AI + Blockchain=?

作者： Yihan Xu
来历：Foresight Ventures
原文标题：《Foresight Ventures: AI + Blockchain=?》

Overview

经过这篇文章你能够了解：

什么是 on-chain AI？

为什么还没有链上 AI?

AI 上链的动力；

技能途径；

我了解的 on-chain AI 价值；

on-chain AI 的使用场景和项目剖析。

一、AI + blockchain =？

开发者对根底设施建设的张狂执着和各种 rollup 处理方案的更新迭代确实让原本落后的 web3 核算才干完结了突破，这也为 AI 上链供给了或许性，但你或许想说与其大费周章地完结链上 AI，直接在链下运转模型好像也能满足大部分需求，而事实上现在简直一切的 AI 模型都是以黑盒、中心化的方式在运转，而且相同在各个领域发明了无法代替的价值。

1）先回到最根底的问题，什么是 AI 上链？

主流的了解是经过区块链让 AI 模型 transparent + verifiable

再详细一点，AI 上链意味着人工智能模型的 complete verification，也便是说一个模型需求向全网（用户或验证者）揭露以下三点：

模型架构；

模型参数和权重：揭露参数和权重有时候会对产品安全性产生负面影响，因而，针对特定场景，比方风控模型，能够对 weight 做躲藏处理以保证安全性；

模型输入：在 web3 的场景里根本上是链上揭露数据。

当满足以上条件时，整个模型履行的进程是具有确定性的且不再是黑盒操作，任何人都能够在链上对模型的输入和成果进行验证，从而防止模型具有者或许相关权限人对模型进行操纵。

2）AI + blockchain 的动力是什么？

AI 与 blockchain 结合的含义不在于代替中心化的 Web2 人工智能的运作方式，而是：

在不献身去中心化和 trustless 的根底上，为 web3 国际发明下一阶段的价值。现在的区块链就像是 web2 的前期阶段，还没有接受更广泛使用或许发明更大价值的才干。而只要在参加 AI 之后，dapp 的幻想力才干真实跳跃到下一阶段，这些链上使用才有或许更挨近 web2 使用的水平，这种挨近并不是从功能上做的更相似，而是经过发挥区块链的价值，从用户体会和或许性上做出进步。

为 web2 黑盒的 AI 运转方式供给一种通明的、trustless 的处理方案。

幻想一下 web3 的使用场景：

将推荐算法参加到 NFT 买卖渠道，依据用户喜爱推荐相应 NFT，进步转化；

在游戏中参加 AI 对手方，更通明、公正的游戏体会；

……

可是，这些使用都是经过 AI 对已有的功能在功率或许用户体会上的进一步改进。

– 有价值吗？有。

– 价值大吗？取决于产品和场景。

AI 能创在的价值历来都不仅是 99 到 100 的优化，真实让我振奋的，是从 0 到 1 的全新使用，一些只要经过 transparent + verifiable 的链上模型才干完结的 use case。不过这些“令人振奋的”use case 现在首要靠幻想力，没有成熟的使用，先来开几个脑洞：

经过依据 neural network 的决议计划模型做 crypto trading：一种产品形状或许更像是 copy trading 的晋级版别，乃至是一种全新的买卖玩法。用户不再需求信赖或调研其他 experienced trader，而是对彻底揭露通明的模型以及其 performance 下注。本质上 AI 依据对 crypto 未来价格的猜测更快更决断地进行买卖。然而没有链上 AI 自带的“trustless autonomy”，这样的下注目标或许规范根本是不存在的。用户/投资者能够通明地看到模型决议计划的原因、进程乃至未来上涨/跌落的准确概率；

AI 模型作为裁判：一种产品或许是全新形状的预言机，经过 AI 模型对数据来历的准确性进行猜测。用户不再需求信赖 validator，也不必忧虑节点作恶，预言机供给方乃至不需求规划复杂的节点网络和奖惩机制来完结去中心化。相应地，链上 transparent + verifiable 的 AI 现已满足满足验证链下 data source 置信度的任务。这种全新的产品形状在安全性、功率和本钱上有时组织成碾压，去中心化的目标也由人跳跃到“trustless autonomy”的 AI 东西，无疑是更安全的。

