Polyhedra перетворює ZK-докази в інструменти корпоративного рівня для AI та Web3

Системи штучного інтелекту стрімко розвиваються, але дві запитання все ще не дають спокою розробникам: «Чи можна довіряти отриманим результатам і чи справді вихідні дані залишаються приватними?» Та сама напруга присутня й у блокчейнах, де користувачі прагнуть верифікації без витоку чутливої інформації чи залежності від централізованих контролерів.

Криптовалютний проєкт Polyhedra знаходиться на перетині цих викликів. Заснована дослідниками з UC Berkeley, Stanford та Tsinghua University, команда перетворює нульові докази (ZK-proofs) у промислові інструменти, які можуть верифікувати результати машинного навчання, переміщувати активи більш ніж між 25 блокчейнами та захищати користувацькі дані, не розкриваючи жодного секрету.

Її стек вже включає Expander (високопродуктивний ZK-доказувач), zkPyTorch для розробників та zkBridge для кросчейн-меседжингу, а тепер вона запускає EXPchain — Layer-1, створений спеціально для AI.

Щоб розібратися, чому верифікована приватність важлива для AI та Web3, CryptoAcademy поспілкувався з Тяньченгом С’є — співзасновником і технічним директором Polyhedra — напередодні фестивалю zkML, який відбудеться в травні. Криптограф, який здобув Ph.D. у UC Berkeley, С’є очолює зусилля команди з переведення досліджень ZK у «рівень довіри», необхідний, на його думку, для наступного покоління децентралізованих і AI-орієнтованих застосунків.

CryptoAcademy: Які основні рушійні сили для верифікованої інфраструктури із захистом конфіденційності в AI?

Тяньченг С’є: Основні рушійні сили — це безпека, конфіденційність та довіра, які забезпечують нульові докази (ZKPs). У міру розвитку технологій AI та блокчейн зростає потреба захищати чутливі дані, зберігаючи прозорість та підзвітність. У сфері AI методи захисту конфіденційності, такі як ZKPs, дозволяють навчати моделі та робити прогнози, не розкриваючи конфіденційної інформації.

У блокчейні верифікована приватність є ключовою для безпечних транзакцій із збереженням анонімності користувачів. ZKPs допомагають верифікувати транзакції без розкриття їхніх деталей, що забезпечує приватність і безпеку.

Завдяки цим технологіям моделі AI та блокчейн-мережі можуть працювати в довірчому середовищі без єдиного центру, гарантувати захист користувачів і водночас забезпечувати надійні та верифіковані взаємодії.

CT: Як ZKPs забезпечують відповідальність моделей машинного навчання, не розкриваючи їхніх вхідних даних?

ТС: ZKPs забезпечують відповідальність моделей машинного навчання, перевіряючи правильність обчислень або прогнозів без розкриття вхідних даних. У традиційному ML моделей навчають на чутливих даних, а публікація результатів може розкрити приватну інформацію.

ZKPs, натомість, дозволяють моделі довести, що вона прийняла правильне рішення або слідувала валідному процесу, не розкриваючи дані, на яких її навчили чи тестували. Наприклад, модель може підтвердити, що її вивід відповідає набору правил чи умов (наприклад, результату класифікації), не розкриваючи параметрів, що призвели до такого рішення.

Це гарантує відповідальність: поведінку моделі можна незалежно перевірити, зберігаючи при цьому конфіденційність даних, що робить цей підхід ідеальним для застосувань із підвищеними вимогами до приватності.

CT: Які навички знадобляться завтрашнім інженерам у сфері zero-knowledge ML (ZKML), і як Polyhedra розвиває цей пул талантів?

ТС: Завтрашні інженери ZKML потребуватимуть поєднання спеціалізованих навичок та міцної бази в машинному навчанні та криптографії. Ключові компетенції включають:

• Володіння PyTorch: оскільки ZKML часто інтегрується з PyTorch, знайомство з цим фреймворком є обов’язковим.

• Розуміння ZKPs: Ґрунтовні знання ZKPs необхідні для верифікації обчислень без розкриття даних.

• Знання інструментів ZKML: знайомство з такими рішеннями, як zkPyTorch, що спрощують інтеграцію ZKPs у ML-моделі, є перевагою.

• Досвід роботи з ZK-доказувачами: розуміння високопродуктивних систем доказів, таких як Expander від Polyhedra, важливе для ефективного генерування доказів.

Polyhedra активно розвиває цей пул талантів через ініціативи, як-от Explore Expander Bootcamp і Hackathon. Ця шеститижнева програма, запущена у партнерстві з Ethereum Foundation, Worldcoin і Google, пропонує практичне навчання та менторство від лідерів галузі.

Учасники беруть участь у глибоких сесіях з тем ZKPs і zkML та працюють над проєктами, які застосовують ці концепції в реальних сценаріях. Метою буткемпу є підготувати інженерів до створення трансформативних zero-knowledge-застосунків, формуючи наступне покоління талантів у сфері ZKML.

CT: Що на практиці означає створити «рівень довіри» для AI та широкого інтернету, і чому це завдання є таким нагальним?

ТС: Створення «рівня довіри» для AI та всього інтернету означає побудову системи, де дані, транзакції та обчислення верифікуються як коректні без залучення централізованого органу.

