ZK：链上AI推进器的角色

本文来源于ModulusLabs，编译程序为DeFi之法。非常高兴能和大家分享我们自己的第一篇毕业论文《The Cost of Intelligence: Proving Machine Learning Inference with Zero-Knowledge》（或称paper0）。这篇文章是根据以太坊基金会的支持完成的，并且探讨了基础理论构造及其对性能产生的影响。

我们的研究工作是第一个跨通用性AI原语模块对ZK证明系统开展基准测试的研究，包含了真实的数据图表和表格。本文将提供毕业论文总结、相关详细资料以及客户程序原毕业论文。

我们将文章分为以下几个部分：

部分一：Paper0的调研关键点

我们发现，计算出来的人工智能在今后将广泛使用。然而，在链中并没有多功能性神经元网络，最小强烈推荐系统或搜索算法。因此，我们想知道怎样才能把AI方式带到不用信赖世界。我们从Starkware、MatterLabs和其他企业找到了Rollup服务项目，使用零知识证明来规模性拓展测算，同时保持密码算法安全性，这也成为推动我们在paper0中相关工作的鼓励种籽。

部分二：标准实验设计方案

大家关心针对paper0中6个证明系统的2个基本指标：证明生成时间和prover内存使用最高值。我们通过全部精确测量，针对证明生成时间所进行的测量，并列出了6个测试证明系统的明细表格和参数深度基准模块。

部分三：结论迅如雷电

根据我们对6个证明系统的测试结论，我们得出一些非常有趣的结果。例如，对于证明时长层面，Plonky2是迄今为止表现最好的系统，但其性能较弱，有时会让Halo2的最高值RAM需求量翻番。而在证明时间与运行内存层面，根据GKR的zkCNNprover比较适合解决大中型模型。

部分四：用例和最后关键点

我们提供了两个实例，分别是Worldcoin和AIArena。对于这两个应用场景

热点：比特币角色 nft角色 角色NFT 链上比特币 链上NFT