依据大模型的组织办理/运作系统：DAO 的办理本质上应该是高效、去中心化、公正的，而现在的现状却背道而驰，松散且臃肿，缺少通明和公正性，链上 AI 的参加能供给十分契合的处理方案，将办理方式、功率进步到最高，将办理中系统性和人道的危险无限拉低。咱们乃至能够去幻想一种全新的 web3 项意图开展和运作方式，整个框架及未来开展方向和提案简直不依赖开发团队或许 DAO 投票的方法来进行决议计划，相应的，依据大模型更巨大的数据获取量和远超人的核算才干去做决议计划。但这一切的条件也是模型上链，没有 AI 的“trustless autonomy”就不存在去中心化国际从人到东西的跃迁。

……

小结一下

依据链上 AI 的新的产品形状根本能够总结为将去中心化和 trustless 的主体从人变为 AI 东西，这也契合传统国际生产力的进化进程，最开端是在人这个主体上下功夫，不断晋级进步人效，到后边经过智能东西代替人，在安全性和功率上推翻原有的产品规划。

其中最要害的、也是以上一切的条件，是经过区块链完结 AI 的 transparent + verifiable。

3）Web3 的下一个阶段

区块链作为一个现象级的技能立异，不或许仅仅停留在原始阶段。流量和经济模型很重要，但用户不会一直停留在追捧流量或花费许多资源做 X to earn，web3 也不会因而 onboard 下一波新用户。但有一件事的确定性是很强的：web3 国际生产力和价值的革新必定来自 AI 的参加。

我觉得大致分成下面三个阶段

开始：零常识证明算法和硬件的更新迭代为链上 AI 的涌现第一次供给了或许性；（咱们在这）

开展：不管是 AI 对已有使用的进步仍是依据 AI + blockchain 的全新产品，都在将整个职业向前推进；

结局：AI + blockchain 的最终走向是什么？

上面的评论都是经过 AI 与区块链的结合 bottom up 地开掘使用场景，换个思路 top down 地看待 AI + blockchain，AI 会不会重溯区块链自身？AI + blockchain = 自适应的区块链

一些公链会率先融合链上 AI，从公链的层面改动为一种自适应的，自身开展方向不再依赖项目基金会决议计划而是依据巨大数据进行决议计划、自动化水平远超传统区块链的形状，从而从当前多链繁荣的格式中脱颖而出。

在 verifiable + transparent 的 AI 加持下，blockchain 的自调理体现在哪里，能够参阅 modulus lab 提到的几个例子：

链上的买卖商场能够去中心化地自动调理，比方依据链上揭露数据实时、不需求 trust assumption 地调整安稳币的 interest rate；

多模态学习能够让链上协议的交互经过生物特征识别完结，供给安全的 KYC，并完结身份办理的彻底去信赖；

答应链上使用最大化地捕获链上数据带来的价值，支撑定制化内容推荐等服务。

从另一个视点看，zkrollup 不断迭代优化，可是始终缺少一个真实只能在 zk 生态上跑的使用，ZKML 刚好契合这一点，而且幻想空间也满足大。ZK-rollup 未来很或许作为 AI 进入 web3 的进口从而发明更大价值，两者相互成果。

二、完结方法和可行性

1）Web3 能为 AI 供给什么？

根底设施和 ZK 无疑是 web3 最张狂内卷的赛道，各种 ZK 项目在电路优化和算法晋级上下足了功夫，不管是对多层网络的探究，或许是对模块化区块链以及 data availability layer 的开发，仍是进一步将 rollup 做成定制化的服务，乃至硬件加速……这些测验都在将区块链的可扩展性、本钱、算力推向下一个阶段。

AI + blockchain 听上去不错，但详细怎么个加法？

一种做法是经过 ZK proof system。比方针对 machine learning 做一个定制化的电路，链下电路生成 witness 的进程便是模型履行的进程，对模型猜测的进程生成 proof（其中包括模型参数和 input），任何人都能够在链上验证 proof。

