ZKML là gì?

Zero-Knowledge Machine Learning (ZKML) là một thuật ngữ phổ biến được cộng đồng mật mã sử dụng trong lĩnh vực nghiên cứu và phát triển thời gian gần đây. Công nghệ ZKML phát triển nhanh chóng nhờ sở hữu nhiều tính năng triển vọng, ứng dụng rộng rãi. 

Zero-Knowledge (ZK) là gì?

ZK là một giao thức mật mã được sử dụng để bên chứng minh có thể xác nhận với người xác minh một nghiên cứu mà không tiết lộ các thông tin bên lề. Đây là một giao thức mật mã đang đạt được những tiến bộ vượt bậc về nhiều mặt, bao gồm mọi thứ từ nghiên cứu đến triển khai và ứng dụng giao thức.

Hai nguyên tố chính ZK cung cấp là khả năng tạo bằng chứng về tính toàn vẹn của thuật toán một cách dễ dàng. Bằng chứng ZK (ZK proofs) cũng đưa ra những lựa chọn để người dùng ẩn một số phần của phép tính trong nhưng vẫn duy trì tính chính xác của phép tính.

Việc tạo ra một ZK rất tốn kém, đắt hơn khoảng 100 lần so với việc tính toán ban đầu. Tuy nhiên, những tiến bộ gần đây về mật mã, phần cứng và hệ thống phân tán đã làm cho ZK trở thành một lựa chọn khả thi cho các tính toán. Những tính năng của ZK cho phép người dùng tạo ra các giao thức có thể sử dụng bằng chứng chuyên sâu về tính toán, mở rộng không gian thiết kế cho nhiều ứng dụng mới.

Mật mã ZK là một trong những công nghệ phổ biến nhất trong không gian Web3, cho phép nhà phát triển xây dựng các ứng dụng có thể mở rộng hoặc riêng tư. Các trường hợp sử dụng ZK:

- Mở rộng quy mô Ethereum thông qua ZK Rollup: Starknet, Scroll, Polygon Zero, Polygon zkEVM, zkSync.

- Xây dựng các ứng dụng bảo vệ quyền riêng tư: Semaphore, MACI, Penumbra, Aztec Network.

- Cung cấp khả năng nhận dạng và nguồn dữ liệu: WorldID, Sismo, Clique, Axiom.

- Giao thức Layer 1: Zcash, Mina.

Machine Learning (ML) là gì?

Machine Learning (ML) là một thuật ngữ nghiên cứu trong lĩnh vực trí tuệ nhân tạo (AI), cho phép máy tính tự động học hỏi và cải thiện mà cần thông qua các bước lập trình rõ ràng. ML sử dụng các thuật toán và mô hình thống kê để phân tích và xác định các mẫu trong dữ liệu, sau đó đưa ra dự đoán hoặc quyết định dựa trên các mẫu đó. Mục tiêu của ML là phát triển các hệ thống thông minh, có khả năng thích ứng và giải quyết các vấn đề phức tạp trong nhiều lĩnh vực như chăm sóc sức khỏe, tài chính và giao thông mà không cần sự can thiệp của con người.

Gần đây, nhiều mô hình ngôn ngữ lớn như chatGPT, Bard hay các mô hình chuyển văn bản thành hình ảnh DALL-E 2, Midjourney hoặc Stable Diffusion đã cho thấy những bước phát triển vượt bậc. 

Các trường hợp sử dụng ZKML

- Tối ưu hóa theo kinh nghiệm (heuristic): Đây là phương pháp để tìm ra giải pháp tốt cho các vấn đề khó khăn thay vì sử dụng các phương pháp tối ưu hóa truyền thống. Mục đích của các phương pháp tối ưu là để tìm ra các giải pháp tốt trong một khoảng thời gian hợp lý.

- FHE ML (ML mã hóa đồng nhất): ML cho phép các nhà phát triển đào tạo và đánh giá các mô hình dựa trên việc bảo vệ quyền riêng tư. Tuy nhiên, khác với ZK, không có cách nào để chứng minh bằng mật mã tính chính xác của các tính toán được thực hiện.

- ZK với validity: Trong ngành, các thuật ngữ này thường được sử dụng để thay thế cho nhau. Trong ngữ cảnh của ZKML, hầu hết các ứng dụng hiện tại đều tận dụng khía cạnh validity của bằng chứng ZK.

- Tính hiệu lực của ML: ZK chứng minh các mô hình ML, đảm bảo việc công khai các phép tính và kết quả. Qua đó chứng minh tính đúng đắn của các tính toán.

Dưới đây là một số ví dụ về các trường hợp sử dụng ZKML:

1. Tính toàn vẹn trong tính toán (ML hợp lệ)

- Phòng thí nghiệm mô-đun.

- Bot giao dịch ML có thể xác minh trên chuỗi RockyBot.

- Chuỗi khối trực quan có khả năng tự cải thiện.

- Tăng cường các tính năng thông minh của giao thức quyền chọn tài chính AMM (nhà tạo thị trường tự động) của Lyra.

- Tạo hệ thống minh bạch dựa trên AI (ZK oracle) cho Astraly.

- Sử dụng ML cho giao thức Aztec (ZK Rollups với nhiều tính năng bảo mật) để làm việc dựa trên các đột phá công nghệ cần thiết, các công cụ tuân thủ cấp hợp đồng.

2. Phát hiện bất thường hoặc gian lận ZK:

Trường hợp sử dụng này cho phép các nhà phát triển tạo bằng chứng ZK để chống lại khả năng khai thác gian lận. Các mô hình phát hiện bất thường có thể được xây dựng dựa trên dữ liệu hợp đồng thông minh và được thông qua DAO để tự động hóa các quy trình bảo mật. Hiện tại, nhiều công ty khởi nghiệp đang tìm cách sử dụng các mô hình ML cho mục đích bảo mật cho các hợp đồng thông minh.

3. Kaggle phi tập trung: 

Chứng minh rằng mô hình chính xác hơn bao nhiêu % trên một số dữ liệu thử nghiệm không hiển thị trọng số.

4. Bảo vệ quyền riêng tư: 

Đưa các chẩn đoán y tế dựa trên dữ liệu riêng tư của bệnh nhân vào mô hình và gửi các kết quả điều trị cho bệnh nhân.

5. Worldcoin:

- Khả năng nâng cấp của IrisCode : Người dùng World ID có thể tự quản lý sinh trắc học trong bộ nhớ được mã hóa trên thiết bị di động của họ, sử dụng mô hình ML để tạo IrisCode. IrisCode có thể được sử dụng mà không cần sự cho phép của người dùng Worldcoin. Các hợp đồng thông minh người dùng nhận có thể được xác minh bằng ZK để tạo ra IrisCode. Nếu Worldcoin nâng cấp mô hình ML để tạo IrisCode với nhiều cải tiến so với các phiên bản trước đó thì người dùng có thể tạo ZK trên thiết bị cục bộ.

- Bảo mật Orb: Hiện tại, Orb triển khai một số cơ chế phát hiện các hành vi gian lận và giả mạo. Các cơ chế này hoạt động khi hình ảnh được chụp lại và mã Iris được tạo để đảm bảo tính sống động tốt hơn cho giao thức Worldcoin, hoạt động trong suốt quá trình tạo IrisCode.