一秒100张实时生成二次元
SevenX Ventures：一文读懂ZKML，零知识证明和区块链如何在人工智能和机器学习领域发挥作用？
2023.12.27
原文作者：Grace Hill
感谢 Brian Retford, SunYi, Jason Morton, Shumo, Feng Boyuan, Daniel, Aaron Greenblatt, Nick Matthew, Baz, Marcin, 和 Brent 对本文提供的宝贵见解、反馈和审阅。
对于我们这些加密爱好者来说，人工智能已经火了好一阵子。有趣的是，没人愿意看到人工智能失控的情况。区块链发明的初衷是防止美元失控，所以我们可能会尝试一下防止人工智能的失控。此外，我们现在有了一种叫做零知识证明的新技术，用于确保事情不会出错。然而，要驾驭人工智能这个野兽，我们必须了解它的工作原理。
机器学习的简单介绍
人工智能已经经历了几个名字的变化，从“专家系统”到“神经网络”，然后是“图形模型”，最后演变为“机器学习”。所有这些都是“人工智能”的子集，人们给它起了不同的名字，我们对人工智能的了解也在不断加深。让我们稍微深入了解一下机器学习，揭开机器学习的神秘面纱。
注：如今，大多数机器学习模型都是神经网络，因为它们在许多任务中具有优异的性能。我们主要将机器学习称为神经网络机器学习。
机器学习是如何工作的？
首先，让我们快速了解一下机器学习的内部运作：
输入数据预处理：
输入数据需要处理成可以作为模型输入的格式。这通常涉及预处理和特征工程，以提取有用的信息并将数据转换成合适的形式，如输入矩阵或张量（高维矩阵）。这是专家系统方法。随着深度学习的出现，处理层自动处理预处理。
设置初始模型参数：
初始模型参数包括多个层、激活函数、初始权重、偏置、学习率等。有些参数可以在训练过程中通过优化算法进行调整以提高模型的准确性。
训练数据：
输入数据输入到神经网络中，通常从一个或多个特征提取和关系建模层开始，如卷积层（CNN），循环层（RNN）或自注意力层。这些层学会从输入数据中提取相关特征并建模这些特征之间的关系。
这些层的输出然后传递给一个或多个额外的层，这些层对输入数据执行不同的计算和转换。这些层通常主要涉及可学习权重矩阵的矩阵乘法和非线性激活函数的应用，但也可能包括其他操作，如卷积神经网络中的卷积和池化，或者循环神经网络中的迭代。这些层的输出作为模型中下一层的输入，或者作为最终的预测输出。
获取模型的输出：
神经网络计算的输出通常是一个向量或矩阵，表示图像分类的概率、情感分析分数或其他结果，具体取决于网络的应用。通常还有一个错误评估和参数更新模块，根据模型的目的自动更新参数。
如果上述解释看起来太晦涩，可以参考以下使用 CNN 模型识别苹果图片的例子。
将图像以像素值矩阵的形式加载到模型中。该矩阵可以表示为具有尺寸（高度、宽度、通道）的 3D 张量。
设置 CNN 模型的初始参数。
输入图像通过 CNN 中的多个隐藏层，每个层应用卷积滤波器从图像中提取越来越复杂的特征。每层的输出通过非线性激活函数，然后进行池化以减小特征图的维数。最后一层通常是一个全连接层，根据提取的特征生成输出预测。
CNN 的最终输出是概率最高的类别。这是输入图像的预测标签。
机器学习的信任框架
我们可以将上述内容总结为一个机器学习信任框架，包括四个机器学习的基本层，整个机器学习过程需要这些层是可信的才能可靠：
输入：原始数据需要进行预处理，有时还需要保密。
完整性：输入数据未被篡改，未被恶意输入污染，并且正确地进行了预处理。
隐私：如有需要，输入数据不会泄露。
输出：需要准确生成和传输
完整性：输出正确生成。
隐私：如有需要，输出不会泄露。
模型类型 / 算法：模型应正确计算
完整性：模型执行正确。
隐私：如有需要，模型本身或计算不会泄露。
不同的神经网络模型具有不同的算法和层，适用于不同的用例和输入。
卷积神经网络（CNN）通常用于涉及网格状数据的任务，如图像，其中局部模式和特征可以通过对小输入区域应用卷积操作来捕获。
另一方面，循环神经网络（RNN）非常适用于顺序数据，如时间序列或自然语言，其中隐藏状态可以捕获来自先前时间步的信息并建模时间依赖关系。
自注意力层对于捕获输入序列中元素之间的关系非常有用，使其对于诸如机器翻译或摘要之类的任务非常有效，这些任务中长程依赖关系至关重要。
还存在其他类型的模型，包括多层感知机（MLP）等。
模型参数：在某些情况下，参数应该透明或民主生成，但在所有情况下都不易被篡改。
完整性：参数以正确的方式生成、维护和管理。
