撰文：zf857.eth

近日，英伟达发布第一季度业绩报告，营收 71.9 亿美元，超出市场预期的 65.2 亿美元，毛利率 64.6%，调整后每股收益 1.09 美元，市场预期 0.92 美元。由于英伟达财报超出预期，带动美股芯片股盘后集体上涨，英伟达盘后一度涨 29.35%，股价最高触及 395 美元，创历史新高，市值直逼「万亿」，AI 芯片需求远超预期，英伟达市值在一个交易日内暴涨 1840 亿美元，涨出了 3 个比特币的总市值。

英伟达 CEO 黄仁勋在发布财报时提到了有关 AI 应用的广阔前景，称计算机行业正在同时经历两个转变——加速计算和生成式 AI，企业竞相将生成式 AI 应用到各个产品、服务和业务流程中，全球万亿美元规模的已安装数据中心将从通用计算转变到加速计算。

当前，几乎所有头部美元基金与机构都紧盯着 AIGC 赛道，通过积极建立选投坐标快速构建筛选体系，唯恐错过了通往时代的列车。相关数据显示,2023 年一季度全球 AIGC 行业融资总额达 38.11 亿元，融资次数共计 17 次。一个风口的兴起往往代表着另一风口的衰落。人们逐渐对 WEB3 提出各种各样的质疑：「资本都去看 AI 了，Web3 监管收严、叙事不行了」，「AI 比 Web3 看起来靠谱，也更容易出独角兽」。

自人类历史的黎明以来，集体故事一直在定义我们的文化，并丰富我们对世界的理解，叙事的重要性不言而喻。如今，人工智能的叙事正逐渐深入人心，甚至渗透到了 Web3 领域。有业内人士开始提出「没有 AI 的 Web3 是没有灵魂的」，有超过半数的 Web3 公司已经开始转向 AI。那么，AI+Web3 将如何融合？近期，源自零知识证明和机器学习的新兴结合体 ZKML 叙事走热，它将如何协同人工智能和 Web3，建立一个可信任的、去中心化的未来？

一、AI 需要 Web3，反之亦然

CoinDesk 的首席内容官迈克尔 - 凯西 (Michael Casey) 说：「将加密货币和人工智能视为不相关的技术是一个错误。它们是相辅相成的，彼此都在改进对方。」

Web3、加密货币和区块链解决了自互联网开始以来一直存在的社会挑战，即在去中心化的环境中如何保持有价值的信息安全。它们通过采用分布式记录和激励机制的新系统来处理人类对信息的信任问题。这些系统帮助由不信任的陌生人组成的社区集体维护开放的数据记录，使他们能够在没有中间人的情况下分发和分享有价值或敏感的信息。

当前，我们正迅速迈向全面人工智能时代，而这一时代所带来的挑战是十分艰巨的。这些挑战涵盖了多个方面，从保护大型语言模型（LLMs）输入的版权，到避免其输出中出现错误的偏见，再到我们目前无法准确区分真实内容和由人工智能创造的虚假信息所带来的「说谎者红利」。要确保人类不受人工智能的负面影响，没有简单的解决方法可言。任何解决方案都不能依赖于过时的 20 世纪监管和技术框架来解决这些问题。我们迫切需要一个去中心化的治理系统，以应对在这个新时代如何生产、验证和分享信息的挑战。

无论目前的 Web3 是否能提供所需的解决方案，区块链技术确实在解决这些问题方面发挥了一定的作用。不可篡改的账本使我们能够追踪图像和其他内容的来源，从而防止深度伪造。这种技术也可以用于验证机器学习人工智能产品数据集的完整性。加密货币提供了一种无边界的数字支付方式，可用于向全球为人工智能培训做出贡献的人们提供报酬，如 Bittensor 等项目正在努力建立代币化的区块链 - 政府社区，以激励人工智能开发者构建对人类友好的模型。与此相反，私营公司拥有的人工智能系统通常将股东利益置于用户权益之上。

在这些想法能够实现并规模化之前，我们还有很长的路要走。我们将需要整合一系列其他技术，例如零知识证明（ZK）、同态加密、安全计算、数字身份和去中心化凭证（DID）、物联网等。此外，我们还需要解决隐私保护、惩罚不良行为、鼓励以人为本的创新智能以及多方立法监管等诸多挑战。

二、ZKML 如何架起 AI 和区块链的桥梁

近期，源自零知识证明和机器学习的新兴结合体 ZKML 被广泛讨论。目前，机器学习（ML）的部署变得越来越复杂。很多企业主要依赖于亚马逊、谷歌、微软等服务提供商来部署复杂的机器学习模型。然而，这些服务变得越来越难以审计和理解。作为 AI 服务的消费者，我们如何相信这些模型所提供预测的有效性呢？

