ما هو التعلم الآلي ذو المعرفة الصفرية (zkML)؟

التعلم الآلي القائم على Zero-knowledge هو تقنية تشفير تسمح لطرف بإثبات أن نموذج AI قد تم تنفيذه بشكل صحيح وأنتج مخرجًا معينًا، دون الكشف عن أوزان النموذج أو بيانات الإدخال أو أي حسابات وسيطة. إنه يحول ادعاء الصحة إلى كائن رياضي يمكن لأي شخص التحقق منه.

المشكلة التي يحلها هيكلية. عند الاستعلام عن نموذج مستضاف، ترسل البيانات إلى خادم وتتلقى نتيجة دون أي طريقة لتأكيد النموذج الذي تم تشغيله بالفعل، أو ما إذا كان الإخراج قد تم التلاعب به، أو ما إذا كان المزود قد استبدل نموذجًا أرخص. أنت تثق به تمامًا، وهو أمر لا يمكن الدفاع عنه عندما يحمل الإخراج وزنًا ماليًا أو طبيًا أو قانونيًا.

يستبدل zkML هذه الثقة بالتحقق. يقوم مشغل النموذج بإنشاء إثبات تشفيري موجز جنبًا إلى جنب مع كل استدلال، يشهد بأن نموذجًا ملتزمًا محددًا عالج مدخلات محددة لإنتاج مخرجات محددة. لا يحتوي الإثبات على أي من الأسرار، ومع ذلك يمكن لأي طرف ثالث، بما في ذلك عقد ذكي، التحقق منه في غضون مللي ثانية.

The asymmetry is what makes it viable. Computation can be expensive while verification stays cheap: a prover may burn GPU hours generating the proof, but the receipt verifies in <1 second. That imbalance is precisely what blockchains need, since onchain resources are scarce and consuming an off-chain AI output otherwise requires trusting an oracle.

كيف يعمل zkML؟

يقوم zkML بترجمة التمرير الأمامي للشبكة العصبية إلى نظام من القيود الحسابية، ثم يثبت وجود تعيين صالح لتلك القيود.

إليك كيفية انتقال النموذج من التدريب إلى مخرجات قابلة للتحقق on-chain:

1. التدريب: يقوم المطور بتدريب نموذج بالطريقة التقليدية، off-chain، باستخدام بيانات وتقنيات خاصة. لا يغير zkML التدريب نفسه، وتبقى الأوزان الناتجة ملكية فكرية خاصة.
2. التصدير: يتم تصدير النموذج النهائي إلى تنسيق تبادل قياسي، عادةً ONNX أو GGUF، والذي يمكن لإطار عمل الإثبات تحليله إلى رسم بياني حسابي للطبقات والعمليات.
3. التقمية (Quantization): يتم تقريب أوزان الفاصلة العائمة كأعداد صحيحة ذات فاصلة ثابتة، نظرًا لأن دوائر ZK تعمل على حقول محدودة بدلاً من حسابات IEEE 754، وهي خطوة تكلف قدرًا صغيرًا من الدقة.
4. التجميع: يقوم الإطار بتحويل الرسم البياني إلى صيغة حسابية، محولًا ضرب المصفوفات، والالتفافات، والتنشيطات غير الخطية إلى دوائر أو أنظمة قيود يمكن لنظام الإثبات استهلاكها.
5. الإثبات: يقوم المُبرهن بتنفيذ الاستدلال وإنشاء إثبات موجز يشهد بأن المخرجات مشتقة من النموذج الملتزم والمدخلات المعطاة، باستخدام أنظمة مثل Halo2، GKR، أو حجج قائمة على البحث.
6. التحقق: يمكن لأي مدقق، سواء كان عقدًا ذكيًا أو مدققًا أو جهاز مستخدم، التحقق من إثبات zero-knowledge مقابل الالتزامات العامة مثل تجزئة النموذج، مؤكدًا صحته دون الكشف عن الأوزان أو البيانات الخام.