AI 模型仍是在高效的集群上履行，乃至搞点硬件加速进一步进步核算速度，在最大化利用算力的一起保证没有中心化的人或许组织能够从中篡改或干涉模型，也便是保证：

模型猜测成果的确定性 = 可验证的（input + 模型架构 + 参数）

依据以上做法，能够进一步揣度哪些 infra 对 AI 上链至关重要：

ZKP system、rollup：Rollups 扩张了咱们对区块链核算才干的幻想空间，把一堆 transactions 打包，乃至递归地生成 proof of proof 进一步降低本钱。对于现在巨大的模型来说，供给或许性的第一步便是 proof system 和 rollup；

硬件加速：ZK rollup 供给了 verifiable 的根底，但 proof 的生成速度直接关系到模型的可用性和用户体会，等候几个小时去生成一个模型的 proof 显然是不 work 的，因而，经过 FPGA 进行硬件加速显然是一个很好的 boost。

密码学：密码学是区块链的根底，而链上模型以及敏感数据相同需求保证隐私性。

补充：

大模型的根底是 GPU，没有高并行的支撑，大模型的功率将会十分低，也就无法运转。因而，对于一个链上的 zk 生态：

GPU 友爱 = AI 友爱

拿 Starknet 举例，Cario 只能在 CPU 上跑，因而只能布置一些小的决议计划树模型，长时间来看并不利好大模型的布置。

2）挑战：更强壮的 proof system

ZK Proof 的生成速度和内存使用状况至关重要，一个关系到用户体会和可行性，一个关系到本钱和天花板。

现在的 zkp system 够用吗？

够用，但不够好…

Modulus lab 在文章“The Cost of Intelligence: Proving Machine Learning Inference with Zero-Knowledge”十分详细的剖析了模型和算力的详细状况。有空能够读一读这篇 ZKML 届的”零号文献 – paper0“：https://drive.google.com/file/d/1 tylpowpaqcOhKQtYolPlqvx6 R2 Gv4 IzE/view

以下是 paper0 中提到的不同证明系统

依据以上 zk 算法，modulus lab 分别从时刻耗费和内存占用两个维度动身进行测验，而且在这两个维度中分别操控了参数和层数两个核心变量。以下是 benchmark suites，这样的规划也能够大致覆盖从 LeNet5 的 60 k 参数量，0.5 MFLOPs，到 ResNet-34 的 22 M 参数量，3.77 GFLOPs。

时刻耗费的测验成果：

内存占用的测验成果：

依据以上数据，全体看现在的 zk 算法以及具有支撑对大模型生成 proof 的或许性，但相应的本钱仍旧很高，需求乃至 10 倍以上的优化。以 Gloth16 为例，虽然获益于高并发带来的 computation time 的优化，可是作为 tradeoff 内存占用显著增加。Plonky2 和 zkCNN 在时刻和空间上的表现相同验证了这一点。

那么现在问题其实就从 zkp system 是否能够支撑链上 AI 改动为了支撑 AI+Blockchain 付出代价值不值？而且随着模型参数的指数级上升，对 proof system 的压力也会迅速增加。确实，现在有 trustless 的神经网络吗，没有！便是因为本钱算不过来。

因而，打造一个为 AI 定制化的 proof system 至关重要。一起，完结对 AI 这种单次调用核算十分复杂的逻辑，gas 的耗费模型也需重新规划，一个高性能的 zkvm 至关重要，但现在咱们现已能看到许多高性能的测验，比方 OlaVM, polygon Miden 等，这些根底设施的不断优化极大进步了 onchain-AI 的可行性。

三、使用是否值得等待？

虽然链上 AI 还在很前期阶段，用上面的分层来看或许只处于开始到开展之间，但 AI 这个方向从不缺少优秀的团队和立异的想法。

就像上面说的，从 AI + Blockchain 开展阶段看现在商场处于开始到开展的中间阶段，产品测验方向仍是以依据现有功能对用户体会优化为主。但最能体现价值的仍是经过 AI 在链大将 trustless 的主体由人变为东西，在安全性和功率上推翻原有的产品形状。

