ZKML生态系统在硬件加速、数据输入、分布式训练、推断、计算、工具和应用方面不断发展，为机器学习领域的信任和隐私提供了有力保障。随着各类技术的进一步完善，ZKML有望在更多领域得到广泛应用，释放AI与区块链的潜力。
根据《平衡AIML的力量：ZK与区块链的作用（Balancing the Power of AI/ML: The Role of ZK and Blockchain）》一文的研究（作者为@Hill79025920和@yuxiao_deng），ZKML可解决机器学习推断中的信任问题。现有的ZKML解决方案生态系统可分为以下七个类别：
硬件加速 Hardware Acceleration
- @cysic_xyz和@UlvetannaHQ正在开发FPGA服务器及集群，它们通过整合多个FPGA以增加内存和并行计算能力，从而加速证明生成过程。
- @Ingo_zk正在为Nvidia GPU开发基于CUDA的ZK加速库——ICICLE。
- @_Supranational提供成熟的开源GPU加速解决方案，性能处于行业领先水平。
- @Accseal正在尝试为ZKP硬件加速开发ASIC芯片。
数据输入 Data Input
- @axiom_xyz、@HerodotusDev、@lagrangedev和@HyperOracle为了使用链上数据输入，正在改善用户访问区块链数据的方式，并提供更复杂的链上数据视图。这样，机器学习输入数据可以从导入的历史数据中提取。
分布式训练 Decentralized Training
- @gensynai、@togethercompute、@FedML_AI和@kosenlabs专注于构建分布式计算网络，使所有人都能访问和使用边缘计算资源来训练AI模型，从而降低成本。
推断 Inference
- @ModulusLabs正在为ZKML开发新的zkSNARK系统。此外，还有许多参与者提供ZKML解决方案。
- @jasonmorton的ezkl库支持从常用的ML软件（如TensorFlow或PyTorch）直接导入模型。
- @daniel_d_kang的ZKML正在构建一个用于生成零知识证明的机器学习模型执行框架。ZKML在ImageNet上的准确率达到92%，并能为GPT2、Bert和Diffusion模型生成ZK-SNARKs。
- @gizatechxyz是一个基于StarkNet的机器学习平台，专注于部署扩展性。
计算 Computation
- @RiscZero的ZKVM可以验证模型的精确计算是否在链上进行。
- @axiom_xyz应用各种验证计算基元，涵盖从基本分析到密码学和机器学习的各种操作。
- @Herodotus在查询内执行计算，例如平均值、求和、最大值和最小值。
- @DelphinusLab提供基于ZKWasm虚拟机的无信任计算解决方案。
- @HyperOracle是一个由ZK节点组成的网络，可以运行任何带有执行轨迹证明的计算。
- @Poseidon_ZK正在构建作为服务的ZK-ZK聚合，聚合多个推断证明以实现ZKML的链上验证的可扩展性。
- @ironmill_xyz在全球最大的FPGA集群之一上提供自动缩放的zkml推断计算。
工具 Tooling
- @jasonmorton的EZKL是一个库和命令行工具，用于在zk-snark中进行深度学习模型和其他计算图的推断。
- @drCathieSo_eth的keras2circom是一个将TensorFlow Keras模型转换为circom电路的Python工具。
- @zama_fhe的Concrete ML提供FHE隐私保护机器学习（PPML）工具，帮助数据科学家将机器学习模型自动转换为同态等效模型。
- @drCathieSo_eth的zkMachineLearning正在为Circom构建ZKML工具。
应用案例 Use Case
- @Hill79025920和@yuxiao_deng的《平衡AIML的力量：ZK与区块链的作用》提出了一种利用ZKML来创建可验证AI模型的方法，这可以应用于金融、医疗、保险等领域的风险评估。
- @OrcaProtocol正在利用ZKML技术构建信任的去中心化身份验证系统，这将有助于加强在线隐私保护。
- @gensynai正在开发基于ZKML的去中心化AI市场，以便用户在保护隐私的前提下，共享和交换机器学习模型及其推断结果。
所有评论