幸运快艇捕鱼网上申请体育彩票_

原文：a16z幸运快艇真人百家乐

皇冠hg86a

编译：DeFi之说念

在往时的几年里，区块链上的零学问阐明主要用于两个重要主张：(1) 通过在链下处理往还并在主网上考证扫尾来膨大贪图受限收集的范畴；(2) 通过竣事屏蔽往还复保护用户狡饰，唯有领有解密密钥的东说念主才能稽察。在区块链布景下，这些特点昭着是可取的：去中心化收集（如以太坊）不行在分袂考证者处理才能、带宽和延伸提议无法承受的条件的情况下提升糊涂量或区块大小（因此需要有用性转机），悉数往还齐对任何东说念主可见（因此需要链上狡饰处分决议）。

但零学问阐明对于第三类功能亦然有用的：高效地考证任何类型的贪图（而不单是是在链下实例化的EVM中的贪图）如故正确运行。这对区块链以外的领域也有很大影响。

咫尺，期骗零学问阐明粗略地考证贪图才能的系统的向上使用户能够从每一个数字家具中条件与区块链所保证的换取进度的无信任和可考证性，尤其是从机器学习模子中。区块链贪图的高需求激发了零学问阐明磋议，创造了具有较小内存占用和更快阐明和考证时刻的当代阐明系统——使得咫尺不错在链上考证某些微型机器学习算法。

皇冠体育免费试玩

到咫尺为止，咱们齐可能如故体验到了与一个格外强劲的机器学习家具互动的后劲。几天前，我用GPT-4匡助我创建了一个能联络打败我棋战的AI。这嗅觉像是往时几十年里机器学习取得的悉数向上的一个诗意的缩影：IBM的开采东说念主员花了十二年时刻制作出Deep Blue，一个运行在32节点IBM RS/6000 SP贪图机上、能每秒评估近2亿个棋步的模子，该模子在1997年打败了海外象棋冠军加里·卡斯帕罗夫。比较之下，我花了几个小时——在我这边只进行了最少的编码——就创建了一个能驯顺我的步伐。

幸运快艇捕鱼

天然，我怀疑我创建的AI是否能在海外象棋上打败加里·卡斯帕罗夫，但这并不是重心。重心是任何挖苦GPT-4的东说念主齐可能在得回超才能方面有相同的阅历：你只需要付出很小的竭力，就不错创造出接近或突出你我方才能的东西。咱们齐是IBM的磋议员；咱们齐是加里·卡斯帕罗夫。

昭着，这让东说念主兴奋又有些震惊。对于任安在加密货币行业责任的东说念主来说，天然的反映（在讴歌于机器学习能作念什么之后）是探讨潜在的集会化路子以及如何将这些路子去中心化，酿成一个东说念主们不错透明审计和领有的收集。咫尺的模子是通过吞吃大齐公开可用的文本和数据制作的，但咫尺唯有少数东说念主限度和领有这些模子。更具体地说，问题不是“东说念主工智能是否具有重大价值”，而是“咱们如何构建这些系统，使得与之互动的任何东说念主齐能得回其经济利益，并在他们但愿的情况下，确保他们的数据以尊重狡饰权的表情使用”。

最近，有东说念主命令暂停或减缓相同Chat-GPT这么的重要东说念主工智能技俩的发展。拦截向上可能不是处分决议：更好的方法是激动开源模子，并在模子提供商但愿保护其权重或数据玄机性的情况下，使用保护狡饰的零学问阐明对它们进行保护，这些阐明在链上何况不错完全审计。如今，对于独到模子权重和数据的后一种用例尚无法在链上竣事，但零学问阐明系统的向上将在将来竣事这一指标。

网上申请体育彩票可考证和可领有的机器学习

我使用Chat-GPT构建的海外象棋AI在咫尺看来相对无害：输出相对一致的步伐，不使用骚动有价值学问产权或骚动狡饰的数据。但当咱们思确保咱们被陈述的在API背面运行的模子照实是运行过的模子时会若何样？或者，若是我思将认证过的数据输入到链上的模子中，并确保数据照实来自正当方？若是我思确保提交数据的“东说念主”本体上是东说念主而不是试图对我的收集发起拜占庭报复的机器东说念主呢？零学问阐明过头粗略地默示和考证大肆步伐的才能是一种处分方法。

