Zero knowledge (không kiến thức) và machine learning (máy học). Chúng là những xu hướng hot mới đang nổi lên không chỉ trong thế giới tiền điện tử mà còn trong các ngành công nghiệp khác nhau. Đó là một sự pha trộn khá hấp dẫn của hai công nghệ đã thu hút rất nhiều sự quan tâm từ các công ty, tổ chức và nhà phát triển tiền điện tử.

Liên minh công nghệ zero knowledge và machine learning này là gì? Với những gì nó cung cấp, làm thế nào để có thể sử dụng được nó trong các ngành công nghiệp khác nhau và làm thế nào nó có thể trở thành một phần của thế giới tiền điện tử? Những câu hỏi đó và hàng loạt các câu hỏi khác sẽ được trả lời trong bài dưới đây. Nhưng trước khi làm điều đó, chúng ta hãy cùng xem lại zero knowledge là gì.

Zero Knowledge (ZK) là gì?

Zero-knowledge (ZK) là một khái niệm trong mật mã học, đề cập đến khả năng chứng minh tính đúng đắn của một câu lệnh hoặc khẳng định mà không tiết lộ bất kỳ thông tin bổ sung nào ngoài việc câu lệnh đó là đúng. Nó cho phép một bên, gọi là bên chứng minh, thuyết phục một bên khác, gọi là bên xác minh, rằng một câu lệnh cụ thể là đúng mà không tiết lộ bất kỳ kiến thức hay chi tiết nào về câu lệnh ngoài việc đúng đắn của nó.

Ý tưởng đằng sau zero knowledge là cung cấp một phương pháp để chứng minh kiến thức hoặc tính đúng đắn của một câu lệnh mà không tiết lộ bất kỳ thông tin không cần thiết nào. Khái niệm này có những tác động quan trọng đối với quyền riêng tư và an ninh, vì nó cho phép xác thực và xác minh dữ liệu hoặc khẳng định mà không tiết lộ thông tin nhạy cảm hoặc bí mật.

Để đạt được zero knowledge, thường sử dụng các hệ thống chứng minh tương tác. Trong các hệ thống này, bên chứng minh và bên xác minh tham gia vào một loạt giao tiếp trong đó bên chứng minh chứng minh tính đúng đắn của câu lệnh. Thông qua các giao tiếp này, bên xác minh nhận được sự tin tưởng về tính đúng đắn của câu lệnh mà không học được bất kỳ thông tin bổ sung nào có thể được sử dụng để tái hiện hoặc giả mạo bằng chứng.

Hiện tại, các bằng chứng zero knowledge (ZKPs) được triển khai trong thế giới tiền điện tử nhằm nâng cao tính riêng tư và an ninh. Một số ứng dụng bao gồm:

• Giao dịch bí mật: ZKPs che giấu số lượng giao dịch trong khi đảm bảo tính đúng đắn (ví dụ: Zcash).
• Tiền điện tử bảo mật: ZKPs như chữ ký vòng che giấu danh tính người gửi (ví dụ: Monero, Dash).
• zk-SNARKs: ZKPs cho việc xác minh giao dịch và hợp đồng thông minh hiệu quả và bảo mật (ví dụ: Zcash, Ethereum).
• Sàn giao dịch phi tập trung: ZKPs cho phép giao dịch phi tín nhiệm và bí mật mà không tiết lộ chi tiết.
• Nhận dạng và xác thực: ZKPs cung cấp hệ thống xác thực an toàn và riêng tư.
• Tính khả năng mở rộng và xác minh: ZKPs cải thiện tính khả năng mở rộng bằng cách tổng hợp giao dịch (ví dụ: zk-rollups).

Các triển khai này cải thiện tính riêng tư, an ninh và khả năng mở rộng trong không gian tiền điện tử. Hiện có vô số đội ngũ đang làm việc để cải thiện các công nghệ zero knowledge khác nhau.

Một số người quan tâm nhiều đến các trường hợp sử dụng của nó, trong khi những người khác cố gắng giải quyết vấn đề sẵn có của công nghệ này đối với đại chúng. Tuy nhiên, dự kiến khi ZK trưởng thành, các máy tính ít mạnh mẽ hơn sẽ có thể chứng minh các mô hình lớn trong thời gian ngắn hơn. Điều này chủ yếu là nhờ vào cải tiến của phần cứng chuyên dụng.

