پلیهیدرا (Polyhedra) امروز از انتشار zkPyTorch خبر داد؛ یک کامپایلر پیشگامانه که مدلهای PyTorch / مدلهای ONNX را به مدارهای دانش صفر (zero-knowledge circuits) کارآمد و قابل تأیید تبدیل میکند. مدلهای هوش مصنوعی که با zkPyTorch کامپایل شدهاند، اکنون میتوانند اثباتهای رمزنگاریشدهای مبنی بر اجرای صحیح مدل تولید کنند که نتیجه آن، گامی بزرگ رو به جلو برای سیستمهای هوش مصنوعی است و قابلیت تأیید از طریق یادگیری ماشین با دانش صفر (zkML) را امکانپذیر میسازد.
تیانچنگ شی (Tiancheng Xie)، همبنیانگذار شبکه پلیهیدرا گفت: «zkPyTorch به عاملهای هوش مصنوعی هویت میبخشد». او افزود: «این یک روش قابل اعتماد و مقیاسپذیر برای تضمین یکپارچگی یک عامل هوش مصنوعی است — بدون نیاز به بازنویسی پشته هوش مصنوعی شما.»
کاربردی کردن اثباتها برای یادگیری ماشین
تاکنون، به کارگیری اثباتهای دانش صفر (ZKPs) در یادگیری عمیق نیازمند مدلهای سفارشی و منطق اختصاصی بود. zkPyTorch این مانع را برطرف میکند و مستقیماً با گردشکارهای استاندارد PyTorch ادغام میشود و مدارهایی را خروجی میدهد که برای موتورهای ZKP مانند Expander، سریعترین اثباتکننده (prover) جهان که توسط پلیهیدرا ایجاد شده، آماده هستند.
از طریق یک خط لوله کامپایل نوآورانه — شامل پیشپردازش گراف ساختاریافته، کوانتیزاسیون (quantization) سازگار با ZK و بهینهسازی مدار چند سطحی — zkPyTorch مدلهای دنیای واقعی را به مدارهای کارآمد میدانی تبدیل میکند که عملکرد و دقت را حفظ میکنند.
معیارهای کلیدی عملکرد (Benchmarks):
- VGG-16 (۱۵ میلیون پارامتر): حدود ۲.۲ ثانیه برای اثبات هر تصویر
- Llama-3 (۸ میلیارد پارامتر): حدود ۱۵۰ ثانیه برای هر توکن
عملکرد روی CPU تکهستهای با استفاده از بکاند Expander اندازهگیری شده است.
هوش مصنوعی قابل اعتماد، بدون به خطر انداختن محرمانگی
zkPyTorch برای تسهیل قابلیت تأیید هر دو نوع مدلهای متنباز و اختصاصی ساخته شده است. این ابزار تضمین میکند که صحت استنتاج (inference correctness) به صورت رمزنگاری قابل تأیید است و امکان اشتراکگذاری عمومی اثبات و نتیجه را فراهم میکند.
این امر موارد استفاده قدرتمندی را ممکن میسازد که در آنها هوش مصنوعی مسئول تصمیمات، اقدامات و پیشبینیهای حیاتی است، از جمله:
- هویت عامل هوش مصنوعی قابل اعتماد: کاربران به طور امن هویتی را به یک عامل هوش مصنوعی مورد اعتماد خود اختصاص میدهند و به آن اجازه میدهند تا وظایف حیاتی را با خیال راحت انجام دهد. اثباتها تأیید میکنند که نتایج واقعی هستند، از عامل هوش مصنوعی مورد انتظار نشأت گرفتهاند و در برابر دستکاری محافظت میشوند.
- مالی و مراقبتهای بهداشتی: تصمیمات هوش مصنوعی را بدون افشای دادههای حساس به اشتراک بگذارید.
- انطباق و حاکمیت: رعایت انصاف یا پایبندی به محدودیتها را بدون افشای منطق اثبات کنید.
طراحی با اولویت توسعهدهنده
zkPyTorch با انجام موارد زیر به طور یکپارچه در گردشکارهای موجود PyTorch توسعهدهندگان ادغام میشود:
- پذیرش مدلهای آموزشدیده استاندارد (از طریق خروجی ONNX)
- اعمال کوانتیزاسیون بهینهشده برای اجرای ZKP
- خروجی مدارهای سازگار با اثبات برای استفاده فوری در Expander یا اثباتکنندههای سازگار
SDKها در پایتون (Python) و راست (Rust) در دسترس هستند، به همراه مستندات کامل و نمونههای ادغام برای کمک به توسعهدهندگان جهت شروع سریع کار.
اکنون zkPyTorch را بخوانید
zkPyTorch بخشی از طرحهای گستردهتر zkML و هوش مصنوعی قابل تأیید پلیهیدرا است که زیرساخت دانش صفر ماژولار را برای سیستمهای دنیای واقعی ارائه میدهد.