需要介怀的是，咫尺在链上机器学习布景下，零学问阐明的主要用途是考证正确的贪图。换句话说，在机器学习布景下，零学问阐明和更具体的SNARK（粗略的非交互式学问论证）最有用的所在在于它们的粗略性特点。这是因为零学问阐明保护了阐明者（过头处理的数据）免受窥视者的骚动。完全同态加密（FHE）、功能加密或果真推行环境（TEE）等增强狡饰的技艺更适用于让不受信任的阐明者在独到输入数据上运行贪图（更深刻地探讨这些技艺超出了本文的范围）。

皇冠客服飞机：@seo3687

让咱们退后一步，从高线索了解不错用零学问默示的机器学习应用类型（要深刻了解零学问，请参阅咱们对于零学问阐明算法和硬件的校阅的著述，稽察Justin Thaler对于SNARK性能的磋议，或者稽察咱们的零学问讲义）。零学问阐明通常将步伐默示为算术电路：使用这些电路，阐明者从全球和独到输入生成阐明，考证者通过数学贪图来确保此语句的输出是正确的——而不获取对于独到输入的任何信息。

咱们仍处于使用链上零学问阐明考证贪图的格外早期阶段，但算法的校阅正在扩大可行的范围。以下是五种在机器学习中应用零学问阐明的方法。

1.模子信得过性：您但愿确保某个实体宣称如故运行的机器学习模子照实是运行过的模子。举例，在某个模子位于API背面的情况下，提供特定模子的实体可能有多个版块，举例一个较低廉、准确度较低的版块，以及一个较贵、性能更高的版块。莫得阐明，您无法知说念当您本体支付了更郁勃的版块时，提供商是否为您提供了更低廉的模子（举例，提供商但愿省俭事业器老本并提升利润率）。

中场博彩

为此，您需要为每个模子实例提供单独的阐明。一个本体的方法是通过Dan Boneh、Wilson Nguyen和Alex Ozdemir的功能情愿框架，这是一个基于SNARK的零学问情愿决议，允许模子悉数者情愿一个模子，用户不错将他们的数据输入到该模子中，并接受到如故运行的情愿模子的考证。一些基于Risc Zero（一个通用的基于STARK的凭空机）的应用步伐也竣事了这少许。Daniel Kang、Tatsunori Hashimoto、Ion Stoica和Yi Sun进行的其他磋议标明，不错在ImageNet数据集上考证有用的预计，准确率为92%（与最高性能的非零学问考证ImageNet模子相配）。

但只是接受到已提交模子已运行的阐明并不一定填塞。一个模子可能无法准确地默示给定的步伐，因此您会但愿第三方审核已提交的模子。功能情愿允许阐明者阐明其使用了已情愿的模子，但不行保证已情愿模子的任何信息。若是咱们能让零学问阐明在阐明覆按方面进展得填塞好（请参见底下的示例＃4），咱们将来也可能出手得回这些保证。

皇冠管理网网址

2.模子好意思满性：您但愿确保换取的机器学习算法以换取的表情在不同用户的数据上运行。这在您不但愿应用大肆偏见的领域格外有用，如信用评分决策和贷款肯求。您也不错使勤勉能情愿来竣事这少许。为此，您需要情愿一个模子过头参数，并允许东说念主们提交数据。输出将考证该模子是否针对每个用户的数据运行已情愿的参数。或者，不错公开模子过头参数，并让用户我方阐明他们将相宜的模子和参数应用于我方的（经过认证的）数据。这在医疗领域可能尤其有用，因为法律条件某些对于患者的信息必须守密。将来，这不错竣事一个医学会诊系统，它能够从完全玄机的及时用户数据中学习和校阅。

3.认证：您但愿将来自外部经过考证的方（举例，任何不错生成数字签名的数字平台或硬件成就）的认证整合到链上运行的模子或任何其他类型的智能合约中。要作念到这少许，您将使用零学问阐明考证签名，并将阐明手脚步伐的输入。Anna Rose和Tarun Chitra最近主捏了一期零学问播客节目，嘉宾是Daniel Kang和Yi Sun，他们探讨了这一领域的最新进展。

