Modulus Lab -链上 AI
Modulus Labs is a Web3 project that aims to bring AI capabilities to the blockchain in a decentralized manner, enabling creators to own and control.
🙇 申し訳ない
笔者真的是没有想到，在 DeepNFT 之后会时隔四个月才发布第二篇关于 Web3 机器学习/AI 项目的文章。一方面因为夏秋的本业工作过于忙碌，另一方面是因为这几个月来其实值得一说的项目也比较少。大家的关注点普遍在 zkSync 和零知识证明的相关内容上。不过笔者之前的忙碌周期已经过去，本业博士也已经进入最后的阶段，所以还是希望能以这篇文章回归 un.Block 的固定 Workflow。
这次我们来简单介绍一下 Modulus Labs，一个对于 AI On-chain 有着不错愿景的 Web3 项目。由于项目本身透露的细节并不算多，且相关的博文以表达自己的愿景为主，因此感兴趣并且有英文能力的读者可以查看他们的 Medium。
⌛ 项目状态
目前 Modulus Labs（以下简称 Modulus）并没有披露相关的融资信息，只在博客里透露过他们会不间断地得到 Floodgate Ventures 在 Gas 费用和技术成本方面的支持。
其开发的第一个产品 Rockefeller Bot 已经在10月初上线，并且接受 WETH/USDC 捐赠。第二个产 Leela vs the World 和白皮书都在开发中，预计白皮书会在 12 月到来年 1 月释出。
💭 项目简介和愿景
Modulus Labs 正式成立于 8 月，创始人为 Daniel Shorr 和 Ryan Cao。他们希望能够依赖 Web3 和链上技术的发展，制作出可信的，全自动化的强大 AI 模型。他们相信现有的链上技术和相对应的硬件环境已经足够成熟，并且开发的 AI 模型可以反过来提升链上技术的安全性和自动化能力。
之前所看到过的一些 AI On-chain 的项目大多是将传统的 AI 模型或者算法应用到链上的相关任务，比较典型的例子就是上期的 DeepNFTValue 和 Kosens Labs —— 两者本质上都使用了传统的 AI 技术和 ML 模型（回归模型，DNN），辅以相关的硬件配置以适配一些预测性质的任务。他们对于任务本身的 Web3 特性，数据使用的安全性，和数据透明度等相关问题并没有提出很好的解决方案。他们从自己的角度回答以上问题并给出了 AI On-chain 的解释：
可证明推理：预训练的模型的输入数据，相关的模型参数和架构/部署形式都会对应到生成的证明上
可证明训练：第一点里的相关信息不仅是在推理时会通过 Proof 呈现，训练过程中也可以
训练数据的所有权：模型一次训练之后并不是一成不变的，因此用于模型更新的数据流会在链上部署。数据相关的贡献则会用 Token 量化呈现
模型部署和开源：从前几点可以看出模型的部署和相关的信息都会在链上进行，相关信息完全开源
链上集成模型：当多个模型需要集成或做出共同决策的时候，会以（类似于 Stake）的多数表决来进行
技术层面，和主流的构想类似，Modulus 参考了 ZK-proof 相关的知识，并且希望通过将模型部署和推理完全推到链上，达到充分使用中心化硬件资源，但同时保护模型和数据不受中心化的服务器控制的效果。
🎁 Rockefeller Bot
Modulus 的第一个产品是一个完全链上运行的交易机器人 Rockefeller Bot，或简称 Rocky。Rocky 基于 StarkNet，并通过一个简单的三层深度神经网络预测 WETH 的价格。相比于传统的股票/币率预测项目，Rocky 的主要创新点有两个：
他通过生成 ZK 证明的方式来产生预测数据并给出交易建议
当 Rocky 完成预测之后，它将相关的信息提交到一个 Layer1 的智能合约中。余下的工作包括交易和现金存储都交给智能合约来进行。由于信息本身是 ZK 证明，因此智能合约并不能获取模型训练，推理时使用的硬件信息
Rocky 本身也存在的比较多的局限:
相关计算的误差会被放大
模型部署潜在的高额成本
Layer1 到 Layer2 交互需要时间
因此 Modulus 更多希望 Rocky 作为一个平台，展示链上开发和部署 AI 模型的可行性。
Modulus 目前还参与了多个其他的 ZK 相关的交易项目和链游开发。不过目前并没有太多公开信息。
💡 感想
相比于其他 Web3 ML 项正在努力回答“如何将已经成熟的 AI/ML 技术应用到区块链应用中”，Modulus 关注的问题则是“如何在区块链上进行 AI/ML 技术的研发和应用”。相比于前者，Modulus强调了链上研发的一些优势，并且也推出了自己的产品。
我觉得这个项目前景非常乐观，我非常在意如何在中心化的资源下，保护用户隐私。虽然 Modulus 的第一个产品在 ML 本身技术层面上并没有过多创新，但在部署上，它给了很多着手解决隐私问题的 ML 从业者一个正面参考。我会持续追踪这个项目，并且关注他们的白皮书更新。
❓疑问
作为 ML 研究员，我的思考角度更加偏向 ML 行业。看完这个项目，我有这样几个问题：
ZKML 的链上训练和部署成本。部署成本可能不用太担心，因为现在大多数 ML 产品理论上只要优化到位，无论是大小和需要的计算量和普通软件并无太大区别。但同时训练一个 ML 模型过程是非常需要算力资源的，也因此占据了大量的开发成本。目前 Modulus 的解决方案是通过 Proof 解决信任问题。让去中心化计算部分相信来自中心化的计算结果，并接受这个计算结果作为输入。我期待关于这一部分的更多细节。
传统 ML 模型如果有机会以可接受的成本在链上训练和部署，它们所面临的问题和传统Web2 时代会有所不同。重点问题从数据可靠性和隐私转移为模型可解释性，模型的自适应/线上场景优化，梯度优化（ZK 模型训练目前不能优化梯度）和推理计算成本。
🔚 总结
Modulus Labs 本身所提供的思路和愿景在很多方面都是笔者所期待的。令我欣喜的是他们正在着手解决一些上文提到的问题，例如可解释性和中心化/去中心化分离。
他们的第一个产品通过 Layer1 采取了中心化——去中心化的折中解决方案。虽然我认为 AI On-chain会遇上一些在与 Web2 时代不一样的问题，但是我相信随着社区和公司的壮大，以 Modulus 为代表的一批优秀 Web3 从业者会给出漂亮的答案。
和之前一样，如果各位读者发现的区块链/Web3 项目符合下列任意条件：
AI/ML 技术的应用
基于区块链相关的数据，并且涉及到模型的落地和应用
欢迎通过 un.Block 官推 和我的个人 Twitter 联系我。大家一起学习和分享!