🤖 un.block.ai for Web3 and Developers #6

🏦 融资

1. AI 开发公司 Anthropic 完成 4.5 亿美元 C 轮融资

2. Solana 将自研 ChatGPT 插件集成到网络中，并宣布将支持其生态下 AI 项目的基金从 100 万追加至 1000 万

3. Foresight Ventures 追加 1000 万投资，将重点投资 Web3，AI，零知识证明等相关项目

4. Avalanche 旗下的 Ava Labs 发行自动化开发工具 AvaCloud 以及旗下子网交互工具 Avalanche Warp Messaging，帮助用户快速开发测试网和上线

5. Moonfire Ventures 启动 1.15 亿美元基金 Fund II，将重点关注 AI 和 Web3 等领域的初创公司

6. 区块链初创公司加速器 Cronos Labs 官宣第二期加速计划，共计得到 1 亿美元投资支持。包含 CorgiAI 在内的8个项目得到单笔 3 万美元的支持，计划为期 12 周

💠 ZKML

Evolving the Intelligence of Smart Contracts Through Zero-Knowledge Cryptography

机器学习（ML）是人工智能的一个分支，专注于开发算法和模型，使计算机能够从数据中学习并根据数据进行预测。该过程涉及训练数据、模型架构和模型参数。模型分为两个阶段进行生成和部署：训练和推理。zkML 主要关注推理阶段，因为计算复杂度较高。

验证推理有四种场景：私有输入-公共模型、公共输入-私有模型、私有输入-私有模型和公共输入-公共模型。验证的 ML 推理为智能合约开辟了新的设计空间，包括去中心化金融（DeFi）、安全、传统机器学习、身份认证、Web3 社交、广告、创作者经济和游戏。

ZKML 生态系统由模型到证明编译器、通用证明系统、ZKML 特定证明系统和应用程序组成。ZKML 领域面临的一些挑战包括：最小精度损失的量化、电路尺寸、矩阵乘法的高效证明以及对抗性攻击。尽管存在这些挑战，但 ZKML 的改进和优化正在快速进行，它有潜力彻底改变各种行业和应用。

将 AI 和区块链融合，实现隐私保护的模型部署技术

ZKML（零知识机器学习）是将零知识证明应用于机器学习的技术，作为AI与区块链的桥梁。ZKML可以解决AI模型/输入的隐私保护问题以及推理过程的可验证性问题，使得小模型或推理的ZKP能够上链。模型/推理证明上链的意义包括让区块链感知物理世界，让智能合约做决策，以及保护隐私地运行AI模型。

尽管 ZKML 的发展历程较短，但已经取得了显著的进展。目前已经能将一些简单的神经网络模型转化为 ZK 电路，可以进行模型的上链 ZKML（零知识机器学习）是将零知识证明应用于机器学习的技术，作为 AI 和区块链的桥梁。ZKML 可以解决AI模型/输入的隐私保护问题和推理过程可验证的问题，从而使小模型或推理的 ZKP 能上链。模型/推理证明上链的意义包括让区块链能感知物理世界、让智能合约能做决策以及保护隐私地运行AI模型。

ZKML 的应用包括链上 AI、自我提高的区块链、AIGC 上链、钱包的生物认证（KYC）、AI 安全以及链上ZKML游戏等。尽管ZKML的发展历史较短，但其技术进展迅速。目前已经能将一些简单的神经网络模型转化成ZK电路，并实现模型的上链或推理证明上链。随着网络量技术、ZK 技术和区块链扩容技术的发展，ZKML 在语言模型等领域的应用也将变得更加可行。

Towards a Future of Verifiable AI

本文讨论的零知识机器学习（ZKML）是指使用 zkSNARK（一种零知识证明类型）来证明机器学习推理的正确性，而不泄露模型的输入或模型参数。ZKML 的用例可以根据哪些信息是私有的分为以下几类：

公共模型+私有数据:

• 隐私保护机器学习：ZKML 可用于在不向其他人泄露数据的情况下对敏感数据进行机器学习模型的训练和评估。这对于医疗诊断和金融欺诈检测等应用非常重要。我们还看到一些参与者在生物识别数据认证上使用 ZKML，构建人类证明服务。

• 认证：在大部分在线内容由 AI 生成的世界中，密码学可以提供真实信息来源。人们正在尝试使用 ZKML 来解决深度伪造问题。

私有模型+公共数据：

• 模型真实性：ZKML 可用于确保机器学习模型的一致性。这对于用户确保模型提供商不偷懒使用较便宜的模型或被黑客攻击非常重要。

• 去中心化Kaggle：ZKML 允许数据科学竞赛参与者在不泄露训练模型权重的情况下证明公共测试数据的模型准确性。

公共模型+公共数据：

• 去中心化推理：这种方法主要利用 ZK 的简洁性特点将复杂的 AI 计算压缩为类似于 ZK Rollup 的链上证明。这种方法可以将模型服务的成本分散到多个节点。

尽管 ZKML 面临着一些技术挑战，但它在加密社区引起了很大兴趣，一些优秀的团队正在探索这个领域。

技术瓶颈包括量化、跨语言翻译和 ZKP 的计算成本。尽管存在这些挑战，但ZKML在去中心化金融、游戏、NFT/ 创作者经济和身份认证等领域已经取得了一定的进展。

ZKML 的广泛应用可能取决于人们对现有大型AI提供商的信任。是否会有一些事件引起整个行业的关注，并推动用户考虑可验证的AI技术。

总之，ZKML 仍处于早期阶段，需要克服许多挑战。但随着 ZK 技术的改进，我们认为人们很快会发现一些具有强大产品市场契合度的 ZKML 用例。这些用例起初可能看起来很小众。但随着中心化 AI 越来越强大并渗透到每个行业甚至人类生活中，人们可能会在 ZKML 中发现更大的价值。