下面从一些现有的使用测验动身，剖析一下 AI + Blockchain 长时间的产品开展方向

1）The Rockefeller Bot：国际上第一个 on-chain AI

Rockefeller 是 modulus lab 团队推出的第一个链上 AI 的产品，有很强的“纪念价值”。这个模型本质上是一个 trading bot，详细来说，rockefeller 的训练数据是许多链上揭露的 WEth-USDC 的 price/exchange rate，其自身是一个三层前馈经网络模型，猜测目标是未来 WEth 价格涨跌。

以下是当 trading bot 决议计划要进行买卖时的流程：

Rockefeller 在 ZK-rollup 上对猜测成果生成 ZKP；

ZKP 在 L1 上被验证（资金由 L1 的合约保管），并履行操作；

能够看出 trading bot 的猜测、资金操作彻底是去中心化且 trustless 的，就像上面提到的，从更高维度看 rockefeller 更像是一种全新的 Defi 玩法。相比于信赖其他 trader，这种方式下其实用户赌的是 transparent + verifiable + autonomous 的模型。用户能够不需求信赖中心化的组织保证模型决议计划进程的合法性。一起，AI 也能最大程度上的消除人道的影响，更决断地进行买卖。

你或许现已想给 Rockefeller 注点资金玩一玩了，但这真的能挣钱吗？

并不能，按照 modulus 团队的说法，与其说 rockefeller 是一个使用，他更像是 on-chain AI 的 POC，因为本钱、功率、证明系统等多方面的约束，rockefeller 的首要意图是作为一个 demo 让 web3 国际看到 on-chain AI 的可行性。（Rockefeller 现已完结任务下线 T T）

2）Leela：国际上第一个 on-chain AI game

最近发布的 Leela v.s. the world 相同是出自 modulus lab。游戏机制很简单，人类玩家组成阵营对战 AI。游戏中玩家能够质押下注，最终谁会赢得对局，每次 match 完毕后 loser’s pool 会依据质押代币的数量相应地分配给 winner。

提到 on-chain AI，这次 modulus lab 布置了一个更大的 deep neural network (Parameter 数量 > 3,700,000)。虽然在模型规划和产品内容上 Leela 都逾越了 rockefeller，但归根到底这仍是一次大型的 on-chain AI experiment。Leela 的背后的机制和运转方式才是需求重视的，这能帮咱们更好地了解链上 AI 的运转方式和改进空间，以下是官方给出的逻辑图：

Leela 的每一次 move，也便是每次猜测，都会生成 ZKP，而且只要在经过合约验证之后才会在游戏内生效。也便是说，获益于 trustless autonomous AI，用户下注的资金和公正性彻底遭到密码学的保护还不需求信赖游戏开发者。

Leela 选用的是 Halo2 算法，首要原因是它的东西和规划的灵活性能够协助规划更高效的证明系统，详细 performance 状况能够参阅上面的测验数据。但一起在 Leela 的运转中 modulus 团队也发现了 Halo2 的弊端，比方生成证明的速度较慢，对 one-shot proving 不友爱等。因而，也更加印证了之前依据测验数据得出的定论：假如需求将更大的模型带入 web3，咱们需求开发更强壮的 proof system。

不过 Leela 的价值在于给咱们带来了 AI + Web3 game 更大的幻想空间，王者荣耀玩家此刻应该无比希望王者匹配算法 fully on-chain:) Gamefi 需求更优质的内容支撑和更公正的游戏系统，而 on-chain AI 刚好供给了这一点。打个比方，在游戏中参加 AI-driven 的游戏场景或许 NPC，不管是玩家的游戏体会仍是经济系统的玩法都供给了巨大的幻想空间。

3）Worldcoin：AI + KYC

Worldcoin 是一个链上身份系统（Privacy-Preserving Proof-of-Personhood Protocol)，经过生物识别树立身份系统并完结付出等衍生功能，处理的问题是对抗女巫进犯，现在的注册用户超过了 1.4 m。

用户经过一个叫 Orb 的硬件扫描虹膜，将个人信息添加到数据库中，Worldcoin 经过 Orb 硬件中的核算环境运转 CNN 模型压缩并证实用户虹膜数据的有效性。听上去很强，但假如需求做到身份验证的真实去中心化，worldcoin 团队正在探究经过 ZKP 验证模型的输出。

