Was ist Zero-Knowledge (zkML)?

Zero-Knowledge Learning (zkML) verbindet zero-knowledge (ZKPs) – eine kryptografische Methode, mit der Aussagen bewiesen werden können, ohne die zugrunde liegenden Daten preiszugeben – mit maschinellem Lernen (ML), um datenschutzkonforme und überprüfbare Berechnungen zu ermöglichen.

zkML überprüft zkML kleinere AI wie Trading-Bots oder Bildgeneratoren mithilfe kryptografischer Nachweise, die die Einhaltung der Regeln bestätigen. Die Skalierung auf große Modelle (z. B. GPT-4o, o1, DALL-E 2, Claude 3.5, Grok-1) ist nach wie vor durch extrem hohe Rechenkosten eingeschränkt.

Weitere Anwendungsbereiche reichen von der Betrugsaufdeckung bis hin zur privaten biometrischen Authentifizierung. Durch den Einsatz von zero-knowledge zkML Datenschutz und rechnerische Integrität und stellt damit einen wichtigen Fortschritt für sensible Bereiche wie das Finanzwesen (traditionell/dezentralisiert) und das Gesundheitswesen dar.

Wie funktioniert zkML ?

Mit zkML kann ein Prüfer die Korrektheit der Inferenz oder des Trainingsprozesses AI bestätigen, ohne sensible Details wie Eingabedaten, Modellgewichte oder andere vertrauliche Informationen preiszugeben.

Der zkML ifizierungsprozess umfasst folgende wesentliche Schritte:

• Kryptografische Umwandlung: ML-Operationen (Inferenz, Training) werden in arithmetische Schaltkreise oder Constraint-Systeme übersetzt, die neuronale Netzschichten in mathematische Beziehungen umwandeln.
• Beweisgenerierung: ZK(zk, zk) erzeugen prägnante kryptografische Beweise, die die Korrektheit von ML-Berechnungen, Hash-Funktionen nichtlinearer Aktivierungen, Matrixmultiplikationen und Datenflüssen in algebraischen Aussagen bestätigen.
• Verifizierung: Dritte validieren Proofs anhand öffentlicher Parameter (z. B. Modell-Hashes, Eingabeverpflichtungen), ohne auf die Rohdaten zuzugreifen, und stellen so sicher, dass sich die Ergebnisse aus der vereinbarten Logik ergeben.
• Datenschutz: Eingaben, Gewichte und Gradienten bleiben verschlüsselt oder maskiert und verlassen sich auf kryptografische Primitive wie homomorphe Verschlüsselung oder sichere Mehrparteienberechnungen, um sensible Daten zu isolieren.
• Abstriche: Größere Netze oder tiefere Schichten erhöhen den Rechenaufwand, während die Größe des Beweises und die Verifikationsgeschwindigkeit von der Effizienz des zugrunde liegenden Beweissystems abhängen.

Einfach ausgedrückt zkML es, die Richtigkeit der Vorhersagen oder Trainingsergebnisse AI nachzuweisen, ohne die zugrunde liegenden Daten oder Modelldetails offenzulegen. Dies wird durch kryptografische Nachweise erreicht, die Datenschutz und Genauigkeit gewährleisten und den Prozess somit sowohl sicher als auch überprüfbar machen.

Anwendungsfälle zkML

zkML im Kryptobereich bereits bewährt: Mehrere Projekte setzen es erfolgreich ein oder befinden sich vor mainnet in der letzten Testphase.

• AI : Nachweis, dass Trading-Bots oder yield (RockyBotModulus Labs, Giza x Yearn) wie angegeben ausgeführt werden, um versteckte Manipulationen der DeFi zu verhindern.
• API-Rechenschaftspflicht: Entlarven Sie "Blackbox"-ML-Dienste, indem Sie die Anbieter zwingen, Nachweise beizufügen, aus denen hervorgeht, welche Modelle ihre Ergebnisse liefern.
• Exploit-Prävention: DAOs sollen gehackte Smart Contracts mithilfe von ZK(Forschungsergebnisse des Aztec-Protokolls) DAOs sperren können, die auf historischen Exploit-Mustern trainiert wurden.
• Biometrische Upgrades: Die Benutzer aktualisieren ihre Anmeldedaten(Iris-Codes der Welt) selbst, indem sie nachweisen, dass die neuen biometrischen Vorlagen von gültigen Scans stammen, wodurch eine zentrale Neuanmeldung entfällt.
• Medizinische Vertraulichkeit: Diagnostizieren Sie verschlüsselte MRTs(vCNN), während die Scans privat bleiben, und ersetzen Sie den Compliance-Papierkram durch kryptografische Audits.

