声明：本文所表达的观点仅属于作者个人，不代表crypto.news编辑部的观点和意见。
在著名电影《银翼杀手》的开场场景中，一个名叫霍尔登的角色对莱昂进行了一个虚构的图灵测试来判断他是否是一个复制人（一种类人机器人）。在测试过程中，霍尔登讲了一个故事来引起莱昂的情感反应。“你在沙漠中行走，忽然你低头…你低头看到一只乌龟，莱昂。它正爬向你…”随着霍尔登继续讲这个假设的故事，莱昂变得越来越焦躁，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
虽然我们在现实世界中还没有进入《银翼杀手》的领域，但随着人工智能和机器学习越来越多地融入我们的生活，我们需要确保我们使用的AI模型是它们所声称的。
这就是零知识证明的作用。在核心层面上，零知识证明使一方能够向另一方证明特定计算已经正确执行，而无需暴露实际数据或要求验证者重新计算（即简洁性属性）。可以将其类比为数独游戏：解决数独可能很困难，但验证解决方案要容易得多。
当计算任务发生在链下时，避免对网络造成过大负担和产生高费用时，这一属性尤其有价值。通过零知识证明，这些链下任务仍然可以得到验证，而无需负担区块链的压力，因为所有节点都需要验证每个区块。简而言之，我们需要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，以便我们可以安全扩展AI
机器学习是人工智能的一个子集，以其巨大的计算需求而闻名，需要大量的数据处理来模拟人类适应和决策能力。从图像识别到预测分析，机器学习模型正准备改变几乎每个行业，如果还没有改变。但是，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证明机器学习模型的真实性，而不会造成高昂的成本？
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。当您查询ChatGPT关于您最喜爱的科幻电影时，您可能会相信使用的模型，如果回答的质量偶尔下降也不会是世界末日。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产生连锁反应的负面经济影响。
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模型开辟了新的途径。零知识机器学习（Zero-knowledge Machine Learning，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障之间的差距。
最令人兴奋的ZKML应用之一是去中心化金融（DeFi）。想象一下一个流动性池，其中一个AI算法负责重新平衡资产以最大化收益，同时在此过程中完善其交易策略。ZKML可以在链下执行这些计算，然后使用ZK证明来确保ML模型的合法性，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，使他们在使用公开的ML模型进行交易时保持财务机密性。结果是具有ZK可验证性的安全的基于AI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的核心地位日益突出，对篡改、操纵和敌对攻击的担忧也不断增加。特别是处理重要决策的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。这不仅仅是指传统意义上的AI安全性（即确保模型不会表现出不可预测的行为），还包括在模型本身很容易被验证的无信任环境中。
在一个模型不断增多的世界中，我们基本上是在受到AI的引导。随着模型数量的增加，模型完整性受损的潜力也在增加。这在AI模型的输出可能不是看上去的那样的情况下尤其令人担忧。
通过将零知识密码学与AI整合，我们可以开始在这些模型中建立信任和责任。就像您的网络浏览器中的SSL证书或安全徽章一样，可能会有一个AI可验证性的标志，保证您与之交互的模型是您所期望的模型。
在《银翼杀手》中，沃特-坎普夫测试旨在区分复制人和人类。如今，当我们在一个越来越多地由AI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模型和潜在被篡改的模型。在加密货币领域，零知识密码学可以作为我们的沃特-坎普夫测试，一种强大的、可扩展的方法，来验证AI模型的完整性，而不会泄露其内部运作。这样，我们不仅仅是在问机器人是否梦见电子羊，还确保我们数字生活中引导我们的AI确实是它所声称的那样。
