أطلقت Polyhedra أداة zkPyTorch، المصممة لجعل تعلم الآلة باستخدام براهين المعرفة الصفرية (ZKML) في متناول المطورين الذين يستخدمون إطار عمل PyTorch. يقوم المترجم بتحويل كود PyTorch العادي إلى دوائر براهين المعرفة الصفرية (ZKP)، مما يتيح استنتاجات الذكاء الاصطناعي الآمنة والقابلة للتحقق دون الكشف عن بيانات النموذج الحساسة أو العمليات الداخلية.
كيف تحافظ zkPyTorch على أمان الذكاء الاصطناعي؟
تسمح zkPyTorch للمطورين بالحفاظ على سلامة مخرجات الذكاء الاصطناعي مع حماية الملكية الفكرية. تستخدم الأداة تقنيات تشفير لإثبات تنفيذ النموذج بشكل صحيح دون الكشف عن معاييره أو بيانات التدريب. وبما أن المكتبة لا تتطلب خبرة في التشفير، فإنها تخفض عائق الاستخدام في المجالات التي تتعامل مع معلومات حساسة مثل الرعاية الصحية والتمويل.
كيف تعمل zkPyTorch على تحسين إنشاء البراهين؟
يتضمن الإطار ثلاث وحدات رئيسية:
- المعالجة المسبقة للنموذج: باستخدام تنسيق ONNX لتمثيل الرسوم البيانية للتعلم الآلي.
- التكميم الصديق لـ ZK: يستبدل العمليات العشرية بالحسابيات في الحقول المحددة.
- تحسين الدوائر: يعالج العمليات غير الخطية ومعالجة الدُفعات بكفاءة باستخدام جداول البحث.
يعتمد هيكل النموذج على الرسوم البيانية غير الدورية (DAGs)، حيث يتم ترميز كل عملية (مثل ضرب المصفوفات أو ReLU) كعقدة، مما يسهل تحويلها إلى دوائر ZKP بكفاءة. يتوافق هذا التصميم حتى مع النماذج المعقدة مثل المحولات (transformers) وResNets المستخدمة في نماذج اللغة الكبيرة (LLMs).
بالإضافة إلى ذلك، تسرع zkPyTorch إنشاء البراهين عبر التنفيذ المتوازي للدوائر وتحسينات FFT للطبقات التلافيفية. تتيح الأجهزة متعددة النواة للمطورين زيادة الإنتاجية وتقليل زمن الانتظار. تظهر الاختبارات أن zkPyTorch تعالج 8 مليارات معلمة في نموذج Llama-3 بمعدل 150 ثانية لكل رمز، مع الحفاظ على تشابه جيبي بنسبة 99.32% مع المخرجات الأصلية.
تطبيقات عملية واتجاهات مستقبلية
تتوقع Polyhedra تطبيقات فورية في خدمات تعلم الآلة القابلة للتحقق (MLaaS)، حيث يمكن للنماذج السحابية الآن تقديم براهين تشفيرية على صحة الاستنتاجات. يحتفظ مطورو الذكاء الاصطناعي بسرية النماذج، بينما يحصل المستخدمون على ضمان أن المخرجات صحيحة. كما تتيح zkPyTorch تقييم النماذج بشكل آمن، مما يمنح الأطراف المعنية طريقة موثوقة لقياس الأداء دون تعريض البيانات الخاصة للخطر.
تتكامل الأداة مع سلسلة EXPchain من Polyhedra، مما يجلب تعلم الآلة القابل للتحقق إلى بيئات البلوكشين. هذا يفتح الباب أمام التطبيقات اللامركزية المدعومة بالذكاء الاصطناعي مع التحقق على السلسلة. صرح مؤسس Polyhedra في مقابلة حديثة: “نستهدف سوق براهين المعرفة الصفرية الذي تبلغ قيمته مليارات الدولارات. هدفنا أن نكون الطبقة الأساسية لتقنية البلوكشين ونوسع استخدام براهين zk في قطاعات مثل البنوك والمجالات الحساسة للخصوصية.”
الأسئلة الشائعة
ما هي zkPyTorch؟
هي أداة تترجم كود PyTorch إلى دوائر براهين المعرفة الصفرية (ZKP)، مما يتيح استنتاجات ذكاء اصطناعي آمنة وقابلة للتحقق دون الكشف عن البيانات الداخلية.
كيف تحسن zkPyTorch كفاءة الذكاء الاصطناعي؟
تستخدم تقنيات مثل التكميم والتحسين المتوازي للدوائر لتسريع إنشاء البراهين مع الحفاظ على دقة النتائج بنسبة 99.32%.
ما هي تطبيقات zkPyTorch المستقبلية؟
تشمل خدمات تعلم الآلة القابلة للتحقق (MLaaS)، والتطبيقات اللامركزية المدعومة بالذكاء الاصطناعي، بالإضافة إلى الاستخدام في القطاعات المالية والطبية الحساسة للخصوصية.