ZKML 作为人工智能和区块链之间的桥梁，解决了 AI 模型和输入的隐私保护问题，同时确保了推理过程的可验证性。它提供了一种解决方案，使得可以在验证私有数据时使用公共模型，或在验证私有模型时使用公共数据。通过添加机器学习功能，智能合约能够变得更加自主和动态，使其能够根据实时链上数据而不是静态规则进行处理。这样一来，智能合约将更具灵活性，能够适应更多场景，甚至是那些在最初创建合约时可能没有预料到的场景。

当前，机器学习算法在区块链上广泛采用的困难之一是其高昂的计算成本。由于百万级别的浮点运算无法直接在以太坊虚拟机（EVM）上执行，因此在链上运行这些模型成为一个挑战。另外，机器学习模型的信任问题也是一个障碍，因为模型的参数和输入数据集通常是私有的，而模型的算法和运行过程又如同一个不透明的「黑匣子」，这可能引发模型拥有者和模型使用者之间的信任问题。然而，通过 ZKML 技术，我们可以克服这些问题。ZKML 允许任何人在链下运行一个模型，并生成一个简洁且可验证的证明，证明该模型确实产生了特定的结果。这个证明可以在链上发布，并由智能合约进行验证。这意味着模型使用者可以验证模型的结果，而无需了解模型的具体参数和运行细节，从而解决了信任问题。

通过上述图表，我们可以看到 ZKML 技术兼具计算完整性、启发式优化和隐私保护等特点。这种技术在 Web3 领域有着广泛的应用前景，并且正在快速发展。越来越多的团队和个人加入了这个领域，推动着各种潜力巨大的 ZKML 项目的开发。

三、ZKML 项目分析

以下是一些潜力 ZKML 项目。

1、Worldcoin

Worldcoin 正在应用 ZKML，试图建立一个保护隐私的人格证明协议。World ID 用户将能够在他们的移动设备的加密存储中自我保管其生物特征（如虹膜），下载用于生成 IrisCode 的 ML 模型并在本地创建零知识证明，接收的智能合约可以证明其 IrisCode 已成功创建。

然后，可用于执行有用的操作，如成员资格认证和投票。他们目前使用具有安全 enclave 的可信运行环境来验证摄像头签名的虹膜扫描，但他们最终的目标是使用 ZKP 来证明神经网络对加密级别安全保障的正确推理，并且保证 ML 模型的输出不会泄露用户的个人数据。

2、Modulus Labs

Modulus Labs 是 ZKML 领域中最多样化的项目之一，致力于相关研究的同时也在积极构建链上 AI 应用范例，Modulus Labs 通过 RockyBot（链上交易机器人）和 Leela vs. the World（一种国际象棋游戏，所有人与经验证的 Leela 国际象棋引擎实例对决）展示了 zkML 的用例。该团队还涉足研究领域，撰写了 The Cost of Intelligence（智能的成本）一文，对不同大小模型的各种验证系统的速度和效率进行了基准测试。

3、Giza

Giza 是一种可以以一种完全无需信任的方法在链上部署 AI 模型的协议。它使用的技术栈包括用于机器学习模型的 ONNX 格式，用于将这些模型转换为 Cairo 程序格式的 Giza Transpiler，用于以可验证和确定性的方式执行模型的 ONNX Cairo Runtime，以及用于部署和执行链上模型的 Giza Model 智能合约。Giza 总体上属于机器学习模型到证明的链上编译器，为链上 AI 的发展提供一个替代路径。

4、Zkaptcha

Zkaptcha 专注于 Web3 中的机器人问题，为智能合约提供 captcha（验证码）服务，保护智能合约免受机器人攻击，使用零知识证明来创建抗女巫攻击的智能合约。目前，该项目使终端用户通过完成 captcha 验证码来产生一个人类工作的证明，captcha 由链上验证者验证，并通过几行代码由智能合约访问。未来，Zkaptcha 将继承 zkML，推出类似于现有的 Web 2 验证码服务，甚至可以分析鼠标运动等行为，以确定用户是否为真人。

目前看来，zkML 赛道还处于初级阶段，但我们有理由相信会 zkML 的力量可以给 crypto 带来更好的前景和发展，也期待该领域能出现更多样的产品，zk 技术和 crypto 为 ML 的运行提供安全可信的环境，而未来除了产品的创新之外，还可能会催生 crypto 商业模式的创新，因为在这个狂野和无政府的 Web 3 世界中，去中心化、crypto 技术和信任才是最最基础的设施。

结语

在日益复杂和不确定的数字世界中建立信任，一直是人工智能和 Web3 所面临的核心挑战。然而，将人工智能与 Web3 相融合却为建立一个信任、安全的去中心化未来带来了巨大希望。对于开发者、技术专家、政策制定者和整个社会而言，共同塑造人工智能和 Web3 的未来至关重要，我们或许可以创造出一个超乎想象的智能互联网时代。