AI應用無法將全部計算放在鏈上，所以要用zk或者樂觀證明讓AI服務以更加去信任的管道接入公鏈系統。

撰文：Turbo Guo

審稿：Mandy、Joshua

TLDR：

Modulus labs通過鏈下執行ML計算並為其生成zkp的管道實現了可驗證AI，本文從應用視角重新審視該方案，分析其在哪些場景是剛需，而在哪些場景需求較弱，最後延展出橫向和縱向兩種基於公鏈的AI生態模式，主要內容有：

1. 是否需要可驗證AI取決於：是否修改鏈上數據，以及是否涉及公平和隱私
   

2. 當AI不影響鏈上狀態時，AI可充當建議者，人們可以通過實際效果判斷AI服務質量好壞，無需對計算過程進行驗證。
   

3. 當影響鏈上狀態時，若該服務針對個人且不對隱私有影響，那用戶依舊可以直接判斷AI服務質量無需檢驗計算過程。
   

4. 當AI的輸出會影響多人間的公平和個人隱私時，比如用AI給社區成員評估並分配獎勵，用AI優化AMM，或涉及生物數據，人們就會希望對AI的計算進行審查，這是可驗證AI可能找到PMF的地方。
   

5. 縱向的AI應用生態
   ：由於可驗證AI的一端是智慧合約，可驗證AI應用之間乃至AI和原生dapp之間或許可以實現無需信任地相互調用，這是潜在的可組合的AI應用生態
   

6. 橫向的AI應用生態
   ：公鏈系統可以為AI服務商處理服務付費，支付糾紛協調，用戶需求和服務內容的匹配等問題，
   讓用戶獲得自由度更高去中心化AI服務體驗
   。
   

1. Modulus Labs簡介與應用案例

1.1簡介與覈心方案

Modulus Labs是一家「鏈上」AI公司，其認為AI可以顯著提升智慧合約的能力，使web3應用變得更為强大。 但AI應用於web3時存在一個衝突，即AI的運行需要大量算力，而AI在鏈下計算是個黑盒子，這並不符合web3去信任、可驗證的基本要求。

囙此，Modulus Labs借鑒zk rollup【鏈下預處理+鏈上驗證】的方案，提出了可驗證AI的架構，具體為：ML模型在鏈下運行，此外在鏈下為ML的計算過程生成一個zkp，通過該zkp可以驗證鏈下模型的架構、權重和輸入（inputs），當然這個zkp也可以發佈至鏈上由智慧合約進行驗證。 此時AI和鏈上合約就可以進行更去信任的互動，也就是實現了「鏈上AI」。

基於可驗證AI的思路，Modulus Labs截至目前推出了三個「鏈上AI」應用，同時也提出了許多可能的應用場景。

1.2應用案例

• 第一個推出的是Rocky bot
  ，一個自動交易AI。 Rocky由wEth/USDC交易對的歷史資料訓練而來。 其根據歷史資料判斷未來weth走勢，作出交易決策後會為決策過程（計算過程）生成一個zkp，並向L1發送消息觸發交易。
  

• 第二個是鏈上國際象棋遊戲「Leela vs the World」
  ，遊戲雙方是AI和人，棋局情况放在合約裏。 玩家通過錢包進行操作（與合約互動）。 而AI讀取新的棋局情况，做出判斷，並為整個計算過程生成zkp，這兩步都是在AWS雲上完成，而zkp交由鏈上的合約驗證，驗證成功後調用棋局合約「下棋」。
  

• 第三個是「鏈上」AI藝術家
  ，並推出了NFT系列zkMon，覈心在於AI生成NFT並發佈至鏈上，同時生成一個zkp，用戶可以通過zkp查驗自己的NFT是否生成自對應的AI模型。
  

