声明：本文观点仅代表作者个人观点，不代表crypto.news编辑部的观点和意见。
在电影《银翼杀手》中的著名开场场景中，一名名叫霍尔登（Holden）的角色对莱昂（Leon）进行了图灵测试的虚构解读，以判断莱昂是否是一个仿生人（一种类人机器人）。在测试中，霍尔登讲述了一个故事，以引发莱昂的情感反应。“你在沙漠中行走，忽然你低头……你低头看到一只乌龟，莱昂。它正在爬向你……”随着霍尔登不断讲述这个假设的故事，莱昂变得越来越烦躁，直到显然他不是人类。
你可能也喜欢：
零知识模块化有助于扩展Web3 | 观点
虽然现实世界中我们还没有进入《银翼杀手》的领域，但随着人工智能和机器学习在我们的生活中越来越融入，我们需要确保我们使用的AI模型是它们所宣称的。
这就是零知识证明的作用。在它们的核心，零知识证明使一方能够向另一方证明特定计算被正确执行，而不需要暴露实际数据或要求验证者重新计算（即简洁性属性）。就像解数独游戏一样，解决它可能很困难，但验证解决方案要容易得多。
当计算任务发生在链下以避免网络过载和产生高费用时，这种属性尤其有价值。使用零知识证明，这些链下任务仍然可以被验证，而不会给区块链带来负担，因为区块链有严格的计算限制，因为所有节点都需要验证每个区块。简而言之，我们需要使用零知识密码学来安全高效地扩展AI机器学习。
零知识证明验证机器学习模型，使我们能够安全扩展人工智能
机器学习是人工智能的一个子集，以其大量的计算需求而闻名，需要大量的数据处理来模拟人类的适应和决策过程。从图像识别到预测分析，机器学习模型正准备改变几乎所有行业，如果它们还没有这样做的话，但它们也在推动计算的极限。那么，我们如何通过使用区块链来验证和确认机器学习模型的真实性，而不会造成昂贵的链上操作呢？
我们需要一种可证明的方法来信任AI模型，以便我们知道我们使用的模型没有被篡改或虚假宣传。当您询问ChatGPT有关您最喜欢的科幻电影的问题时，您可能会信任所使用的模型，如果回答的质量偶尔下降也并不是世界末日。然而，在金融和医疗等行业中，准确性和可靠性至关重要。一个错误可能会在全球范围内引发连锁负面经济影响。
这就是零知识证明发挥关键作用的地方。通过利用零知识证明，机器学习计算仍然可以在链下执行，同时进行链上验证。这为在区块链应用中部署AI模型打开了新的途径。零知识机器学习（ZKML）允许对机器学习算法及其输出进行加密验证，同时保持实际算法的私密性，弥合了人工智能的计算需求和区块链的安全保证之间的差距。
最令人兴奋的ZKML应用之一是去中心化金融（DeFi）。想象一个流动性池，其中一个AI算法管理资产再平衡，以最大化收益，同时在此过程中不断完善其交易策略。ZKML可以在链下执行这些计算，然后使用ZK证明来确保ML模型是合法的，而不是其他算法或其他人的交易。与此同时，ZK可以保护用户的交易数据，使他们保持财务机密性，即使他们用于交易的机器学习模型是公开的。结果是具有ZK可验证性的安全AI驱动的DeFi协议。
我们需要更好地了解我们的机器
随着人工智能在人类活动中变得越来越核心，对篡改、操纵和对抗性攻击的担忧也在不断增长。特别是处理关键决策的AI模型必须抵御可能破坏其输出的攻击。当然，我们希望AI应用程序是安全的。这不仅仅是传统意义上的AI安全（即确保模型不会表现得不可预测），而且还要创建一个可验证的无信任环境，其中模型本身易于验证。
在一个模型泛滥的世界中，我们实际上是在由AI引导着的生活。随着模型数量的增长，模型完整性受损的可能性也增加。这在AI模型的输出可能不是看起来的那样的情况下尤其令人担忧。
通过将零知识密码学整合到人工智能中，我们现在可以开始在这些模型中建立信任和责任。就像您Web浏览器中的SSL证书或安全徽章一样，可能会有一个用于AI可验证性的符号，它保证您与之互动的模型是您期望的模型。
在《银翼杀手》中，沃伊特-坎普夫测试旨在区分仿生人和人类。今天，当我们在一个越来越多由人工智能驱动的世界中导航时，我们面临着类似的挑战：区分真实的AI模型和可能受到破坏的模型。在加密货币领域，零知识密码学可以作为我们的沃伊特-坎普夫测试，一种强大的、可扩展的方法，用于验证AI模型的完整性，而不会损害其内部运作。这样，我们不仅仅是在问安卓梦见电子羊吗，还确保驱动我们数字生活的人工智能恰如其分。