Mögliche DeFi

Wenn zkML ausgereift ist, ist es denkbar, dass sie in noch vielfältigere Anwendungsfälle across Bereichen der dezentralen Finanzwelt integriert wird:

• DeFi : Nachweis der Korrektheit der AI Besicherung von Krediten oder der Preisgestaltung von Derivaten (Aave, Synthetix, Hyperliquidetc.), ohne proprietäre Algorithmen oder Nutzerpositionen offenzulegen.
• DAO : Überprüft die auf maschinellem Lernen basierenden Berechnungen der Stimmgewichte oder Prognosen zur Auswirkung von Vorschlägen, wobei die Daten der Teilnehmer (z. B. Token-Bestände) vertraulich bleiben.
• Privacy Coins: Überprüft Anonymitätssätze von Transaktionen (Zcash, Monero) mithilfe von maschinellem Lernen, um Sybil-Angriffe aufzudecken, ohne dabei die Identität der Nutzer oder Netzwerk-Metadaten preiszugeben.
• NFT : Kryptografische Überprüfung von Seltenheitswerten oder dynamischen Preisalgorithmen (Pudgy Penguins, Azuki NFT), ohne dass proprietäre Bewertungslogik offengelegt wird.
• Cross-Chain : Sichern ML-gestützte Datenfeeds (Chainlink, Band Protocol), indem sie die Integrität der Datenaggregation across nachweisen, ohne die Eingaben der Knoten offenzulegen.
• ZK: Ermöglicht maschinell lernoptimiertes Transaktions-Batching (ZKsync, StarkNet) mit Nachweisen, die eine faire Reihenfolge und Gebührenberechnung gewährleisten, ohne die Aktivitätsmuster der Nutzer offenzulegen.

Aktueller Stand von zkML

zkML die Antwort des Jahres 2024 auf das Vertrauensdefizit im Silicon Valley, angetrieben von Krypto-Giganten wie Polychain und a16z, die Millionen in Start-ups wie Modulus Labs, World (ehemals Worldcoin) und Ingonyama, umAI und die ÜberprüfbarkeitAI voranzutreiben.

Zwar hat zkML bei Modellen ChatGPT noch mit Schwierigkeiten zu kämpfen, doch könnte das Jahr 2025 einen Wendepunkt markieren. Die von Präsident Trump angeführte Stargate US im Umfang von 500 Milliarden Dollar zum Aufbau von Rechenzentren sowie neue Marktteilnehmer wie Chinas AI von DeepSeek sollen für schnellere Innovationen sorgen.

Risiken und Bedenken

Die kryptografischen Garantien zkMLbergen nicht unerhebliche Risiken, die die Einführung in Unternehmen verzögern oder systemische Schwachstellen offenlegen könnten.

• Exponentielle Kosten: Die Validierung komplexer Modelle (GPT-4o etc.) ist nach wie vor unerschwinglich teuer, wobei Hardware-Einschränkungen (siehe Ingonyamas ZKPU) ROI beschränken.
• Risiken der Zentralisierung:ASIC könnte zu einer Machtkonzentration bei einigen wenigen Chipherstellern (z. B. Nvidia) führen, was den Idealen der Dezentralisierung zuwiderläuft.
• Sicherheitstheater: Schlecht implementierte Schaltkreise, wie z. B. ungeprüfte EZKL-Kompilierungen, bergen das Risiko, dass "verifizierte" Ausgaben Datenlecks oder Modellfehler verschleiern.
• Regulatorische Unklarheiten: Frühzeitige Vorschriften (derzeit vor allem AI ) könnten zu unzureichenden zkML führen und damit Compliance-Aufwand verursachen, ohne dass dadurch echte Sicherheitsvorteile entstehen.
• Hürden bei derzkML: Unternehmen wie Walmart sehen sich trotz Modulus Labs den Nutzen für die Lieferkette unter Beweis gestellt hat.

Abschließende Überlegungen

zkML ein grundlegender Schritt in Richtung AI , stößt jedoch nach wie vor an Grenzen hinsichtlich der Skalierbarkeit, da aktuelle GPU Nachweise Schwierigkeiten haben, Modelle mit Billionen von Parametern zu verarbeiten.

Anleger, die auf Infrastrukturlösungen setzen, betrachten zkML entscheidende Prüfebene für Branchen wie DeFi die Arzneimittelforschung, in denen AI Milliardenbeträge sichert.

Die Regulierungsbehörden stehen vor einem schwierigen Balanceakt: Eine übermäßige Aufsicht birgt die Gefahr, Innovationen zu ersticken, während Untätigkeit dazu führen könnte, AI ungeprüfte AI das Vertrauen in lebenswichtige Systeme untergräbt.