此外，Modulus Labs還提及了一些其他用例：

• 用AI評估個人鏈上數據等資訊，生成個人聲譽評級，並發佈zkp供用戶驗證；
  

• 使用AI優化AMM的表現，並發佈zkp供用戶驗證；
  

• 用可驗證的AI幫助隱私項目應對監管壓力，但同時不暴露隱私（或許是使用ML證明此交易並非洗黑錢，同時不暴露用戶地址等資訊）；
  

• AI預言機，同時發佈zkp供所有人查驗鏈下數據可靠性；
  

• AI模型比賽，比賽者提交自己的架構和權重，然後用統一的測試input跑模型，為運算生成zkp，最終合約會自動將獎金發送給獲勝者；
  

• Worldcoin稱在未來，或許可以讓用戶在本地設備下載為虹膜生成對應code的模型，本地跑完模型並生成zkp，這樣鏈上合約可以用zkp驗證用戶的虹膜code生成自正確的模型以及合理的虹膜，同時讓生物資訊不離開用戶自己的設備；
  

1.3基於對可驗證AI的需求討論不同應用場景

1.3.1可能無需可驗證AI的場景

在Rocky bot的場景下，用戶可能沒有驗證ML計算過程的需求。
第一，用戶並無專業知識，根本沒有能力做真正的驗證。 即使有驗證工具，在用戶看來都是【自己按了一個按鈕，介面彈窗告訴自己這次的AI服務確實是由某個模型生成的】，無法確定真實性。 第二，用戶沒有需求進行驗證，因為用戶在乎的是這個ai的收益率是否高。 當收益率不高時用戶就會遷移，且永遠會選擇效果最好的模型。
總之，當用戶追求的是AI的最終效果時，驗證過程可能意義不大，因為用戶只需要遷移至效果最好的服務即可。

一種可能的方案是：AI只充當建議者，用戶自主執行交易。 當人們把自己的交易目標輸入AI後，AI在鏈下計算並返回一個較好的交易路徑/交易方向，用戶選擇是否進行執行。 人們也不需要驗證背後的模型，只需選擇那個收益最高的產品。

另一種危險但極有可能出現的情况是，人們根本不在乎自己對資產的控制權以及AI運算過程
，當一個自動掙錢的機器人出現時，人們甚至願意把錢直接託管給它，正如將代幣打入CEX或傳統銀行進行理財一般。
因為人們並不會在乎背後的原理，只會在乎他們最後拿到多少錢，甚至只會在乎項目方給其顯示掙了多少錢
，這種服務或許也能快速獲取大量用戶，甚至比使用可驗證AI的項目方產品反覆運算速度更快。

退一步看，如果AI根本不參與鏈上狀態修改，僅僅是將鏈上數據抓取下來為用戶進行預處理，則也沒有為計算過程生成ZKP的需求
。 在此將此類應用成為【資料服務】，下麵是幾個案例：

• Mest提供的chatbox是典型的資料服務，用戶可以用問答的管道瞭解自己的鏈上數據，比如詢問自己在nft上花了多少錢；
  

• ChainGPT是一個多功能AI助手，它可以在交易前為你解讀智慧合約，告訴你是否與正確的池子進行交易，或告訴你交易是否可能被夾或搶跑。 ChainGPT也準備做AI新聞推薦，輸入prompts自動生成圖片並發佈成NFT等各種服務；
  

• RSS3提供了AIOP，使用戶可以選擇自己想要什麼鏈上數據，並做一定預處理，從而方便地拿特定鏈上數據訓練AI；
  

• DefiLlama和RSS3也開發了ChatGPT挿件，用戶可以通過對話獲取鏈上數據；
  

1.3.2需要可驗證AI的場景

本文認為涉及多人的，涉及公平和隱私的場景需要ZKP提供驗證，在此對Modulus Labs提及的幾個應用進行討論
：

• 當社區基於AI生成的個人聲譽發放獎勵時，社區成員必然會要求對評估決策過程進行審查，在此決策過程就是ML的計算過程；
  

• AI優化AMM的場景涉及多人間的利益分配，也需要定期查驗AI的計算過程；
  

• 在平衡隱私和監管時，ZK是現時比較好的方案之一，若服務方在服務中使用ML處理隱私數據，則需要為整個計算過程生成ZKP；
  

• 由於預言機影響範圍較廣，若由AI進行調控，就需要定期生成ZKP來查驗AI是否正常運作；
  

• 在比賽中，公眾和其他參賽者有需求查驗ML的運算是否符合比賽規範；
  

• 在Worldcoin的潜在用例中，保護個人生物數據同樣是一個較强的需求；
  

總體來說，當AI類似一個決策者，其輸出影響範圍極廣且涉及到多方的公平時，而人們就會要求對決策過程進行審查，或者只是簡單的保證AI的決策過程沒有大的問題，而保護個人隱私就是非常直接的需求了。