В AI це передбачає прозорість, підзвітність моделей машинного навчання та їхнє дотримання етичних і приватних стандартів. В інтернеті — це встановлення довіри в децентралізованих платформах, щоб користувачі могли взаємодіяти безпечно та впевнено.

Нагальність місії зумовлена зростаючою залежністю від AI та децентралізованих технологій у критичних сферах: охороні здоров’я, фінансах, урядуванні. Зі збільшенням інтеграції цих технологій у щоденне життя зростають ризики дезінформації, витоків даних та упереджених алгоритмів.

Надійний рівень довіри допомагає запобігти зловживанням і гарантує захист прав і приватності користувачів, сприяючи безпечному й відповідальному впровадженню AI і децентралізованих систем у всьому світі.

CT: Як збалансувати прагнення до прозорості з правом на приватність у світі, керованому нульовими доказами?

ТС: Збалансувати прозорість і приватність у ZK-середовищі потребує ретельного підходу, що забезпечує підзвітність і конфіденційність. ZKPs пропонують рішення: вони дозволяють доводити істинність тверджень без розкриття вхідних даних. Таким чином, користувачі можуть захищати свою приватність і водночас гарантувати прозорість і довіру до системи.

Наприклад, під час фінансової транзакції користувач може довести наявність достатньої суми на рахунку без розкриття балансу чи особистих даних. Це зберігає приватність і підтверджує дійсність операції.

У онлайн-світі, керованому ZKPs, прозорість виходить із можливості верифікації дій і даних у верифікований спосіб, а приватність досягається шляхом обміну лише необхідною інформацією. Головне — знаходити способи підтверджувати процеси й результати, обмежуючи вплив на чутливі дані, й утримувати баланс між відкритістю та конфіденційністю.

CT: З якими технічними або ринковими викликами зустрічалася Polyhedra, і які досягнення підтверджують правильність стратегії?

ТС: Polyhedra стикалася з ключовими викликами як у технічному розвитку, так і в ринковому впровадженні. З технічної точки зору побудова масштабованої ZKML-системи була складною через низьку швидкість ранніх рішень. Щоб вирішити цю проблему, ми створили Expander — високопродуктивний ZK-доказувач, що значно підвищив швидкість обробки транзакцій.

Іншим викликом було зробити ZKML доступною для розробників. Ми відповіли на це запуском zkPyTorch — інструменту, що інтегрується з PyTorch і спрощує створення ZKML-застосунків.

На ринку Polyhedra довелося здобути довіру та прийняття таких продуктів, як zkML і zkBridge, рішення для кросчейн-міжмережних операцій. Попри це, zkBridge тепер обслуговує мільйони транзакцій у більш ніж 25 блокчейнах, доводячи свою цінність.

Ключові досягнення, що підтверджують ефективність стратегії Polyhedra, — це запуск тестнету EXPchain для ZKML-застосунків та міцні партнерства з провідними установами.

CT: Розкажіть про ключові технології й продукти, що визначають дорожню карту Polyhedra?

ТС: Дорожня карта Polyhedra формується завдяки ключовим технологіям і продуктам, спрямованим на покращення масштабованості, приватності та взаємодії між блокчейнами й AI. Серед них:

• EXPchain: Layer-1 блокчейн, створений для AI-застосунків, що інтегрує zkML, систему доказів Expander, zkPyTorch та zkBridge для безшовної кросчейн-взаємодії.

• Expander: Високопродуктивна система ZKP, що дозволяє в режимі реального часу верифікувати складні AI-обчислення, критично важлива для масштабованості.

• zkPyTorch: Набір інструментів, який полегшує інтеграцію ZKPs у моделі машинного навчання, пришвидшуючи розробку верифікованих AI-застосунків.

• zkBridge: Децентралізоване рішення для кросчейн-міжмережних передач даних та активів, що усуває проблему довіри при взаємодії між різними блокчейнами.

• Proof Cloud: Хмарна платформа для масштабованих ZKP-обчислень, розроблена для широкого спектра застосувань.

Ці інновації допомагають вирішувати критичні завдання AI-безпеки, приватності даних та блокчейн-інтероперабельності.

CT: Як зміниться щоденна взаємодія з AI-застосунками, якщо Polyhedra втілить своє бачення глобального рівня довіри?

ТС: Якщо Polyhedra реалізує своє бачення глобального рівня довіри, щоденна взаємодія з AI- та блокчейн-застосунками стане більш безпечною, плавною та конфіденціальною. Користувачі зможуть впевнено працювати з децентралізованими системами й AI-моделями, знаючи, що їхні дані захищені, а дії верифіковані без розкриття чутливої інформації.

Наприклад, усі AI-системи надаватимуть точні прогнози та сервіси з дотриманням приватності, із верифікованою відповідальністю за свої рішення. Блокчейн-застосунки забезпечать безшовну кросчейн-комунікацію, дозволяючи активам і даним безпечно переміщуватися між мережами.

Дізнайтеся більше про Polyhedra

Відмова від відповідальності. CryptoAcademy не схвалює жодний контент чи продукт на цій сторінці. Ми прагнемо надати вам усю важливу інформацію, яку змогли отримати в цій спонсорованій статті, але читачі повинні провести власне дослідження перед прийняттям будь-яких рішень, пов’язаних із компанією, і нести повну відповідальність за свої дії. Цю статтю не слід розглядати як інвестиційну консультацію.