Liệu ZKML có cần thiết?

Tuy nhiên, điều này cũng sẽ cho phép hợp nhất giữa zero knowledge và machine learning. Machine learning có thể hưởng lợi từ zero knowledge ở mức độ dữ liệu cá nhân, trong đó người dùng có thể nhận được kết quả của việc suy luận mô hình trên dữ liệu đã cho mà không cần tiết lộ thông tin đầu vào cho bất kỳ ai, ví dụ như vậy.

Đây là một trong những ví dụ cho thấy tại sao các mô hình và ứng dụng zero knowledge machine learning (ZKML) đang nhận được sự quan tâm ngày càng nhiều. Nói chung, ZKML sẽ giải quyết nhu cầu xác minh thông tin nhạy cảm giữa các bên mà không cần thực sự chia sẻ chúng. Mong muốn giấu thông tin đầu vào sẽ là một trong những động lực chính của sự tiến bộ của công nghệ này.

Ví dụ tốt nhất từ cuộc sống thực là lĩnh vực chăm sóc sức khỏe. ZKML có thể được sử dụng trong lĩnh vực này để dự đoán bệnh tật nhờ chạy các mô hình ML trên dữ liệu y tế nhạy cảm. Điều này sẽ dẫn đến không chỉ hiệu quả chẩn đoán tốt hơn, mà còn đảm bảo dữ liệu nhạy cảm của bệnh nhân được giữ bí mật.

Tuy nhiên, để có kết quả đúng đắn cho bất kỳ thông tin nào, các thực thể hạ nguồn sử dụng các mô hình machine learning sẽ cần đảm bảo rằng thông tin đầu vào là chính xác, vì thông tin đầu vào không chính xác sẽ dẫn đến kết quả sai (thông tin rác vào, thông tin rác ra). Và do đó, ZK có thể được sử dụng để mang lại lợi ích cho cả hai bên và đáp ứng các yêu cầu dường như trái ngược nhau của họ.

Các trường hợp sử dụng ZKML trong thế giới thực

Khi xem xét sự kết hợp giữa bằng chứng zero knowledge và machine learning, có một số lĩnh vực tiềm năng mà sự kết hợp công nghệ này có thể hữu ích và được áp dụng. Các lĩnh vực này bao gồm:

• Xác thực mô hình: Bằng chứng zero knowledge có thể xác minh rằng mô hình machine learning được truy cập thông qua một API thực sự là mô hình được dự định, ngăn chặn sự thay thế gian lận của các mô hình. Điều này được thực hiện thông qua các khung như cam kết chức năng và các hệ thống cam kết bằng chứng zero knowledge dựa trên SNARK.
• Tính toàn vẹn của mô hình: Bằng chứng zero knowledge có thể đảm bảo rằng cùng một thuật toán machine learning được áp dụng đồng nhất cho dữ liệu của các người dùng khác nhau. Điều này đặc biệt hữu ích trong các lĩnh vực nhạy cảm như định điểm tín dụng hoặc ứng dụng y tế, nơi cần tránh thiên vị. Cam kết chức năng có thể được sử dụng để xác minh rằng mô hình chạy với các tham số cam kết cho dữ liệu của từng người dùng.
• Xác nhận thông tin: Bằng chứng zero knowledge có thể tích hợp các xác nhận từ các bên đã được xác minh từ bên ngoài vào các mô hình trên chuỗi hoặc hợp đồng thông minh. Bằng cách xác minh chữ ký số bằng bằng chứng zero knowledge, có thể đảm bảo tính xác thực và nguồn gốc của thông tin, chẳng hạn như hình ảnh hoặc dữ liệu cảm biến.
• Suy luận hoặc đào tạo phi tập trung: Bằng chứng zero knowledge có thể cho phép suy luận hoặc đào tạo machine learning phi tập trung. Các mô hình hiện có có thể được triển khai trên chuỗi và bằng chứng zero knowledge có thể được sử dụng để nén các mô hình. Các dự án như EZKL và Gensyn đang phát triển các phương pháp xác minh và đào tạo các mô hình trên chuỗi bằng cách sử dụng bằng chứng zero knowledge.
• Chứng minh sự hiện diện cá nhân: Bằng chứng zero knowledge có thể xác minh rằng một cá nhân là duy nhất mà không tiết lộ thông tin cá nhân. Ví dụ, quét sinh trắc học hoặc nộp giấy tờ ID của chính phủ có thể được sử dụng để xác minh, và bằng chứng zero knowledge có thể xác nhận việc xác minh mà không tiết lộ chi tiết danh tính.