囙此，【AI輸出是否修改鏈上狀態】和【是否影響公平/隱私】，是判斷是否需要可驗證AI方案的兩個標準

• 當AI輸出不修改鏈上狀態時，AI服務可以充當建議者的身份，人們可以通過建議效果判斷AI服務質量好壞，無需對計算過程進行驗證；
  

• 當AI輸出修改鏈上狀態時，若該服務只針對個人且不對隱私有影響，那用戶依舊可以直接判斷AI服務質量無需檢驗計算過程；
  

• 當AI的輸出會直接影響多人間的公平，而且AI是自動修改鏈上數據時，社區和公眾就有對AI決策過程進行檢驗的需求；
  

• 當ML處理的數據涉及個人隱私時，同樣需要zk來保護隱私，並以此應對監管要求。
  

2.兩種基於公鏈的AI生態模式

無論如何，Modulus Labs的方案對AI如何結合crypto並帶來實際應用價值有很大的啟發意義。 但公鏈體系不僅能提升單個AI服務的能力，而且有潜力構建新的AI應用生態。
這種新生態帶來了不同於Web2的AI服務間關係，AI服務與用戶的關係，乃至上下游各個環節的合作管道，我們可以把潜在的AI應用生態模式歸納為縱向模式和橫向模式兩種。

2.1縱向模式：側重實現AI之間的可組合性

「Leela vs the World」鏈上國際象棋這一用例有個特殊的地方，人們可以為人類或者AI下注，比賽結束後自動分配代幣。 此時zkp的意義不僅僅是供用戶驗證AI計算的過程，而且是作為觸發鏈上狀態轉換的信任保障。 有了信任保障，AI服務之間，AI和crypto原生dapp之間也可能擁有dapp級別的可組合性。

可組合AI的基本單元是【鏈下ML模型- zkp生成-鏈上驗證合約-主合約】
，該單元借鑒於「Leela vs the World」的框架，但實際的單個AI dapp的架構可能和上圖展示的不一樣。 一是國際象棋中棋局情况需要一個合約，但現實情况下AI有可能不需要一個鏈上合約。 但就可組合AI的架構來看，若主要業務是通過合約進行記錄，其他dapp與其進行組合時可能會更為方便。 二是主合約不一定需要影響AI dapp自身的ML模型，因為某個AI dapp可能是單向影響的，ML模型處理完後觸發自身業務相關的合約即可，而該合約又會被其他dapp進行調用。

延展來看，合約之間的調用是不同web3應用之間的調用，是個人身份、資產、金融服務、乃至社交資訊的調用，我們可以設想一種具體的AI應用的組合：

1. Worldcoin使用ML為個人虹膜數據生成iris code以及zkp；
   

2. 信譽評分AI應用先驗證此DID背後是否為真人（背後有虹膜數據），然後根據鏈上信譽為用戶分配NFT；
   

3. 借貸服務根據用戶擁有的NFT調整借貸份額；
   

在公鏈框架下的AI間互動並不是一件未被討論的事情
，全鏈遊戲Realms生態貢獻者Loaf曾提出，AI NPC之間可以和玩家一樣相互交易，使得整個經濟系統可以自我優化並自動運轉。 AI Arena開發了一個AI自動對戰的遊戲，用戶首先購買一個NFT，一個NFT代表一個戰鬥機器人，背後是一個AI模型。 用戶先自己玩遊戲，然後把數據交給AI類比學習，當用戶覺得該AI足够强時就可以放到競技場中和其他AI自動對戰。 Modulus Labs提到AI Arena希望把這些AI都轉化為可驗證AI。 這兩個案例中都看到了AI間進行互動，並直接在互動時修改鏈上數據的可能性。