具体来说，Daniel和Yi最近发布了一项磋议，探讨了如何考证由具有经过认证的传感器的录像机拍摄的图像是否经过了如编著、缩放或有限避开等变换，这在您但愿阐明图像莫得经过深度伪造但照实经过了某种正当编著的情况下很有用。Dan Boneh和Trisha Datta也作念过相同的磋议，使用零学问阐明考证图像的出处。

但更等闲地说，任何经过数字认证的信息齐是这种考证花式的候选对象：Jason Morton正在开采EZKL库（鄙人一节将有更多先容），他称这种方法为“赋予区块链见识”。任何已签名的端点（举例，Cloudflare的SXG事业，第三方公证东说念主）齐会产生不错考证的数字签名，这可能对于阐明来自果真任方的出处和信得过性格外有用。

4.分散式推理或覆按：您但愿以分散式的表情推行机器学习推理或覆按，并允许东说念主们向全球模子提交数据。为此，您不错将已有的模子部署到链上，或者瞎想一个全新的收集，并使用零学问阐明来压缩模子。Jason Morton的EZKL库正在创建一种用于招揽ONXX和JSON文献并将它们调换为ZK-SNARK电路的方法。最近在ETH Denver的一个演示标明，这种技艺可用于创建基于图像识别的链上寻宝游戏，游戏创作家不错上传像片，生成图像的阐明，玩家不错上传图像；考证器查验用户上传的图像是否与创作家生成的阐明填塞匹配。EZKL咫尺不错考证多达1亿个参数的模子，这意味着它不错用于在链上考证ImageNet大小的模子（这些模子具有6000万个参数）。

其他团队，如Modulus Labs，正在为链上推理对不同阐明系统进行基准测试。Modulus的基准测试涵盖了多达1800万个参数。在覆按方面，Gensyn正在构建一个分散式贪图系统，用户不错输入全球数据，并通过分散式节点收集进行模子覆按，同期考证覆按的正确性。

5.东说念主阐明：您但愿考证某东说念主是一个罕见的个体，而不损伤其狡饰。为此，您将创建一种考证方法，举例生物识别扫描或以加密表情提交政府ID的方法。然后，您将使用零学问阐明来查验某东说念主是否如故过考证，而不会流露对于该东说念主身份的任何信息，不管该身份是完全可识别的，如故像公钥那样的伪名。

皇冠分红最近，一位名叫XXX的体育明星被曝出涉嫌赌博，引起了公众的广泛关注，而皇冠体育博彩公司也因此备受质疑。

Worldcoin通过他们的东说念主阐明左券来竣事这少许，该左券通过为用户生成罕见的虹膜代码来确保抗报复性。重要的是，为WorldID创建的私钥（以及为Worldcoin用户创建的加密钱包的其他私钥）与技俩的眼球扫描器土产货生成的虹膜代码完全分离。这种分离完全将生物识别标志符与可能归因于某东说念主的任何花式的用户密钥分离。Worldcoin还允许应用步伐镶嵌一个SDK，使用户不错使用WorldID登录，并通过允许应用步伐查验东说念主是否领有WorldID来期骗零学问阐明来保护狡饰，但不允许追踪个别用户（更多细节，请参阅此博客著述）。

这个例子是用零学问阐明的狡饰保护特点来抗争较弱且坏心的东说念主工智能的花式，因此它与上述其他示例（举例，阐明你是一个信得过的东说念主类而不是机器东说念主，同期不流露任何干于我方的信息）有很大不同。

模子架构和挑战

在竣事SNARKs（粗略非交互式学问论证）的阐明系统方面的冲突如故成为将很多机器学习模子上链的重要驱能源。一些团队正在现存的架构（包括Plonk、Plonky2、Air等）中制作定制电路。在定制电路方面，Halo 2已成为Daniel Kang等东说念主的责任和Jason Morton的EZKL技俩中等闲使用的后端。Halo 2的阐明者时刻近似线性，阐明大小通常唯有几千字节，考证者时刻恒定。好像更坚苦的是，Halo 2领有强劲的开采者器具，使其成为开采者可爱使用的SNARK后端。其他团队，如Risc Zero，正在寻求通用VM战略。还有些团队正使用基于乞降查验左券的Justin Thaler的超高效阐明系统创建定制框架。