تستحق خطوة التقمية الاهتمام لأنها النقطة التي يلتقي فيها الدقة التشفيرية بواقع التعلم الآلي. يؤدي تحويل الحسابات ذات القيم الحقيقية إلى حسابات الأعداد الصحيحة المعيارية إلى عقوبة دقة نموذجية تتراوح بين 0.5% و 2% في مهام المعيار، وهي مقايضة تقبلها معظم التطبيقات مقابل قابلية الإثبات.

لماذا الإثبات مكلف للغاية

مشكلة التكلفة حسابية وليست عرضية. يؤدي ترميز كل عملية ضرب وتنشيط في شبكة عصبية كقيد إلى تضخيم العمل بشكل كبير، ولهذا السبب كانت مناهج zkVM المبكرة تحمل تكاليف إضافية تتراوح بين 100,000 و 1,000,000 ضعف الاستدلال الأصلي.

لقد انهار هذا الرقم. فقد أدت المبرهنات المصممة خصيصًا، وتسريع GPU، وأنظمة الإثبات الأكثر ذكاءً إلى خفض التكاليف الإضافية نحو نطاق 10,000 ضعف، وتقوم الأطر المتخصصة الآن بإثبات النماذج متوسطة الحجم في ثوانٍ بدلاً من ساعات. المسار، وليس التكلفة المطلقة الحالية، هو ما يجعل هذا المجال قابلاً للاستثمار.

تبقى العمليات غير الخطية هي عنق الزجاجة العنيد. فالتنشيطات مثل ReLU و softmax، جنبًا إلى جنب مع آليات الانتباه في المحولات، رخيصة في أجهزة الفاصلة العائمة ولكنها مكلفة للتحويل إلى صيغة حسابية، ولهذا السبب أصبحت نماذج الرؤية قابلة للإثبات قبل نماذج اللغة بوقت طويل.

أطر عمل وأدوات zkML في عام 2026

لقد توحدت طبقة الأدوات حول عدد قليل من الأطر الجادة، كل منها يراهن بشكل مختلف على أنظمة الإثبات وأعباء العمل المستهدفة. هذه هي المشاريع التي تحدد أحدث ما توصل إليه الفن:

• DeepProve: مكتبة Lagrange القائمة على GKR، والتي تم فتح مصدرها بالكامل في يونيو 2026، تحقق سرعة في إنشاء الإثبات تتراوح بين 54 و 158 مرة أسرع من EZKL وما يصل إلى 671 مرة أسرع في التحقق.
• EZKL: الأداة مفتوحة المصدر العريقة المبنية على Halo2، والتي تستوعب نماذج ONNX وتصدر أدوات تحقق متوافقة مع EVM، مما يجعلها نقطة الدخول الافتراضية للمطورين الذين ليس لديهم خلفيات في التشفير.
• zkPyTorch: مترجم Polyhedra تم إصداره في مارس 2025، يتصل مباشرة بمجموعة PyTorch، ويتعامل مع التكميم تلقائياً ويثبت نموذج VGG-16 ذو 138 مليون معلمة في حوالي 2.2 ثانية.
• JOLT Atlas: نهج نشأ من a16z، يركز على البحث ومكيف لعمليات ML، ويعطي الأولوية لبناء الدوائر البسيط ويحقق تسريعات قوية حتى قبل تطبيق تسريع GPU.
• ZKTorch: مترجم بحثي يستخدم تراكم البراهين المتوازي، ويُفيد بأنه يثبت GPT-2 أسرع بست مرات تقريباً من أنظمة ZKML العامة السابقة على نفس الأجهزة.
• zkVerify: طبقة للتحقق كخدمة تدعم أنظمة إثبات متعددة، مما يتيح لمسارات عمل AI تفريغ التحقق من الإثبات بدلاً من نشر عقود تحقق مخصصة لكل نموذج.

المعيار الذي غيّر التوقعات

أعاد إنجاز Lagrange في يوليو 2025 صياغة ما يعتبر واقعياً. أكمل الفريق استدلالاً كاملاً لـ GPT-2، وهو محول بـ 124 مليون معلمة، مما يجعله أول نظام تشفير جاهز للإنتاج يثبت نموذج لغة كاملاً من البداية إلى النهاية.

ثم انتقل النظام من العرض التوضيحي إلى النشر. أتاحت Lagrange DeepProve كمصدر مفتوح في يونيو 2026، كاشفة عن أكثر من 12 مليون إثبات تشفيري تم إنشاؤه وأكثر من 3 ملايين استدلال AI تم التحقق منها من البداية إلى النهاية، إلى جانب شراكات تشمل IBM وNVIDIA وQualcomm وOracle وIntel وAWS.

ومع ذلك، لا تزال الفجوة الرائدة هائلة، ولا أحد يدعي خلاف ذلك بشكل موثوق. إن GPT-2 أصغر بأربعة مراتب حجمية من النماذج الرائدة اليوم، لذا فإن إثبات نظام رائد حديث ليس مكلفًا فحسب، بل سخيف اقتصاديًا، والهدف المعلن التالي لـ Lagrange هو النماذج المفتوحة من فئة Llama و Gemma بدلاً من أي شيء في صدارة لوحة المتصدرين.

ما تغير هو ميل المنحنى وليس السقف الحالي. إن الإثبات المتوازي عبر مجموعات المُثبتين، وإعادة تصميم الخوارزميات الأصلية لوحدات معالجة الرسوميات (GPU)، وجداول البحث القابلة لإعادة الاستخدام هي الروافع الأكثر احتمالاً لتحقيق الانفراج التالي بمرتبة حجمية، مما يسحب النماذج المفتوحة متوسطة الحجم تدريجياً إلى النطاق القابل للإثبات.

حالات استخدام zkML في الكريبتو

تكتسب zkML أهمية قصوى عندما تحمل مخرجات AI تبعات مالية ولا تستطيع الأطراف الوثوق ببعضها البعض. هذه التطبيقات قيد التشغيل أو تقترب من الإنتاج اليوم:

• الوكلاء القابلون للتحقق: يمكن AI المستقلين الذين يتداولون أو يديرون الأصول المالية أن يثبتوا أن كل قرار اتُخذ وفقًا لنموذج مُعلن عنه، وليس وفقًا لنموذج تم استبداله سراً، مما يسد الفجوة بين الموكل والوكيل.
• تقييم الائتمان الخاص: يمكن لبروتوكول الإقراض تأكيد أن درجة المقترض تتجاوز عتبة معينة دون رؤية الأرصدة أو سجل المعاملات أو الهوية، حيث يشهد الإثبات بأن النموذج عمل بشكل صحيح.
• مصدر النموذج: يمكن لمزودي واجهة برمجة التطبيقات (API) إثبات النموذج الذي خدم الطلب بالفعل، مما يمنع الاستبدال الصامت لنموذج أرخص بينما يتم فوترة نموذج باهظ الثمن.
• الاستدلال اللامركزي: تستخدم الشبكات التي تدفع للعقد لتشغيل النماذج zkML للتحقق من أن المعدنين قاموا بالفعل بالحسابات المدعاة، مستبدلة السمعة بالتسوية التشفيرية.
• الهوية البيومترية: يمكن لأنظمة مثل World أن تسمح للمستخدمين بإثبات أن قالبًا بيومتريًا جديدًا مشتق من تسجيل صالح دون إعادة تحقق مركزي أو كشف المسح الأساسي.
• أصالة المحتوى: يمكن لمسارات الوسائط إرفاق إثباتات تظهر أن الأصل اجتاز نموذج كشف معلن، مما يمنح المنظمين مسارًا قابلاً للتدقيق دون كشف المصنف الخاص.
• سلامة الأوراكل: يمكن لخلاصات البيانات المدفوعة بالتعلم الآلي (ML) إثبات أن منطق التجميع تم تنفيذه كما هو محدد عبر المصادر، مما يقوي ال bridge بين الذكاء off-chain والتسوية on-chain.

تطبيقات DeFi الناشئة

التمويل اللامركزي هو السوق الأول الطبيعي لأنه يعمل بالفعل على افتراضات عدائية وتحقق مفتوح المصدر. وتريد محركات المخاطر، وبورصات العقود الدائمة (perpetuals) للعملات المشفرة، وأسواق الإقراض بشكل متزايد معلمات مدفوعة بالذكاء الاصطناعي (AI) دون مطالبة المستخدمين بالوثوق بصندوق أسود.

النمط هو الأتمتة المرفقة بإثبات. يقوم نموذج AI بتحسين نسب الضمانات، أو عتبات ال liquidation، أو الرسوم الديناميكية، ويسمح الإثبات المصاحب لعقود البروتوكول بالتحقق من أن المعلمات جاءت من النموذج المدقق بدلاً من تجاوز تقديري من قبل المشغل.

حوكمة DAO هي جبهة ثانية، حيث يمكن التحقق من أوزان التصويت المستندة إلى التعلم الآلي (ML) أو محاكاة المقترحات دون كشف الممتلكات الفردية. المنطق الموحد هو أن الأتمتة مقبولة فقط في الأنظمة غير الموثوقة إذا كان بالإمكان التحقق من الأتمتة نفسها.

سوق zkML والمشاريع الرئيسية

تركز رأس المال والبنية التحتية حول عدد قليل من اللاعبين الذين يبنون مكدس AI القابل للتحقق. فهم من يفعل ماذا يوضح أين تكمن الأنشطة الحقيقية للقطاع:

• Lagrange Labs: تدير شبكة إثبات حيث يقوم المشغلون بـ staking للمزايدة على إنشاء الإثبات، مع مجموعة مشغلين من المستوى الأول و DeepProve كمكتبة zkML الرائدة للاستدلال بالذكاء الاصطناعي (AI inference).
• Inference Labs: جمعت 6.3 مليون دولار من مستثمرين منهم Delphi و Mechanism لبناء Proof of Inference، وهو بروتوكول يؤمن وكلاء AI من خلال التحقق التشفيري.
• Bittensor Subnet 2: أكبر مجموعة إثبات zkML لامركزية قيد التشغيل، بعد أن أنتجت أكثر من 160 مليون إثبات zero-knowledge مع تحفيز تصميم الدوائر وتحسين المُثبت.
• Polyhedra: تقدم مترجم zkPyTorch والواجهة الخلفية للإثبات Expander، مما يدفع حدود قابلية الاستخدام حتى يتمكن مهندسو التعلم الآلي (ML) من إنشاء إثباتات دون خبرة تشفيرية.
• Giza: تركز على نشر نماذج قابلة للتحقق on-chain وتشغيل الوكلاء المستقلين، مستهدفة سهولة وصول المطورين على حساب الإنتاجية الخام للإثبات.
• EZKL: تحتفظ بمجموعة الأدوات مفتوحة المصدر الأكثر اعتمادًا على نطاق واسع، تم تدقيقها بواسطة Trail of Bits، وتعمل كخط أساس يقارن به المُثبتون الأحدث أنفسهم.

الصورة التجارية أكثر تباينًا مما يعترف به المتفائلون أو المتشائمون. فقد عانت أسعار توكنات AI القابلة للتحقق بشدة ويتداول العديد منها بالقرب من أدنى مستوياته على الإطلاق، ومع ذلك، قامت DeepProve وحدها بالتحقق من أكثر من ثلاثة ملايين استدلال وجذبت شركاء في مجالات الدفاع والمؤسسات بما في ذلك Anduril و Lockheed Martin و IBM، لذا فإن الاستخدام الحقيقي يتراكم حتى مع قيام الأسواق العامة بخصم قيمة القطاع.

التنظيم وحالة الامتثال لـ zkML

يُعد الضغط التنظيمي أقوى حجة غير متعلقة بالعملات المشفرة لصالح الذكاء الاصطناعي القابل للتحقق. يفرض قانون الاتحاد الأوروبي للذكاء الاصطناعي واجبات التوثيق والتتبع والرقابة البشرية على الأنظمة عالية المخاطر، وتقدم البراهين التشفيرية وسيلة لإثبات الصحة دون تسليم النماذج الاحتكارية للمدققين.

لقد تغير الجدول الزمني بشكل ملموس في عام 2026. توصل المشرعون في الاتحاد الأوروبي إلى اتفاق سياسي في 7 مايو 2026 لتأجيل أثقل الالتزامات عالية المخاطر، مما دفع بأنظمة الملحق الثالث مثل تقييم الائتمان والتوظيف إلى ديسمبر 2027 والأنظمة المدمجة في المنتجات إلى أغسطس 2028، بينما لا تزال واجبات الشفافية سارية في عام 2026.

هذا التأجيل له تأثير مزدوج على zkML. فهو يزيل الحاجة الملحة للامتثال على المدى القريب التي كان البائعون يعتمدون عليها، ولكنه يمنح التكنولوجيا أيضًا وقتًا لتنضج قبل حلول المواعيد النهائية، حيث لا تزال تكاليف الإثبات للنماذج عالية المخاطر حقًا مرتفعة بشكل غير مريح اليوم.

النقطة الأعمق هي أن التنظيم يكافئ الأدلة على التأكيدات. سواء كان تاريخ الإنفاذ عام 2026 أو 2028، ستحتاج المنظمات في النهاية إلى إثبات أن النموذج المنشور تصرف كما هو موثق، والبرهان الرياضي هو أثر أقوى من إقرار السياسة.

zkML، الهوية الرقمية، وموجة التحقق من العمر

إن أكبر تطبيق حقيقي لتشفير zero-knowledge لا يحدث في مجال العملات المشفرة على الإطلاق. إنه يحدث في الهوية الرقمية، مدفوعًا بتفويضات التحقق من العمر التي يتم طرحها في جميع أنحاء أوروبا والمملكة المتحدة وخارجها.

هذا مهم لـ zkML لأنه يبني مسارات الاعتماد، والبنية التحتية للمحفظة، والألفة العامة التي سيعتمد عليها الذكاء الاصطناعي القابل للتحقق في النهاية، حتى لو كانت التقنيتان تحلان مشكلات مختلفة.

النشر العالمي لهوية ZK

أطلقت المفوضية الأوروبية تطبيقًا مجانيًا ومفتوح المصدر للتحقق من العمر في 15 أبريل 2026، مبنيًا على تشفير إثبات zero-knowledge حتى يتمكن المستخدمون من إثبات تجاوزهم لعتبة عمرية دون الكشف عن تاريخ ميلادهم أو هويتهم. وقد التزمت سبع دول أعضاء، بما في ذلك فرنسا وإيطاليا وإسبانيا، بدمجه.

البنية التحتية الأساسية أكبر من ذلك بكثير. تتطلب لائحة eIDAS المعدلة من كل دولة عضو في الاتحاد الأوروبي تقديم محفظة هوية رقمية بحلول نهاية عام 2026 وتشجع صراحةً التشفير المعزز للخصوصية، بينما يوفر قانون السلامة عبر الإنترنت في المملكة المتحدة وقانون الخدمات الرقمية ضغط الإنفاذ الذي يجعل التبني غير اختياري.

تحركت الصناعة الخاصة بالتوازي. قامت جوجل بدمج التحقق من العمر باستخدام ZK في محفظة جوجل مع Bumble كشريك إطلاق ونشرت مكتبات ZKP الخاصة بها كمصدر مفتوح، بينما نشرت مايكروسوفت ريسيرش نظام Vega، وهو نظامها الخاص بـ zero-knowledge لوثائق الهوية الرقمية.

أين يتناسب zkML فعليًا

من المهم توضيح تمييز جوهري، لأنه غالبًا ما يكون غير واضح. إثبات أنك تجاوزت الثامنة عشرة من خلال وثيقة حكومية موقعة لا يتضمن أي شبكة عصبية، لذا فهو تشفير zero-knowledge ولكنه ليس zkML. يشترك الاثنان في الرياضيات، وليس الآليات.

