ChatGPT强势来袭，Web3生态系统中的AI应用前景

自从 ChatGPT 和 GPT-4 推出后，有很多关于人工智能如何革新一切，包括 Web 3 的内容。

多个行业的开发者报告称，通过利用 ChatGPT 作为共同驾驶员来自动化任务，如生成样板代码、进行单元测试、创建文档、调试和检测漏洞等，可以显著提高生产效率，范围从 50% 到 500% 不等。

虽然本文将探讨人工智能如何实现新的有趣的 Web 3 用例，但其主要关注点是 Web 3 和人工智能之间的互利关系。很少有技术有能力显著影响人工智能的发展方向，而 Web 3 是其中之一。

Web3 如何促进人工智能？

尽管其具有巨大的潜力，但当前的人工智能模型面临着一些挑战，如数据隐私、专有模型的执行公正性以及创造和传播可信的虚假内容的能力等。一些现有的 Web 3 技术在应对这些挑战方面具有独特的优势。

为机器学习（ML）训练创建专有数据集

Web 3 可以帮助 AI 的一个领域是通过协作创建专有数据集进行机器学习（ML）训练，即使用 PoPW 网络进行数据集创建。大规模数据集对于准确的 ML 模型至关重要，但在需要使用私有数据（如使用 ML 进行医学诊断）的用例中，其创建可能成为瓶颈。由于患者数据隐私的关注，医疗记录的访问是训练这些模型的必要条件，但患者可能因隐私问题而不愿意分享他们的医疗记录。为了解决这个问题，患者可以通过可验证的方式对其医疗记录进行匿名化，以保护他们的隐私同时仍然可以用于 ML 训练。

但是，匿名化的医疗记录的真实性是一个问题，因为虚假数据会严重影响模型的性能。为解决这个问题，可以使用零知识证明（ZKPs）来验证匿名化的医疗记录的真实性。患者可以生成 ZKPs，以证明匿名记录确实是原始记录的副本，即使在删除个人身份信息（PII）后也是如此。这样，患者可以将匿名记录与 ZKPs 一起提供给感兴趣的各方，并甚至获得他们的贡献的奖励，而不会牺牲他们的隐私。

运行私有数据推理

当前 LLM 的一个主要弱点是处理私有数据。例如，当用户与 chatGPT 互动时，OpenAI 会收集用户的私人数据，并将其用于模型的训练，这会导致敏感信息的泄露。这是三星公司的情况。零知识（zk）技术可以帮助解决 ML 模型在私有数据上执行推理时出现的一些问题。在这里，我们考虑两种情况：开源模型和专有模型。

对于开源模型，用户可以在其私有数据上本地下载模型并运行。例如，Worldcoin 计划升级 World ID。在此用例中，Worldcoin 需要处理用户的私人生物识别数据，即用户的虹膜扫描，以创建名为 IrisCode 的每个用户的唯一标识符。在这种情况下，用户可以在其设备上保持其生物识别数据的私密性，下载用于 IrisCode 生成的 ML 模型，本地运行推理，并创建证明表明其 IrisCode 已成功创建。生成的证明保证了推理的真实性，同时保持了数据的隐私。像 Modulus Labs 开发的 ML 模型的高效 zk 证明机制对于这种用例至关重要。

另一种情况是当用于推理的 ML 模型是专有的。这项任务有点困难，因为本地推理不是一种选择。但是，ZKP 有两种可能的方式可以帮助。第一种方法是使用 ZKP 将用户数据进行匿名处理，如前面数据集创建案例中所讨论的，然后将匿名化的数据发送到 ML 模型。另一种方法是在将预处理输出发送到 ML 模型之前，在私人数据上使用本地预处理步骤。在这种情况下，预处理步骤隐藏了用户的私人数据，以便无法重构。用户生成一个 ZKP，表明预处理步骤的正确执行，然后专有模型的其余部分可以在模型所有者的服务器上远程执行。这里的示例用例可能包括可以分析潜在诊断的患者的医疗记录的 AI 医生，以及评估客户私人财务信息的金融风险评估算法。

内容的真实性和对抗深度伪造技术

与专注于生成图片、音频和视频的生成式人工智能模型相比，chatGPT 可能已经抢占了风头。然而，这些模型目前已经能够生成逼真的深度伪造作品。最近由 AI 生成的 Drake 歌曲就是这些模型所能实现的例子。由于人类被编程成相信所见所闻，这些深度伪造作品代表了一个重大威胁。有许多初创公司正在尝试使用 Web 2 技术来解决这个问题。然而，Web 3 技术，如数字签名，更适合解决这个问题。

在 Web 3 中，用户的交互，即交易，由用户的私钥进行签名以证明其有效性。同样，无论是文本、图片、音频还是视频，内容也可以由创建者的私钥进行签名以证明其真实性。任何人都可以根据创建者的公共地址对签名进行验证，该地址在创建者的网站或社交媒体账户上提供。Web 3 网络已经构建了所有需要的基础设施来实现此用例。Fred Wilson 讨论了如何将内容与公共加密密钥关联起来，以有效打击错误信息。许多声誉良好的风险投资公司已经将其现有的社交媒体资料，如 Twitter，或去中心化的社交媒体平台，如 Lens Protocol 和 Mirror，与一个加密的公共地址相链接，这为数字签名作为内容认证方法的可信度提供了支持。

尽管这个概念很简单，但仍然需要大量的工作来改进这个认证过程的用户体验。例如，需要自动化创建内容的数字签名，以提供无缝的流程给创建者使用。另一个挑战是如何生成已签名数据的子集，例如音频或视频片段，而无需重新签名。许多现有的 Web 3 技术独具优势，可以解决这些问题。

专有模型的信任最小化

另一个 Web 3 可以为人工智能提供帮助的领域是，在专有机器学习模型作为服务提供时，最小化对服务提供者的信任。用户可能需要验证他们所支付的服务是否真正得到了提供，或获得机器学习模型公平执行的保证，即所有用户都使用同一模型。零知识证明可用于提供此类保证。在此架构中，机器学习模型的创建者生成一个表示该模型的零知识电路。需要时，该电路用于为用户推断生成零知识证明。零知识证明可以发送给用户进行验证，也可以发布到处理用户验证任务的公共链上。如果机器学习模型是私有的，则独立的第三方可以验证所使用的 zk 电路是否代表了该模型。机器学习模型的信任最小化方面在模型的执行结果具有高风险时特别有用。例如：