但可組合AI在具體實現上仍有大量待討論的問題
，例如不同dapp如何利用彼此的zkp或者驗證合約等。 不過在zk領域也有大量優秀項目，比如RISC Zero在鏈下進行複雜運算並將zkp發佈至鏈上這方面有許多進展，或許某一天就可以組合出合適的方案。

2.2橫向模式：側重實現去中心化的AI服務平臺

在這方面，我們主要介紹一個叫SAKSHI的去中心化AI平臺，它由來自普林斯頓、清華大學、伊利諾伊大學香檳分校、香港科技大學、Witness Chain和Eigen Layer的人員共同提出。 其覈心目標是讓用戶能以更去中心化的管道獲得AI服務，使得整個流程更為去信任化和自動化。

SAKSHI的架構可以分為六層：分別是服務層（Service Layer）、控制層（Control Layer）、交易層（Transation Layer）、證明層（Proof Layer）、經濟層（Economic Layer）和市場層（Marketplace）。

市場是最接近用戶的一層，市場上有聚合器來代表不同的AI供應者向用戶提供服務，用戶通過聚合器下單並和聚合器就服務質量和支付價格達成協議（協定被稱為SLA-Service-level agreement）。

接下來服務層會為客戶一端提供API，然後客戶一端向聚合器發起ML推理請求，請求被傳送至用於匹配AI服務提供方的服務器（傳輸請求所用的路由是控制層的一部分）。 囙此，服務層和控制層類似一個擁有多個服務器web2的服務，但不同服務器由不同主體運營，單個服務器通過SLA（之前簽訂的服務協定）和聚合器進行關聯。

SLA以智慧合約的形式部署上鏈，這些合約都屬於交易層（注：在此方案中部署在Witness Chain）。 交易層還會記錄一筆服務訂單的當下狀態，並用於協調用戶、聚合器和服務提供方，處理支付糾紛。

為了讓交易層在處理糾紛時有據可依，證明層（Proof Layer）將檢驗服務提供者是否按照SLA的約定使用模型。 但SAKSHI並沒有選擇為ML計算過程生成zkp，而是用樂觀證明的思路，希望建立挑戰者節點網絡來對服務進行檢驗，節點激勵由Witness Chain承擔。

雖然SLA和挑戰者節點網絡都在Witness Chain上，但在SAKSHI的方案中Witness Chain並不打算用自己原生的代幣激勵實現獨立的安全性，而是通過Eigen Layer來借用乙太坊的安全性，囙此整個經濟層其實是依托於Eigen Layer的。

可以看出，SAKSHI處在AI服務方和用戶之間，將不同AI用去中心化的管道組織起來為用戶提供服務，這更像一種橫向上的方案
。 SAKSHI的覈心在於，它讓AI服務提供者更專注於管理自己的鏈下模型計算，讓用戶需求和模型服務的撮合、服務的支付和服務質量的驗證通過鏈上協定完成，並嘗試自動化解决支付糾紛。 當然，現時SAKSHI還處於理論階段，同樣有大量執行上的細節值得確定。

3.未來展望

無論是可組合AI還是去中心化AI平臺，基於公鏈的AI生態模式似乎有共通之處。 比如，AI服務商均不直接和用戶進行對接，其只需要提供ML模型並在鏈下進行計算。 支付、糾紛解决、用戶需求和服務之間的撮合，都可以由去中心化的協定解决。 公鏈作為一種去信任的基礎設施，减少了服務方和用戶之間的摩擦，此時用戶也擁有更高的自主權。

以公鏈為應用底座的優勢雖然老生常談，但的確也適用於AI服務。 而AI應用和存粹的dapp應用不同之處在於，AI應用無法將全部計算放在鏈上，所以要用zk或者樂觀證明讓AI服務以更加去信任的管道接入公鏈系統。

隨著帳戶抽象等一系列體驗優化方案的落地，用戶可能感知不到助記詞、鏈和gas等的存在，這讓公鏈生態在體驗上接近web2，而用戶可以獲得比web2服務更高的自由度及可組合性，這將對用戶產生較大的吸引力，以公鏈為底座的AI應用生態十分值得期待。