFi .
• مساءلة واجهة برمجة التطبيقات: فضح خدمات "الصندوق الأسود" لتعلّم الآلة من خلال إجبار مقدمي الخدمات على إرفاق براهين توضح النماذج التي تشغل مخرجاتها.
• منع الاستغلال: تمكين DAOs من تجميد العقود التي تعرضت للاختراق DAOs باستخدام «إثباتات ZK(بحث بروتوكول Aztec)، والتي تم تدريبها على أنماط الاستغلال السابقة.
• التحديثات البيومترية: يقوم المستخدمون بالتحديث الذاتي لبيانات الاعتماد(رموز قزحية العين في العالم) من خلال إثبات أن القوالب البيومترية الجديدة مستمدة من عمليات مسح صالحة، مما يلغي إعادة التسجيل المركزي.
• السرية الطبية: تشخيص أشعة الرنين المغناطيسي المشفرة(vCNN) مع الحفاظ على سرية الفحوصات، واستبدال أوراق الامتثال بالتدقيق المشفر.

DeFi المحتملة على قطاع التمويل اللام DeFi )

عندما تنضج zkML ، من المحتمل أن يتم دمجها في حالات استخدام أوسع نطاقًا across مجالات التمويل اللامركزي:

• نماذجDeFi : تثبت صحة عمليات ضمان القروض أو تسعير المشتقات المالية AI(Aave SynthetixHyperliquid، etc) دون الكشف عن الخوارزميات الخاصة أو مراكز المستخدمين.
• DAO : تتحقق من صحة حسابات وزن الأصوات القائمة على التعلم الآلي أو توقعات تأثير المقترحات، مع الحفاظ على خصوصية بيانات المشاركين (مثل حيازات التوكنات).
• عملات الخصوصية: إجراء عمليات تدقيق لمجموعات المعاملات المجهولة الهوية (Zcash Monero) باستخدام التعلم الآلي للكشف عن هجمات "سيبيل" دون المساس بهويات المستخدمين أو البيانات الوصفية للشبكة.
• NFT : التحقق تشفيرياً من درجات الندرة أو خوارزميات التسعير الديناميكي (Pudgy Penguins Azuki NFT) دون الكشف عن منطق التقييم الخاص.
• Cross-Chain : تضمن أمان تدفقات البيانات المدعومة بالتعلم الآلي (Chainlink Band Protocol) من خلال إثبات سلامة تجميع البيانات across دون الكشف عن مدخلات العقد.
• ZK: تتيح تجميع المعاملات المُحسَّن باستخدام التعلم الآلي (ZKsync، StarkNet) مع إثباتات تضمن الترتيب العادل وحسابات الرسوم دون الكشف عن أنماط نشاط المستخدم.

الوضع الحالي لـ zkML

zkML الحل الذي يقدمه عام 2024 لمشكلة انعدام الثقة في وادي السيليكون، مدعومةً بعمالقة العملات المشفرة مثل Polychain وa16z التي تضخ ملايين الدولارات في شركات ناشئة مثل Modulus Labsو World (المعروفة سابقًا باسم Worldcoin) و Ingonyama لتعزيزAI on-chain وإمكانية التحقق منه.

في حين لا تزال zkML تواجه صعوبات في التعامل مع النماذج ChatGPT قد يشكل عام 2025 نقطة تحول. فمبادرة Stargate لمراكز البيانات التي تبلغ تكلفتها 500 مليار دولار والتي تقودها US بقيادة Trump بالإضافة إلى المشاركين الجدد مثل AI مفتوحة المصدر الصينية من DeepSeek من المقرر أن تدفع عجلة الابتكارات بشكل أسرع.

المخاطر والمخاوف

تنطوي الضمانات التشفيرية zkMLعلى مخاطر غير هينة قد تؤدي إلى إعاقة اعتمادها على نطاق المؤسسات أو تكشف عن نقاط ضعف نظامية.

• التكاليف المتصاعدة: لا يزال إثبات صحة النماذج المعقدة (GPT-4o etc) مكلفًا للغاية، حيث تحد القيود المتعلقة بالأجهزة (انظر ZKPU من Ingonyama) من حالات الاستخدام ROI .
• مخاطر المركزية: قد يؤديASIC إلى تركز السلطة في أيدي عدد قليل من شركات تصنيع الرقائق (مثل Nvidia)، مما يتعارض مع مبادئ اللامركزية.
• المسرح الأمني: الدوائر المنفذة بشكل سيئ، مثل تجميعات EZKL غير المختبرة، تخاطر بمخرجات "محققة" تخفي تسريبات البيانات أو عيوب النموذج.
• الغموض التنظيمي: قد تؤدي اللوائح المبكرة (وخاصة AI EU AI في الوقت الحالي) إلى فرض zkML غير ملائمة zkML ، مما يخلق أعباءً تتعلق بالامتثال دون تحقيق فوائد أمنية حقيقية.
• صعوبات في التبني: تواجه شركات مثل وول مارت نقصًا في الكوادر المؤهلة لتطبيق zkML، على الرغم من Modulus Labs إثباتها لقيمة هذه التقنية في سلسلة التوريد.

افكار اخيرة

zkML خطوة أساسية في AI ، لكنه لا يزال يواجه قيودًا تتعلق بقابلية التوسع، حيث تواجه عمليات الإثبات الحالية GPU صعوبة في التعامل مع النماذج التي تحتوي على تريليونات من المعلمات.

يعتبر المستثمرون الذين يستهدفون خيارات البنية التحتية zkML طبقة التدقيق الحاسمة لقطاعات مثل DeFi واكتشاف الأدوية، حيث تضمن AI حماية مليارات الدولارات.

تواجه الهيئات التنظيمية مهمة حساسة تتطلب تحقيق التوازن: فالرقابة المفرطة قد تؤدي إلى خنق الابتكار، في حين أن التقاعس عن اتخاذ الإجراءات اللازمة قد يسمح AI غير الخاضع للتحقق AI يقوض الثقة في الأنظمة الحيوية.