Các trường hợp sử dụng ZKML trong thế giới crypto 

Rõ ràng, không phải tất cả các trường hợp sử dụng đã được đề cập trước đây có thể được áp dụng trực tiếp vào thế giới tiền điện tử. Tuy nhiên, điều đó không có nghĩa là công nghệ mới nổi này không thể hỗ trợ cho ngành này. Ngược lại, các nhà phân tích và chuyên gia đã liệt kê một số lĩnh vực có thể áp dụng công nghệ này.

• Tài chính phi tập trung (DeFi) ZKML có thể được sử dụng để xác thực các chiến lược tối đa hóa lợi nhuận hoặc cân bằng lại các pool cho người dùng.
• Trò chơi: ZKML có thể được sử dụng để xác thực cơ chế đặt cược hoặc người chơi.
• Nhận dạng danh tính: ZKML có thể được sử dụng để thực hiện phân tích trí tuệ nhân tạo về thông tin sinh trắc học của người dùng.

Ví dụ về việc sử dụng ZKML trong lĩnh vực nhận dạng/ID có thể được giải thích tốt nhất thông qua ví dụ của Worldcoin. Với Worldcoin, người dùng phải quét mống mắt của họ để cung cấp “bằng chứng danh tính.” Với ZKML, họ sẽ có thể giữ các thông tin sinh trắc học của riêng họ trong bộ nhớ lưu trữ được mã hóa, ví dụ trên điện thoại di động của họ.

Khi tải xuống mô hình ML để tạo mã mống mắt, họ sẽ có thể tạo ra bằng chứng zero knowledge (ZKP) ngay tại thiết bị của mình hoặc trong tài khoản của họ và chứng minh rằng mã mống mắt của họ được tạo ra bằng cách sử dụng các mô hình chính xác. Nó cũng mang lại lợi ích về khả năng nâng cấp mã mống mắt, tuy nhiên, đó là một chủ đề phức tạp và cao cấp hơn nhiều.

Mặc dù công nghệ này vẫn còn đang ở giai đoạn đầu phát triển, nhưng đã có nhiều dự án đang xem xét nó và cách triển khai nó không chỉ trong lĩnh vực tiền điện tử mà còn trong các ngành công nghiệp khác. Bên cạnh Worldcoin được đề cập ở trên, các dự án này bao gồm Giza, Modulus Labs, Axiom, Secret Network hay Oasis Network.

Tạm kết

Zero knowledge machine learning chắc chắn là một khái niệm hấp dẫn sẽ được khám phá sâu hơn trong những tháng tới. Tuy nhiên, đây vẫn là một khái niệm rất mới mẻ và cần rất nhiều thời gian để chứng minh rằng nó thực sự có thể được sử dụng trong thế giới thực hoặc ít nhất là trong thế giới tiền điện tử. Nếu không, nó có thể nhanh chóng trở thành một đổi mới công nghệ bị thổi phồng và không có sự sử dụng hoặc nhu cầu thực tế.

 

Tham gia cộng đồng BingX của chúng tôi để có cơ hội học hỏi thêm về các lĩnh vực crypto, Web3 và NFTs!

Facebook:  https://www.facebook.com/BingXVietnam/

Twitter:  https://twitter.com/BingXVietnam

Telegram:  https://t.me/BingXVietnam

 

Khuyến cáo: Độc giả nên thực hiện nghiên cứu riêng của mình trước khi thực hiện bất kỳ hành động nào. BingX không chịu trách nhiệm trực tiếp hoặc gián tiếp về bất kỳ thiệt hại hay mất mát nào được gây ra hoặc được truyền thông là do sử dụng, tin tưởng vào bất kỳ nội dung, hàng hóa hay dịch vụ nào được đề cập trong bài viết.