阐明生成和考证器时刻统统取决于生成和查考阐明的硬件以及生成阐明的电路大小。但这里需要介怀的重要点是，不管代表的步伐是什么，阐明的大小老是相对较小，因此考证阐明的考证者的职守是受限的。关联词，在这里有一些轻微之处：对于像Plonky2这么使用基于FRI的情愿决议的阐明系统，阐明大小可能会增多。（除非临了使用像Plonk或Groth16这么基于配对的SNARK包装，这些阐明不会跟着所阐明述说的复杂性而增长。）

对于机器学习模子的启示是，一朝瞎想了一个准确默示模子的阐明系统，本体考证输出的老本将格外低廉。开采者需要探讨的最坚苦的是阐明者时刻和内存：以一种不错相对快速阐明的表情默示模子，何况阐明大小理思地在几千字节傍边。要阐明机器学习模子在零学问情况下的正确推行，你需要将模子架构（层、节点和激活函数）、参数、阻挡和矩阵乘法运算编码并默示为电路。这波及将这些属性判辨为不错在有限域上推行的算术运算。

这个领域还处于起步阶段。在将模子调换为电路的历程中，准确性和保真度可能会受到影响。当模子默示为算术电路时，前边提到的模子参数、阻挡和矩阵乘法运算可能需要近似和简化。当将算术运算编码为阐明的有限域中的元素时，可能会丢失一些精度（或者在不进行这些优化的情况下生成阐明的老本在现时的零学问框架下将不胜重任）。此外，机器学习模子的参数和激活通常以32位进行编码以提升精度，然则今天的零学问阐明无法在必要的算术电路花式中默示32位浮点运算，而不产生重大的支出。因此，开采者可能会选用使用量化的机器学习模子，其中32位整数如故调换为8位精度。这些类型的模子成心于默示为零学问阐明，然则被考证的模子可能是较高质地运行模子的约略近似。

官方数据显示，今年618淘宝达人直播间数量同比激增139%，破千万直播间490个，破亿直播间数量同比大增66%。新增的达人直播间中，不带货纯内容主播占比达24%，入淘潮和内容化显著提速。

在这个阶段，这照实是一场奋发蹈厉的游戏。跟着零学问阐明变得愈加优化，机器学习模子变得越来越复杂。如故有一些优化的有前程的领域：阐明递归不错通过允许阐明用作下一个阐明的输入来减小举座阐明大小，从而竣事阐明压缩。还有一些新兴的框架，比如Linear A的Apache Tensor凭空机（TVM）分支，该框架推出了一种调换器，不错将浮点数调换为零学问友好的整数默示。临了，咱们在a16z crypto对将来的责任感到乐不雅，它将使在SNARKs中默示32位整数变得愈加合理。

菠菜网正规平台app下载

“范畴”的两种界说 零学问阐明通过压缩竣事范畴化：SNARKs允许你将一个极其复杂的系统（如凭空机或机器学习模子）数学默示，使得考证它的老本低于运行它的老本。另一方面，机器学习是通过膨大竣事范畴化的：如今的模子跟着更多数据、参数以及参与覆按和推理历程的GPU/TPU而变得更好。中心化公司不错以险些无驱散的范畴运行事业器：收取API调用的月费，并支付运营老本。

区块链收集的经济执行险些恰恰相背：开采者被荧惑优化他们的代码，使其在链上运行既可行又低廉。这种分袂称具有重大的上风：它创造了一个需要提升阐明系统效果的环境。咱们应该寻求在机器学习中条件与区块链提供的换取平正，即可考证的悉数权和分享的信得过不雅念。

尽管区块链激发了优化zk-SNARKs，但贪图关联的每个领域齐将受益。

致谢：Justin Thaler, Dan Boneh, Guy Wuollet, Sam Ragsdale, Ali Yahya, Chris Dixon幸运快艇真人百家乐, Eddy Lazzarin, Tim Roughgarden, Robert Hackett, Tim Sullivan, Jason Morton, Peiyuan Liao, Tarun Chitra, Brian Retford, Daniel Kang, Yi Sun, Anna Rose, Modulus Labs, DC Builder。