¿Qué es el Zero-Knowledge Machine Learning (zkML)?

Zero-knowledge machine learning es una técnica criptográfica que permite a una parte demostrar que un modelo de AI se ejecutó correctamente y produjo un resultado determinado, sin revelar los pesos del modelo, los datos de entrada ni ningún cálculo intermedio. Convierte una afirmación de corrección en un objeto matemático que cualquiera puede comprobar.

El problema que resuelve es estructural. Cuando consultas un modelo alojado, envías datos a un servidor y recibes un resultado sin forma de confirmar qué modelo se ejecutó realmente, si el resultado fue manipulado o si el proveedor sustituyó un modelo más barato. Confías plenamente en él, lo cual es insostenible cuando el resultado tiene peso financiero, médico o legal.

zkML sustituye esa confianza por la verificación. El operador del modelo genera una prueba criptográfica sucinta junto con cada inferencia, certificando que un modelo específico comprometido procesó una entrada específica para generar un resultado específico. La prueba no contiene ninguno de los secretos y, sin embargo, cualquier tercero, incluido un smart contract, puede validarla en milisegundos.

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.

¿Cómo funciona zkML?

zkML traduce el paso hacia adelante (_forward pass_) de una red neuronal en un sistema de restricciones aritméticas y, a continuación, demuestra que existe una asignación válida para dichas restricciones.

Así es como un modelo pasa del entrenamiento a un resultado verificable on-chain:

1. Entrenamiento: El desarrollador entrena un modelo de forma convencional, off-chain, utilizando datos y técnicas propietarias. zkML no altera el entrenamiento en sí, y los pesos resultantes siguen siendo propiedad intelectual privada.
2. Exportación: El modelo terminado se exporta a un formato de intercambio estándar, normalmente ONNX o GGUF, que el marco de pruebas puede analizar para convertirlo en un gráfico computacional de capas y operaciones.
3. Cuantización: Los pesos de coma flotante se aproximan como enteros de coma fija, ya que los circuitos ZK operan sobre cuerpos finitos en lugar de aritmética IEEE 754, un paso que conlleva una pequeña pérdida de precisión.
4. Compilación: El marco aritmetiza el gráfico, convirtiendo multiplicaciones de matrices, convoluciones y activaciones no lineales en circuitos o sistemas de restricciones que un sistema de pruebas puede procesar.
5. Prueba: Un _prover_ ejecuta la inferencia y genera una prueba sucinta que certifica que el resultado se deriva del modelo comprometido y de la entrada dada, utilizando sistemas como Halo2, GKR o argumentos basados en _lookup_.
6. Verificación: Cualquier _verifier_ (un _smart contract_, un auditor o el dispositivo de un usuario) comprueba la zero-knowledge proof frente a compromisos públicos como un _hash_ de modelo, confirmando la corrección sin exponer los pesos ni los datos sin procesar.

El paso de la cuantización merece atención porque es donde el rigor criptográfico se encuentra con la realidad del aprendizaje automático. Convertir la aritmética de valores reales en aritmética entera modular introduce una penalización de precisión típica de entre el 0,5 % y el 2 % en tareas de referencia, un equilibrio que la mayoría de aplicaciones aceptan a cambio de la verificabilidad.

Por qué generar pruebas es tan costoso

El problema de los costos es de índole aritmética y no circunstancial. Codificar cada multiplicación y activación en una red neuronal como una restricción infla drásticamente el trabajo, razón por la cual los primeros enfoques de zkVM presentaban sobrecargas de entre 100 000 y 1 000 000 de veces la inferencia nativa.

Esa cifra se ha reducido drásticamente. Los _provers_ diseñados específicamente, la aceleración por GPU y los sistemas de pruebas más inteligentes han reducido la sobrecarga hacia el rango de las 10 000 veces, y los marcos especializados ahora demuestran modelos de tamaño mediano en segundos en lugar de horas. La trayectoria, y no el costo absoluto actual, es lo que hace que el sector sea atractivo para la inversión.

Las operaciones no lineales siguen siendo el obstáculo persistente. Las activaciones como ReLU y softmax, junto con los mecanismos de atención en los transformadores, son económicas en el hardware de coma flotante pero costosas de aritmetizar, razón por la cual los modelos de visión se volvieron demostrables mucho antes que los modelos de lenguaje.

Marcos y herramientas de zkML en 2026

La capa de herramientas se ha consolidado en torno a un puñado de marcos sólidos, cada uno de los cuales apuesta por diferentes sistemas de pruebas y cargas de trabajo objetivo. Estos son los proyectos que definen el estado del arte:

• DeepProve: La biblioteca basada en GKR de Lagrange, publicada como código abierto en junio de 2026, alcanza un rendimiento de generación de pruebas entre 54 y 158 veces más rápido que EZKL y una velocidad de verificación hasta 671 veces superior.
• EZKL: La veterana herramienta de código abierto basada en Halo2, que procesa modelos ONNX y emite verificadores compatibles con EVM, lo que la convierte en el punto de entrada predeterminado para desarrolladores sin experiencia en criptografía.
• zkPyTorch: Un compilador de Polyhedra lanzado en marzo de 2025 que se integra directamente en el ecosistema de PyTorch, gestiona la cuantización automáticamente y es capaz de demostrar el modelo VGG-16 de 138 millones de parámetros en aproximadamente 2,2 segundos.
• JOLT Atlas: Un enfoque centrado en búsquedas y originado en a16z, adaptado para operaciones de ML, que prioriza la construcción de circuitos simples y ofrece notables mejoras de velocidad incluso antes de aplicar aceleración por GPU.
• ZKTorch: Un compilador de investigación que utiliza la acumulación de pruebas en paralelo, capaz de demostrar GPT-2 unas seis veces más rápido que los sistemas zkML de propósito general anteriores utilizando el mismo hardware.
• zkVerify: Una capa de verificación como servicio compatible con múltiples sistemas de pruebas, que permite a los flujos de trabajo de AI externalizar la comprobación de pruebas en lugar de desplegar contratos verificadores personalizados para cada modelo.

La referencia que cambió las expectativas

El hito alcanzado por Lagrange en julio de 2025 redefinió lo que se consideraba realista. El equipo completó una inferencia completa de GPT-2, un transformador de 124 millones de parámetros, convirtiéndose en el primer sistema criptográfico listo para producción capaz de demostrar un modelo de lenguaje completo de extremo a extremo.

Posteriormente, el sistema pasó de la fase de demostración al despliegue. Lagrange hizo de código abierto DeepProve en junio de 2026, revelando más de 12 millones de pruebas criptográficas generadas y más de 3 millones de inferencias de AI verificadas de extremo a extremo, junto con asociaciones que abarcan a IBM, NVIDIA, Qualcomm, Oracle, Intel y AWS.

No obstante, la brecha en la frontera sigue siendo enorme y nadie pretende disimularlo. GPT-2 es cuatro órdenes de magnitud más pequeño que los modelos líderes actuales, por lo que demostrar un sistema moderno de frontera no solo es costoso sino económicamente absurdo; por ello, el próximo objetivo declarado de Lagrange son los modelos abiertos de la clase Llama y Gemma, en lugar de cualquier desarrollo situado en la cima de la clasificación.

Lo que ha cambiado es la pendiente de la curva y no el techo actual. La generación de pruebas en paralelo a través de clústeres de servidores de prueba, el rediseño de algoritmos nativos para GPU y las tablas de búsqueda reutilizables son las palancas con mayor probabilidad de desbloquear el siguiente orden de magnitud, integrando gradualmente a los modelos abiertos medianos dentro del rango demostrable.

Casos de uso de zkML en criptomonedas

zkML cobra especial importancia cuando el resultado de una AI conlleva consecuencias financieras y las partes no pueden confiar mutuamente. Estas aplicaciones ya están operativas o próximas a su lanzamiento en producción:

• Agentes verificables: Los agentes de AI autónomos que operan o gestionan tesorerías pueden demostrar que cada decisión siguió un modelo divulgado en lugar de uno modificado en secreto, reduciendo así la brecha entre principal y agente.
• Calificación crediticia privada: Un protocolo de préstamos puede confirmar que la puntuación de un prestatario supera un umbral determinado sin necesidad de ver saldos, historial de transacciones o identidad, ya que la prueba acredita que el modelo se ejecutó correctamente.
• Procedencia de modelos: Los proveedores de API pueden demostrar qué modelo atendió realmente una solicitud, evitando la sustitución silenciosa de un modelo más económico mientras se factura uno más costoso.
• Inferencia descentralizada: Las redes que remuneran a los nodos por ejecutar modelos emplean zkML para verificar que los mineros realizaron genuinamente el cálculo declarado, sustituyendo la reputación por una liquidación criptográfica.
• Identidad biométrica: Sistemas como World permiten a los usuarios demostrar que una nueva plantilla biométrica proviene de un registro válido sin necesidad de una reverificación centralizada ni de exponer el escaneo subyacente.
• Autenticidad de contenidos: Los flujos de trabajo de medios pueden adjuntar pruebas que demuestren que un activo pasó por un modelo de detección divulgado, ofreciendo a los reguladores un registro auditable sin revelar el clasificador propietario.
• Integridad de oráculos: Los flujos de datos impulsados por ML pueden demostrar que la lógica de agregación se ejecutó según lo especificado a través de distintas fuentes, reforzando el bridge entre la inteligencia off-chain y la liquidación on-chain.

Aplicaciones emergentes de DeFi

Las finanzas descentralizadas constituyen el primer mercado natural porque operan intrínsecamente sobre supuestos adversarios y verificación de código abierto. Los motores de riesgo, los perpetuals exchanges y los mercados de préstamos demandan cada vez más parámetros impulsados por AI sin exigir a los usuarios que confíen en una caja negra.

El patrón recurrente es la automatización adjunta a pruebas. Un modelo de AI optimiza los ratios de garantía, los umbrales de liquidation o las comisiones dinámicas, y la prueba adjunta permite que los contratos del protocolo verifiquen que los parámetros proceden del modelo auditado y no de una modificación discrecional por parte del operador.

La gobernanza de las DAO representa una segunda frontera, donde las ponderaciones de voto basadas en ML o las simulaciones de propuestas pueden validarse sin exponer las tenencias individuales. La lógica unificadora es que la automatización solo resulta aceptable en sistemas sin confianza si dicha automatización puede ser auditada.

El mercado de zkML y los proyectos clave

El capital y la infraestructura se han consolidado en torno a unos pocos actores que construyen el stack de la AI verificable. Entender quién hace qué aclara dónde se sitúa la actividad real del sector:

• Lagrange Labs: Opera una red de prueba (proving network) donde los operadores hacen stake para pujar por la generación de pruebas, con un conjunto de operadores de primer nivel y DeepProve como su biblioteca de zkML insignia para la inferencia de AI.
• Inference Labs: Recaudó 6,3 millones de dólares de inversores como Delphi y Mechanism para construir Proof of Inference, un protocolo que asegura a los agentes de AI mediante verificación criptográfica.
• Bittensor Subnet 2: El clúster de prueba zkML descentralizado más grande en funcionamiento, que ha producido más de 160 millones de pruebas de zero-knowledge mientras incentiva el diseño de circuitos y la optimización de provers.
• Polyhedra: Ofrece el compilador zkPyTorch y el backend de prueba Expander, ampliando la frontera de usabilidad para que los ingenieros de ML puedan generar pruebas sin experiencia criptográfica.
• Giza: Se centra en desplegar modelos verificables on-chain y potenciar agentes autónomos, priorizando la accesibilidad para desarrolladores por encima del rendimiento bruto de prueba.
• EZKL: Mantiene el kit de herramientas de código abierto más adoptado, auditado por Trail of Bits, y funciona como la referencia básica con la que los provers más nuevos se comparan.

El panorama comercial es más mixto de lo que admiten los optimistas o los pesimistas. Los precios de los tokens de AI verificable han sufrido enormemente y varios cotizan cerca de mínimos históricos, sin embargo, solo DeepProve ha verificado más de tres millones de inferencias y ha atraído a socios de defensa y empresariales, incluidos Anduril, Lockheed Martin e IBM, por lo que el uso real se está acumulando incluso mientras los mercados públicos descartan el sector.

La regulación y el caso del cumplimiento para el zkML

La presión regulatoria es el argumento no cripto más sólido a favor de la AI verificable. La Ley de AI de la UE impone obligaciones de documentación, trazabilidad y supervisión humana a los sistemas de alto riesgo, y las pruebas criptográficas ofrecen una forma de demostrar la corrección sin entregar modelos propietarios a los auditores.

El calendario cambió de manera sustancial en 2026. Los legisladores de la UE alcanzaron un acuerdo político el 7 de mayo de 2026 para aplazar las obligaciones de alto riesgo más pesadas, retrasando los sistemas del Anexo III, como la calificación crediticia y la contratación, a diciembre de 2027 y los sistemas integrados en productos a agosto de 2028, mientras que los deberes de transparencia aún entran en vigor en 2026.

Ese aplazamiento tiene dos caras para el zkML. Elimina la urgencia de cumplimiento a corto plazo con la que contaban los proveedores, pero también le da tiempo a la tecnología para madurar antes de que lleguen los plazos, ya que los costos de prueba para los modelos genuinamente de alto riesgo siguen siendo incómodamente altos hoy en día.

El punto más profundo es que la regulación premia la evidencia por encima de la afirmación. Ya sea que la fecha de aplicación sea 2026 o 2028, las organizaciones eventualmente necesitarán demostrar que un modelo implementado se comportó como se documentó, y la prueba matemática es un artefacto más fuerte que una atestación de políticas.

zkML, identidad digital y la ola de verificación de edad

El despliegue en el mundo real más grande de la criptografía de zero-knowledge no se está produciendo en absoluto en las criptomonedas. Está ocurriendo en la identidad digital, impulsado por los mandatos de verificación de edad que se extienden por Europa, el UK y más allá.

Esto es importante para el zkML porque construye los raíles de credenciales, la infraestructura de wallet y la familiaridad pública de la que eventualmente dependerá la AI verificable, a pesar de que ambas tecnologías resuelven problemas diferentes.

El despliegue global de identidad ZK

La Comisión Europea lanzó una aplicación gratuita de verificación de edad de código abierto el 15 de abril de 2026, construida sobre criptografía de pruebas de zero-knowledge para que los usuarios puedan demostrar que superan un umbral de edad sin revelar su fecha de nacimiento o identidad. Siete Estados miembros, incluidos Francia, Italia y España, se comprometieron a integrarla.

La infraestructura que hay debajo es aún mayor. El Reglamento eIDAS revisado exige que todos los Estados miembros de la UE ofrezcan un wallet de identidad digital para finales de 2026 y fomenta explícitamente la criptografía que mejora la privacidad, mientras que la Ley de Seguridad en Línea del UK y la Ley de Servicios Digitales proporcionan la presión de cumplimiento que hace que la adopción no sea opcional.

La industria privada se movió en paralelo. Google integró la verificación de edad ZK en Google Wallet con Bumble como socio de lanzamiento y puso en código abierto sus bibliotecas de ZKP, mientras que Microsoft Research publicó Vega, su propio sistema de zero-knowledge para credenciales de identidad digital.

Dónde encaja realmente el zkML

Vale la pena señalar una distinción importante con claridad, ya que se difumina con frecuencia. Demostrar que tienes más de dieciocho años a partir de una credencial gubernamental firmada no implica ninguna red neuronal, por lo que es criptografía de zero-knowledge, pero no es zkML. Ambas comparten las matemáticas, no la maquinaria.

El solapamiento genuino radica en la estimación de la edad. Las plataformas que se enfrentan a mandatos de verificación deben elegir entre la estimación basada en AI, que preserva la privacidad pero juzga mal a las personas, y la subida de documentos, que es precisa pero convierte cada servicio en una trampa de miel para los datos de identificación gubernamentales. Microsoft Research llama a esto el dilema.

El zkML es lo que disuelve ese compromiso. Un modelo de estimación de edad puede ejecutarse localmente en el dispositivo de un usuario y emitir una prueba de que el modelo revelado se ejecutó honestamente en un escaneo facial real, por lo que la plataforma solo aprende el resultado booleano mientras que la imagen, la plantilla biométrica y los pesos del modelo nunca abandonan el teléfono.

Chat Control y el debate sobre la vigilancia

La misma criptografía encaja con dificultad en las controvertidas propuestas europeas de Chat Control, donde el escaneo obligatorio de los mensajes privados se ha justificado con objetivos de protección infantil. Tanto el escaneo del lado del cliente como zkML prometen la verificación sin una exposición masiva de datos, lo que confiere a este enfoque una gran potencia política.

Los críticos de estos marcos argumentan que la verificación que preserva la privacidad normaliza la demanda en sí misma, ya que un sistema que pide repetidamente a los usuarios que prueben atributos remodela el acceso a internet, independientemente de los pocos datos que filtre cada prueba individual. Los grupos de derechos digitales se han opuesto a vincular las comprobaciones de edad a los identity wallets exactamente por este motivo.

Para zkML, la lección es incómoda pero útil. La verificabilidad criptográfica es una herramienta de privacidad verdaderamente potente, pero también facilita los regímenes de cumplimiento, y el significado político de la tecnología depende enteramente de aquello de lo que las instituciones decidan exigir una prueba.

zkML frente a otros enfoques de IA verificable

zkML no es la única forma de hacer que los resultados de la IA sean confiables, y a menudo no es la más barata. