ما هو التعلم الآلي المعرف بالصفر (zkML)؟

التعلم الآلي المعرف بالصفر هو تقنية تعمية تسمح لأحد الطرفين بإثبات أن نموذج AI قد تم تنفيذه بشكل صحيح وأنتج مخرجات محددة، دون الكشف عن أوزان النموذج، أو بيانات الإدخال، أو أي عمليات حسابية وسيطة. إنه يحول ادعاء الصحة إلى كائن رياضي يمكن لأي شخص التحقق منه.

المشكلة التي يحلها هي مشكلة هيكلية. عندما تستعلم عن نموذج مُستضاف، فإنك ترسل بيانات إلى خادم وتتلقى نتيجة دون أي طريقة لتأكيد النموذج الذي تم تشغيله فعلياً، أو ما إذا تم العبث بالمخرجات، أو ما إذا كان المزود قد استبدل النموذج بآخر أرخص. أنت تثق به تماماً، وهو أمر غير مقبول عندما تحمل المخرجات أهمية مالية أو طبية أو قانونية.

يستبدل zkML تلك الثقة بالتحقق. يولد مشغل النموذج إثباتاً تعْمِيّاً موجزاً مع كل عملية استدلال، يشهد فيه أن نموذجاً مععيناً ومعتمداً قد عالج مدخلات محددة لإنتاج مخرجات محددة. لا يحتوي الإثبات على أي أسرار، ومع ذلك يمكن لأي طرف ثالث، بما في ذلك العقد الذكي، 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؟

يترجم zkML عملية التمرير الأمامي للشبكة العصبية إلى نظام من القيود الحسابية

إليك كيف ينتقل النموذج من التدريب إلى مخرجات قابلة للتحقق على السلسلة:

1. التدريب: يقوم المطور بتدريب النموذج بالطريقة التقليدية خارج السلسلة باستخدام بيانات وتقنيات مملوكة. لا يغير zkML عملية التدريب نفسها، وتظل الأوزان الناتجة ملكية فكرية خاصة.
2. التصدير: يتم تصدير النموذج النهائي إلى تنسيق تبادل قياسي، وعادةً ما يكون ONNX أو GGUF، والذي يمكن لإطار عمل الإثبات تحليله إلى رسم بياني حاسوبي للطبقات والعمليات.
3. الكمية (Quantization): يتم تقريب أوزان الفاصلة العائمة كأعداد صحيحة ذات فاصلة ثابتة، نظراً لأن الدوائر الرياضية المعرفة بالصفر تعمل عبر حقول منتهية بدلاً من حسابات IEEE 754، وهي خطوة تكلف قدراً ضئيلاً من الدقة.
4. الترجمة البرمجية (Compilation): يقوم إطار العمل بحساب الرسم البياني، محولاً عمليات ضرب المصفوفات، والالتفاف، والتنشيط غير الخطي إلى دوائر أو أنظمة قيود يمكن لنظام الإثبات التعامل معها.
5. الإثبات: يقوم المثبت بتنفيذ الاستدلال وإنشاء إثبات موجز يشهد بأن المخرجات مستمدة من النموذج الملتزم به ومدخلات معينة، باستخدام أنظمة مثل Halo2 أو GKR أو الوسائط القائمة على البحث (lookup-based).
6. التحقق: يتحقق أي محقق، سواء أكان عقداً ذكياً، أو مدققاً، أو جهاز مستخدم، من إثبات المعرفة الصفرية مقابل التزامات عامة مثل تجزئة النموذج (model hash)، مما يؤكد صحة النتائج دون كشف الأوزان أو البيانات الأولية.

تستحق خطوة الكمية الانتباه لأنها النقطة التي تلتقي فيها الصارمة التعْمِيّﺔ بواقع التعلم الآلي. إن تحويل الحسابات ذات القيم الحقيقية إلى حسابات أعداد صحيحة قياسية يفرض عقوبة دقة نموذجية تتراوح بين 0.5% و2% تقريباً على مهام القياس المعياري، وهو تنازل تقبله معظم التطبيقات مقابل قابلية الإثبات.

لماذا يعد إنشاء الإثبات مكلفاً للغاية

مشكلة التكلفة تتعلق بالحسابات وليست عرضية. إن ترميز كل عملية ضرب وتنشيط في شبكة عصبية كقيد يضخم العمل بشكل كبير، ولهذا السبب واجهت نهج آلات الافتراض المعرفة بالصفر المبكرة تكاليف إضافية (overheads) تراوحت بين 100,000 و1,000,000 ضعف مقارنة بالاستدلال الأصلي.

لقد تراجع هذا الرقم بشكل كبير. فقد أدت المُثبتات المصممة لهذا الغرض، وتسريع وحدات GPU، وأنظمة الإثبات الأكثر ذكاءً إلى خفض التكاليف الإضافية نحو نطاق 10,000 ضعف، وباتت أطر العمل المتخصصة تثبت النماذج متوسطة الحجم في غضون ثوانٍ وليس ساعات. المسار وليس التكلفة المطلقة الحالية هو ما يجعل هذا المجال جاذباً للاستثمار.

تظل العمليات غير الخطية عنق الزجاجة العنيد. فعمليات التنشيط مثل ReLU وsoftmax، إلى جانب آليات الانتباه في النماذج المحولة (transformers)، رخيصة في أجهزة الفاصلة العائمة ولكنها مكلفة حسابياً، ولهذا السبب أصبحت نماذج الرؤية قابلة للإثبات قبل نماذج اللغات بكثير.

أطر عمل وأدوات zkML في عام 2026

لقد توحّدت طبقة الأدوات حول عدد قليل من أطر العمل الجادة، حيث يراهن كل منها بشكل مختلف على أنظمة الإثبات وأحمال العمل المستهدفة. هذه هي المشاريع التي تحدد أحدث ما توصلت إليه التكنولوجيا:

• DeepProve: مكتبة قائمة على GKR من تطوير Lagrange's، أُتيحت كبرمجية مفتوحة المصدر بالكامل في يونيو 2026، وتتميز بسرعة قياسية في توليد الإثبات تفوق EZKL بمقدار يتراوح بين 54 و158 مرة، وبسرعة تحقق تفوقها بما يصل إلى 671 مرة.
• EZKL: أداة العمل مفتوحة المصدر العريقة المبنية على Halo2، والتي تستوعب نماذج ONNX وتُصدر مُتحقِّقات متوافقة مع EVM، مما يجعلها نقطة الدخول الافتراضية للمطورين الذين ليس لديهم خلفيات في علم التعمية.
• zkPyTorch: مُصنِّف (Compiler) تابع لشركة Polyhedra أُطلق في مارس 2025 ليتكامل مباشرة مع حزمة PyTorch، ويتولى عمليات الضغط (Quantization) تلقائياً، مع إثبات نموذج VGS-16 الذي يضم 138 مليون معامل في حوالي 2.2 ثانية.
• JOLT Atlas: نهج يرتكز على عمليات البحث ومُستمد من a16z ومُصمم خصيصاً لعمليات التعلم الآلي (ML)، حيث يعطي الأولوية لبناء دوائر بسيطة ويحقق تسريعاً ملحوظاً حتى قبل تطبيق تسريع وحدة المعالجة الرسومية (GPU).
• ZKTorch: مُصنِّف بحثي يستخدم تراكم البراهين المتوازية، ويُقَال إنه يثبت نموذج GPT-2 أسرع بنحو ست مرات مقارنة بأنظمة zkML السابقة للأغراض العامة على نفس الأجهزة.
• zkVerify: طبقة للتحقق كخدمة (Verification-as-a-Service) تدعم أنظمة إثبات متعددة، مما يتيح لخطوط أنابيب الذكاء الاصطناعي تفريغ مهام التحقق من البراهين بدلاً من نشر عقود تحقق مخصصة لكل نموذج.

المعيار الذي غير التوقعات

أعاد إنجاز Lagrange في يوليو 2025 صياغة ما يُعتبر واقعياً. فقد أكمل الفريق عملية استدلال كاملة لنموذج GPT-2، وهو نموذج محول يضم 124 مليون معامل، مما يجعله أول نظام تشفير جاهز للإنتاج يثبت نموذج لغة كاملاً من البداية إلى النهاية.

انتقل النظام بعد ذلك من مرحلة العرض التجريبي إلى مرحلة النشر. حيث قامت شركة Lagrange بإتاحة DeepProve كبرمجيات مفتوحة المصدر في يونيو 2026، كاشفة عن توليد أكثر من 12 مليون إثبات تشفيري والتحقق من أكثر من 3 ملايين عملية استدلال بالذكاء الاصطناعي من البداية إلى النهاية، إلى جانب شراكات شملت IBM وNVIDIA وQualcomm وOracle وIntel وAWS.

مع ذلك، لا تزال فجوة الحدود هائلة، ولا أحد يدعي غير ذلك. نموذج GPT-2 أصغر بأربعة أضعاف من النماذج الرائدة اليوم، لذا فإن إثبات نظام حديث ومتطور ليس مكلفاً فحسب، بل إنه سخيف من الناحية الاقتصادية. والهدف التالي المُعلن لشركة Lagrange هو النماذج المفتوحة من فئة Llama وGemma بدلاً من أي شيء في قمة قائمة التصنيف.

ما تغير هو ميل المنحنى وليس السقف الحالي. إن إثبات العمليات بالتوازي عبر عناقيد المُبرهن، وإعادة تصميم الخوارزميات لتتوافق أصلًا مع وحدة المعالجة الرسومية (GPU)، والجداول المرجعية القابلة لإعادة الاستخدام، هي الأدوات الأكثر ترجيحاً لتحقيق القفزة الكبيرة التالية، مما يدفع تدريجياً بالنماذج المفتوحة متوسطة الحجم إلى النطاق القابل للإثبات.

حالات استخدام zkML في قطاع التشفير

تكتسب تقنية zkML أهمية قصوى عندما تحمل مخرجات الذكاء الاصطناعي تبعات مالية ولا يثق الأطراف ببعضهم البعض. هذه التطبيقات نشطة أو تقترب من مرحلة الإنتاج اليوم:

• الوكلاء القابلون للتحقق: يمكن لوكلاء الذكاء الاصطناعي المستقلين الذين يتداولون أو يديرون الخزائن إثبات أن كل قرار قد اتبع نموذجاً معلناً وليس نموذجاً آخر تم استبداله سراً، مما يقلص فجوة الموكل والوكيل.
• تسجيل الائتمان الخاص: يمكن لبروتوكول الإقراض تأكيد تجاوز درجة المقتترض للحد الأدنى دون رؤية الأرصدة، أو سجل المعاملات، أو الهوية على الإطلاق، نظراً لأن الإثبات يشهد على تشغيل النموذج بشكل صحيح.
• مصدر النموذج: يمكن لمزودي واجهات برمجة التطبيقات (API) إثبات النموذج الذي خدم الطلب بالفعل، مما يمنع الاستبدال الصامت لنموذج أرخص أثناء فوترة نموذج مكلف.
• الاستدلال اللامركزي: تستخدم الشبكات التي تدفع للعقد تشغيل النماذج تقنية zkML للتحقق من قيام المعدنين حقاً بإجراء الحسابات المطلوبة، مما يحل التسوية التشفيرية محل السمعة.
• الهوية الحيوية: يمكن لأنظمة مثل World تمكين المستخدمين من إثبات أن قالب القياسات الحيوية الجديد مستمد من تسجيل صحيح دون إعادة تحقق مركزية أو كشف الفحص الأساسي.
• أصالة المحتوى: يمكن لخطوط أنابيب الوسائط إرفاق براهين توضح اجتياز الأصول لنموذج اكتشاف معلن، مما يمنح الجهات التنظيمية مساراً قابلاً للمراجعة دون كشف المُصنِّف المملوك حصرياً.
• نزاهة الأوراكل: يمكن لخلاصات البيانات المدفوعة بالتعلم الآلي إثبات تنفيذ منطق التجميع كما هو محدد عبر مصادر مختلفة، مما يعزز متانة bridge بين الذكاء الاصطناعي off-chain والتسوية on-chain.

تطبيقات DeFi الناشئة

التمويل اللامركزي هو السوق الأول الطبيعي لأنه يعمل بالفعل بناءً على افتراضات الخصومة والتحقق مفتوح المصدر. تطالب محركات المخاطر، وperpetuals exchanges، وأسواق الإقراض بشكل متزايد بمعلمات مدفوعة بالذكاء الاصطناعي دون مطالبة المستخدمين بالثقة في الصندوق الأسود.

النموذج السائد هو الأتمتة المرفقة بالإثبات. يعمل نموذج الذكاء الاصطناعي على تحسين نسب الضمان، أو عتبات liquidation، أو الرسوم الديناميكية، ويتيح الإثبات المصاحب لعقود البروتوكول التحقق من أن المعلمات جاءت من النموذج المُدقق بدلاً من التجاوز التقديري للمُشغِّل.

حوكمة DAO هي الجانب الثاني، حيث يمكن التحقق من أوزان التصويت القائمة على التعلم الآلي أو محاكاة المقترحات دون كشف الحيازات الفردية. والمنطق الموحد هو أن الأتمتة لا تكون مقبولة في الأنظمة الثقة-المعدومة إلا إذا كان بالإمكان التحقق من الأتمتة نفسها.

سوق zkML والمشاريع الرئيسية

لقد توحد رأس المال والبنية التحتية حول عددقليل من اللاعبين الذين يبنون حزمة الذكاء الاصطناعي القابلة للتحقق. إن فهم من يفعل ماذا يوضح أين يكمن النشاط الحقيقي للقطاع:

• Lagrange Labs: تُشغّل شبكة إثبات حيث يضع المشغلون stake للمزايدة على توليد البراهين، مع مجموعة مشغلين من الفئة الأولى وDeepProve كأهم مكتبة zkML لاستدلال الذكاء الاصطناعي.
• Inference Labs: جمعَت 6.3 مليون دولار من مستثمرين من بينهم Delphi و Mechanism لبناء بروتوكول Proof of Inference، وهو بروتوكول لتأمين وكلاء AI من خلال التحقق المشفر.
• Bittensor Subnet 2: أكبر مجموعة إثبات zkML لامركزية عاملة، حيث أنتجت أكثر من 160 مليون zero-knowledge proofs مع تحفيز تصميم الدوائر وتحسين المُثبِتات.
• Polyhedra: تُقدم مُصنّف zkPyTorch وخلفية الإثبات Expander، مما يدفع حدود قابلية الاستخدام لتمكين مهندسي تعلم الآلة من توليد الإثباتات دون خبرة في التشفير.
• Giza: تركز على نشر نماذج قابلة للتحقق on-chain ودعم الوكلاء المستقلين، مستهدفةً سهولة وصول المطورين على حساب معدل إنتاج الإثباتات الخام.
• EZKL: تحتفظ بأكثر مجموعة أدوات مفتوحة المصدر استخداماً، والتي دققتها Trail of Bits، وتعمل كمعيار أساسي تُقارب المُثبِتات الأحدث أداءها به.

الصورة التجارية أكثر تباكراً مما يعترف به المتفائلون أو المتشائمون. لقد عانت أسعار رموز AI المعنية بشدة وتتداول عدة منها بالقرب من أدنى مستوياتها التاريخية على الإطلاق، ومع ذلك، فقد تحققت DeepProve وحدها من أكثر من ثلاثة ملايين استنتاج وجذبت شركاء في قطاع الدفاع والمؤسسات بما في ذلك Anduril و Lockheed Martin و IBM، لذا يتراكم الاستخدام الحقيقي حتى مع خصم الأسواق العامة للقطاع.

التنظيم وقضية الامتثال لـ zkML

الضغط التنظيمي هو أقوى حجة غير متعلقة بالعملات المشفرة لصالح AI القابل للتحقق. يفرض قانون AI للاتحاد الأوروبي (EU AI Act) التزامات التوثيق، والتتبع، والإشراف البشري على الأنظمة عالية المخاطر، وتقدم الإثباتات المشفرة طريقة لإثبات الصحة دون تسليم النماذج المملوكة للمدققين.

تغير الجدول الزمني بشكل ملموس في عام 2026. توصل مشرعو الاتحاد الأوروبي إلى اتفاق سياسي في 7 مايو 2026 لتأجيل أثقل الالتزامات عالية المخاطر، دافعين أنظمة الملحق الثالث (Annex III) مثل تسجيل الائتمان والتوظيف إلى ديسمبر 2027 والأنظمة المدمجة في المنتجات إلى أغسطس 2028، بينما لا تزال واجبات الشفافية تُطبق في عام 2026.

هذا التأجيل ذو حدين لـ zkML. فهو يُزيل إلحاح الامتثال على المدى القريب الذي كان البائعون يعتمدون عليه، ولكنه يمنح التكنولوجيا أيضاً وقتاً لتنضج قبل وصول المواعيد النهائية، نظراً لأن تكاليف إثبات النماذج عالية المخاطر حقاً لا تزال مرتفعة بشكل غير مريح اليوم.

النقطة الأعمق هي أن التنظيم يكافئ الأدلة على الادعاءات. وسواء كان تاريخ التفعيل عام 2026 أو 2028، ستُضطر المنظمات في النهاية إلى إثبات أن النموذج المنشور تصرف كما هو موثق، والإثبات الرياضي هو أداة أقوى من شهادة السياسة.

zkML، والهوية الرقمية، وموجة التحقق من العمر

أكبر نشر في العالم الحقيقي لتشفير zero-knowledge لا يحدث في العملات المشفرة على الإطلاق. بل يحدث في الهوية الرقمية، مدفوعاً بتفويضات التحقق من العمر التي يتم طرحها في جميع أنحاء أوروبا وUK وخارجها.

هذا مهم لـ zkML لأنه يبني قضبان الاعتماد، وبنية محفظة (wallet) التحتية، والألفة العامة التي سيعتمد عليها AI القابل للتحقق في النهاية، على الرغم من أن التقنيتين تحلان مشكلات مختلفة.

إطلاق هوية ZK العالمية

أطلقت المفوضية الأوروبية تطبيقاً مجانياً ومفتوح المصدر للتحقق من العمر في 15 أبريل 2026، مبنياً على تشفير zero-knowledge proof بحيث يمكن للمستخدمين إثبات اجتيازهم لحد عمري معين دون الكشف عن تاريخ ميلادهم أو هويتهم. وقد التزمت سبع دول أعضاء، بما في ذلك فرنسا وإيطاليا وإسبانيا، بدمجه.

البنية التحتية تحته أكبر بكثير. يتطلب تنظيم eIDAS المُعدّل من كل دولة عضو في الاتحاد الأوروبي توفير محفظة (wallet) الهوية الرقمية بحلول نهاية عام 2026 وتشجع صراحةً التشفير المعزز للخصوصية، بينما يوفر قانون الأمان على الإنترنت في UK (Online Safety Act) وقانون الخدمات الرقمية (Digital Services Act) ضغط الإنفادذ الذي يجعل التبني اختيارياً.

تحركت الصناعة الخاصة بالتوازي. دمجت Google التحقق من العمر عبر ZK في Google Wallet مع Bumble كشريك إطلاق وجعلت مكتبات ZKP الخاصة بها مفتوحة المصدر، بينما نشرت Microsoft Research نظام Vega، وهو نظام zero-knowledge الخاص بها لاعتمادات الهوية الرقمية.

حيث تناسب تقنية zkML فعلياً

يجدر ذكر تمييز مهم بوضوح، لأنه غالباً ما يتم تشويشه. إن إثبات أن عمرك يزيد عن ثامن عشر عاماً من بيانات اعتماد حكومية موقعة لا يتضمن أي شبكة عصبية، لذا فهو تشفير zero-knowledge ولكنه ليس zkML. تتشارك التقنيتان الرياضيات، وليس الآلية.

التداخل الحقيقي يكمن في تقدير العمر. يجب على المنصات التي تواجه تفويضات التحقق الاختيار بين التقدير القائم على AI، والذي يحافظ على الخصوصية ولكنه يخطئ في تقدير الأشخاص، وتحميل المستندات، وهو دقيق ولكنه يحول كل خدمة إلى وعاء عسل (honeypot) لبيانات الهوية الحكومية. تسمي Microsoft Research هذا المأزق المزدوج (double bind).

تقنية zkML هي ما يذيب هذا المقايضة. يمكن لنموذج تقدير العمر أن يعمل محلياً على جهاز المستخدم ويصدر إثباتاً بأن النموذج المُفصَح عنه تم تنفيذه بأمانة على مسح حقيقي للوجه، لذا تتعرف المنصة فقط على النتيجة المنطقية (boolean result) بينما لا تترك الصورة والنموذج البيومتري وأوزان النموذج الهاتف أبداً.

التحكم في الدردشة ونقاش المراقبة

يجلس نفس التشفير بشكل محرج داخل مقترحات التحكم في الدردشة (Chat Control) المثيرة للجدل في أوروبا، حيث تم تبرير الفحص الإلزامي للرسائل الخاصة بأهداف حماية الأطفال. يعد الفحص من جانب العميل وzkML وكلاهما بالتحقق دون التعرض الشامل للبيانات، مما يجعل التأطير قوياً سياسياً.

يقول منتقدو هذه الأطر أن التحقق المعزز للخصوصية يطبع الطلب نفسه، نظراً لأن النظام الذي يطلب مراراً وتكراراً من المستخدمين إثبات سماتهم يعيد تشكيل الوصول إلى الإنترنت بغض النظر عن مدى قلة البيانات التي يسربها كل إثبات فردي. لقد تراجعت مجموعات الحقوق الرقمية عن ربط فحوصات العمر بمحافظ (wallets) الهوية لهذا السبب بالذات.

بالنسبة لتقنية zkML، فالدرس قاسٍ ولكنه مفيد. قابلية التحقق التشفيري هي أداة خصوصية قوية حقاً، ولكنها أيضاً تمثل أداة لتمكين أنظمة الامتثال، والمعنى السياسي لهذه التكنولوجيا يعتمد بالكامل على ما تختار المؤسسات المطالبة بإثباته.

تقنية zkML مقابل مناهج الذكاء الاصطناعي الأخرى القابلة للتحقق

لا تعد تقنية zkML الطريقة الوحيدة لجعل مخرجات الذكاء الاصطناعي موثوقة، وغالباً ما تكون الأرخص. إن فهم البدائل يوضح المكان الذي يكسب فيه الإثبات التشفيري تكلفته حقاً:

• بيئات التنفيذ الموثوقة: تشغل TEEs النماذج داخل حاويات أجهزة آمنة وتشهد على النتيجة، مما يوفر تكلفة إضافية أقل بكثير ولكنه يتطلب الثقة في مزود الرقاقات ويظل عرضة لهجمات القنوات الجانبية.
• التحقق المتفائل: تفترض الأنظمة أن عمليات الحساب نزيهة وتعتمد على المعترضين للطعن فيها ضمن إطار زمني، وهو أمر غير مكلف ولكنه يتسبب في تأخير ويعتمد على مدققين يقظين ومحفزكين اقتصادياً.
• إعادة تنفيذ الإجماع: تعيد عقد متعددة تشغيل نفس الاستدلال وتقارن المخرجات، وهو نهج مباشر يضاعف تكلفة الحساب ولا يمكنه الحفاظ على خصوصية المدخلات أو الأوزان.
• التشفير المتماثل كلياً: تحسب FHE مباشرة على البيانات المشفرة، مما يقدم خصوصية قوية ولكنه يتحمل تكاليف أداء تتجاوز حالياً حتى تقنية zkML لمعظم أحمال عمل التعلم الآلي.
• التعلم الموزع: يتم التدريب محلياً ويتم مشاركة التحديثات فقط، مما يحمي البيانات الأولية دون إثبات أن أي مشارك قام بالحساب بنزاهة، مما يترك فجوة في النزاهة يمكن لتقنية zkML ملؤها.

النتيجة المرجحة هي الدمج وليس فائزاً واحداً. تُناقش بالفعل الهياكل الهجينة التي تربط بين إثباتات ZK والحساب المشفر لأحمال العمل السحابية الأكثر حساسية، وقد تتعامل TEEs مع الإنتاجية بينما ترتكز تقنية zkML على القرارات عالية المخاطر.

المخاطر والقيود

ضمانات zkML حقيقية، وكذلك قيودها، والتقييم النزييه أهم من الحماس في مجال مبكر إلى هذا الحد. المخاوف الرئيسية هي:

• تكلفة العبء: حتى في ظل حوالي 10000 ضعف من الاستدلال الأصلي، يظل الإثبات باهظ الثمن للغاية بالنسبة لنماذج اللغات الرائدة، مما يقتصر تقنية zkML على نماذج أصغر وأكثر تحديداً في المستقبل المنظور.
• فقدان الدقة: عادة ما يكلف تحويل أوزان الفاصلة العائمة إلى أعداد صحيحة في حقل منتهي من 0,5% إلى 2% من الدقة، وهو تبادل مقبول للعديد من المهام ولكنه غير مقبول للتطبيقات الحرجة من حيث الدقة.
• مركزية المُثبت: يعتمد توليد الإثبات بشكل متزايد على مجموعات وحدات معالجة الرسوميات والأجهزة المتخصصة، مما يركز القدرات بين المشغلين أصحاب رأس المال الجيد ويقوض اللامركزية التي تهدف التكنولوجيا إلى خدمتها.
• مخاطر التنفيذ: يشهد الإثبات فقط على أن الدائرة قد نُفذت بشكل صحيح، وليس أن الدائرة تمثل بدقة النموذج المقصود، لذا فإن الترجمة الخاطئة يمكن أن تنتج هراءً محققاً بثقة.
• شح المواهب: يتطلب المجال أشخاصاً يجيدون كلاً من التشفير والتعلم الآلي، وهو تقاطع ضيق يبطئ التبني المؤسسي بغض النظر عن مدى جودة الأدوات الأساسية.
• انفصال سعر الرمز المميز: تتداول رموز الذكاء الاصطناعي القابلة للتحقق بالقرب من أدنى مستوياتها على الإطلاق على الرغم من نمو حجم الإثبات، لذا فقد انفك ارتباط استخدام البنية التحتية وقيمة الرمز المميز، ولا يمكن للمالكين افتراض أن التبني يُترجم إلى السعر.
• المعايير المتنافسة: قد تلبي أطر ثقة الوكيل ذات الوزن الخفيف العديد من احتياجات التحقق بدون إثبات تشفيري، مستحوذة على حالات الاستخدام التي توقعت تقنية zkML امتلاكها.
• تشتت المعايير: تحد أنظمة الإثبات المتنافسة وسلاسل الأدوات غير المتوافقة من قابلية التشغيل البيني، وبدون التقارب، قد ينقسم التبني عبر النظم البيئية التي لا تستطيع التحقق من عمل بعضها البعض.

الأفكار الأخيرة

عبرت تقنية zkML من فضول بحثي إلى بنية تحتية عاملة. لقد تم إثبات استدلال كامل لنموذج GPT-2، وتثبت نماذج الرؤية المتوسطة في ثوانٍ، وانخفض العبء بمقدار مرتبتي قدر في غضون عامين تقريباً، وهو منحنى تحسين أسرع مما أدارته أي بدائيات تشفيرية من قبل.

القيود الصادقة هي أن الفجوة بين ما هو قابل للإثبات وما هو منشور لا تزال واسعة. النماذج الرائدة تتجاوز النطاق الاقتصادي بأربع مراتب قدر، وأجهزة المُثبت تتركز بين المشغلين ذوي رأس المال الجيد، وتتداول رموز القطاع أقل بكثير من توقعات عصر التمويل حتى مع ارتفاع حجم الإثبات.

تستند الحالة الاستراتيجية إلى المكان الذي يتجه إليه الذكاء الاصطناعي بدلاً من مكانه الحالي. تبدأ الوكلاء المستقلون في نقل رأس مال حقيقي، ويطالب المنظمون بسلوك نموذج يمكن إثباته، كما أن قضبان هوية zero-knowledge التي يتم نشرها الآن عبر أوروبا تطبع بهدوء الإثبات التشفيري كبنية تحتية يومية. لأي شخص يتتبع تقارب الذكاء الاصطناعي والعملات المشفرة، فإن تقنية zkML هي الطبقة التي تلتقي فيها هذه المسارات.