التداخل الحقيقي يكمن في تقدير العمر. يجب على المنصات التي تواجه تفويضات التحقق أن تختار بين التقدير القائم على AI، الذي يحافظ على الخصوصية ولكنه يخطئ في تقدير الأشخاص، وتحميل المستندات، وهو دقيق ولكنه يحول كل خدمة إلى مصيدة لبيانات الهوية الحكومية. تسمي مايكروسوفت ريسيرش هذا المأزق المزدوج.

zkML هو ما يحل هذه المفاضلة. يمكن لنموذج تقدير العمر أن يعمل محليًا على جهاز المستخدم ويصدر إثباتًا بأن النموذج المكشوف تم تنفيذه بصدق على مسح وجه حقيقي، بحيث تتعلم المنصة فقط النتيجة المنطقية (boolean) بينما لا تغادر الصورة والقالب البيومتري وأوزان النموذج الهاتف أبدًا.

التحكم في الدردشة ونقاش المراقبة

يقع نفس التشفير بشكل محرج ضمن مقترحات التحكم في الدردشة المتنازع عليها في أوروبا، حيث تم تبرير المسح الإلزامي للرسائل الخاصة بأهداف حماية الأطفال. يوعد كل من المسح من جانب العميل وzkML بالتحقق دون تعرض شامل للبيانات، مما يجعل هذا الإطار قويًا سياسيًا.

يجادل منتقدو هذه الأطر بأن التحقق المحافظ على الخصوصية يطبع الطلب نفسه، حيث أن النظام الذي يطلب من المستخدمين مرارًا إثبات سمات يعيد تشكيل الوصول إلى الإنترنت بغض النظر عن مدى ضآلة البيانات التي يسربها كل إثبات فردي. وقد دفعت مجموعات الحقوق الرقمية ضد ربط فحوصات العمر بمحافظ الهوية لهذا السبب تحديدًا.

بالنسبة لـ zkML، الدرس غير مريح ولكنه مفيد. إن قابلية التحقق التشفيرية هي أداة خصوصية قوية حقًا، ومع ذلك فهي أيضًا مُمكِّن لأنظمة الامتثال، ويعتمد المعنى السياسي للتكنولوجيا بالكامل على ما تختاره المؤسسات للمطالبة بإثباته.

zkML مقابل مناهج الذكاء الاصطناعي الأخرى القابلة للتحقق

zkML ليس الطريقة الوحيدة لجعل مخرجات AI جديرة بالثقة، وغالبًا ما لا تكون الأرخص. فهم البدائل يوضح أين يستحق البرهان التشفيري تكلفته حقًا:

• بيئات التنفيذ الموثوقة: تقوم TEEs بتشغيل النماذج داخل مخابئ أجهزة آمنة وتشهد على النتيجة، مما يوفر نفقات عامة أقل بكثير ولكنه يتطلب الثقة في بائع الرقائق ويظل عرضة لهجمات القناة الجانبية.
• التحقق التفاؤلي: تفترض الأنظمة أن العمليات الحسابية نزيهة وتعتمد على المتحدين للطعن فيها ضمن فترة زمنية، وهو أمر رخيص ولكنه يقدم تأخيرًا ويعتمد على متحققين يقظين وذوي دوافع اقتصادية.
• إعادة التنفيذ بالإجماع: تقوم عقد متعددة بإعادة تشغيل نفس الاستدلال ومقارنة المخرجات، وهو نهج مباشر يضاعف تكلفة الحوسبة ولا يمكنه الحفاظ على خصوصية المدخلات أو الأوزان.
• التشفير المتماثل بالكامل: يقوم FHE بالحساب مباشرة على البيانات المشفرة، مما يوفر خصوصية قوية ولكنه يحمل أعباء أداء تتجاوز حاليًا حتى zkML لمعظم أعباء عمل التعلم الآلي.
• التعلم الموحد (Federated learning): يحدث التدريب محليًا ويتم مشاركة التحديثات فقط، مما يحمي البيانات الخام دون إثبات أن أي مشارك قام بالحساب بأمانة، مما يترك فجوة في النزاهة يمكن لـ zkML سدها.

النتيجة المحتملة هي التركيب بدلاً من فائز واحد. تتم مناقشة المكدسات الهجينة التي تجمع بين براهين ZK والحسابات المشفرة بالفعل لأكثر أعباء العمل السحابية حساسية، وقد تتعامل TEEs مع الإنتاجية بينما يرسخ zkML القرارات عالية المخاطر.

المخاطر والقيود

ضمانات zkML حقيقية، وكذلك قيودها، والتقييم الصادق أهم من الحماس في مجال لا يزال في مراحله الأولى. المخاوف الرئيسية هي:

• التكلفة الإضافية: حتى عند حوالي 10,000 ضعف الاستدلال الأصلي، يظل الإثبات باهظ التكلفة للغاية بالنسبة لنماذج اللغة الرائدة، مما يقيد zkML على النماذج الأصغر والمحددة جيدًا في المستقبل المنظور.
• فقدان الدقة: عادةً ما يكلف تكميم أوزان الفاصلة العائمة إلى أعداد صحيحة في حقل محدود ما بين 0.5% إلى 2% من الدقة، وهي مقايضة مقبولة للعديد من المهام ولكنها غير مؤهلة للتطبيقات التي تتطلب دقة حرجة.
• مركزية المُثبت: يعتمد توليد الإثبات بشكل متزايد على مجموعات GPU والأجهزة المتخصصة، مما يركز القدرة بين المشغلين ذوي رأس المال الجيد ويقوض اللامركزية التي تهدف التكنولوجيا إلى خدمتها.
• مخاطر التنفيذ: الإثبات يشهد فقط بأن الدائرة نفذت بشكل صحيح، وليس أن الدائرة تمثل النموذج المقصود بأمانة، لذا فإن التجميع المعيب يمكن أن ينتج هراءً تم التحقق منه بثقة.
• ندرة المواهب: يتطلب هذا المجال أشخاصًا يجيدون كلاً من التشفير والتعلم الآلي، وهو تقاطع ضيق يبطئ تبني الشركات بغض النظر عن مدى جودة الأدوات الأساسية.
• انفصال سعر الرمز: تتداول رموز AI القابلة للتحقق بالقرب من أدنى مستوياتها على الإطلاق على الرغم من تزايد حجم الإثبات، لذا فقد انفصل استخدام البنية التحتية وقيمة الرمز، ولا يمكن للحائزين افتراض أن التبني يترجم إلى سعر.
• المعايير المتنافسة: قد تلبي أطر عمل ثقة الوكيل خفيفة الوزن العديد من احتياجات التحقق دون إثبات تشفيري، مستحوذة على حالات الاستخدام التي توقعت zkML امتلاكها.
• تجزئة المعايير: تحد أنظمة الإثبات المتنافسة وسلاسل الأدوات غير المتوافقة من قابلية التشغيل البيني، وبدون تقارب، قد يتشتت التبني عبر أنظمة بيئية لا يمكنها التحقق من عمل بعضها البعض.

أفكار ختامية

لقد انتقلت zkML من فضول بحثي إلى بنية تحتية عاملة. تم إثبات استدلال كامل لـ GPT-2، وتثبت نماذج الرؤية متوسطة الحجم في ثوانٍ، وانخفضت التكلفة الإضافية بمقدار درجتين من حيث الحجم في حوالي عامين، وهو منحنى تحسن أسرع مما حققته معظم البدائيات التشفيرية على الإطلاق.

القيد الصادق هو أن الفجوة بين ما هو قابل للإثبات وما هو منشور لا تزال واسعة. تتجاوز النماذج الرائدة القدرة الاقتصادية بأربع درجات من حيث الحجم، وتتركز أجهزة المُثبت بين المشغلين ذوي رأس المال الجيد، وتتداول رموز القطاع بأقل بكثير من توقعات عصر التمويل حتى مع ارتفاع حجم الإثبات.

تعتمد القضية الاستراتيجية على اتجاه AI بدلاً من وضعها الحالي. بدأ الوكلاء المستقلون في تحريك رأس مال حقيقي، ويطالب المنظمون بسلوك نموذج قابل للإظهار، وتعمل مسارات هوية zero-knowledge التي يتم نشرها حاليًا في جميع أنحاء أوروبا بهدوء على تطبيع الإثبات التشفيري كبنية تحتية يومية. لأي شخص يتتبع تقارب AI والعملات المشفرة، فإن zkML هي الطبقة التي تلتقي فيها هذه المسارات.