挑战

值得一提的是，worldcoin 的 CNN 模型的 size：参数 = 1.8 million，层数 = 50。依据上面展示的测验数据，现有的 proof system 在时刻上彻底能够担任，但内存耗费对于消费级的硬件来说是不或许完结的。

4）其他项目

Pragma：Pargma 是从 starkware 生态上开展起来的 ZK oracle。一起团队也在探究如何经过链上 AI 处理去中心化链下数据验证的问题。用户不再需求信赖 validator，而是经过满足精准且可验证的链上 AI 完结验证链下 data source 的工作，比方对于实际财物或许身份的验证能够直接让 AI 去读取相印的物理信息作为输入并做出决议计划。

Lyra finance：Lyra finance 是一个 option AMM，供给衍生品买卖商场。为了进步本钱利用率，Lyra 团队和 modulus lab 正在合作开发依据可验证 AI 模型的 AMM。依据可验证的、公正的 AI 模型，Lyra finance 有时机成为 AI + Blockchain 的一次大规划落地实验，为 web3 用户首次带来公正的 matchmaking，经过 AI 对链上商场进行优化，供给更高的报答。

Giza：ZKML 渠道，将模型直接布置在链上而不是进行链下验证，Nice try，but…因为算力以及 Cairo 不支撑 CUDA-based 的证明生成的问题，Giza 只能支撑一些小模型的布置。这也是最丧命的问题，从长时间来看，能对 web3 产生推翻性影响的必定是大模型，而这种规划的模型必须有强壮的硬件支撑，比方 GPU。

Zama-ai：模型的同态加密。同态加密是一种加密方式，简单表示为：f [E (x)] = E [f (x)]，其中 f 是运算操作，E 代表同态加密算法，x 是变量，比方：E (a) + E (b) = E (a + b)。答应对密文进行特定方式的代数运算得到仍然是加密的成果，将其解密所得到的成果与对明文进行相同的运算成果一样。模型的隐私性一直是 AI + Blockchain 方向的热点和瓶颈，虽然 zk 对隐私友爱，但 zk 不等于 privacy。zama 致力于保证模型履行的 privacy-preserving。

ML-as-a-service：这现在还仅仅一个考虑方向，没有详细的落地使用，但意图是经过 ZKP 处理中心化 ML 服务供给者作恶以及用户信赖的问题。Daniel Kang 在文章“Trustless Verification of Machine Learning”中有详细的描绘（参阅文中的一张图）

四、关于 AI + Blockchain 的总结

全体来说，在 web3 国际里的 AI 处于十分前期的阶段，可是毋庸置疑的是 onchain-AI 的成熟和遍及必定会把 web3 的价值带到另一个高度。从技能上看，区块链能给 AI 供给共同的根底设施，AI 也是改动 web3 生产关系的重要东西，两者的结合能够碰撞出许多或许性，这也是值得振奋和打开幻想力的当地。

从 AI 上链的动力看，一方面，transparent + verifiable 的链上 AI 将去中心化和 trustless 的主体从人变为 AI 东西，极大进步了功率、安全性，而且为发明全新的产品形状供给了或许性；另一方面，区块链的根底设施不断迭代，web3 真实需求一个能让这些根底设施发挥最大价值的杀手级使用，ZKML 刚好契合这一点，比方 ZK-rollup 未来很或许作为 AI 进入 web3 的进口。

从可行性上看，现在的根底设施能必定程度上支撑必定规划的模型，但还有许多不确定要素。经过 ZKP 做可验证模型现在看是 AI 上链的必经之路，或许也是确定性最强的将 AI 带入的 web3 使用的技能途径。可是久远来看现在的 proof system 需求再进行指数级的进步才干满足支撑日渐巨大的模型。

从使用场景看，AI 简直能够完美地参加到任何一个 web3 的方向，不管是 game、Defi、DID、tooling……虽然现在已有的项目十分匮乏而且缺少长时间价值，还没有从一种进步功率的东西改动为改动生产关系的使用。但值得振奋的是有人迈出了第一步，咱们能够看到 AI + blockchain 的最前期的样子和之后的或许性。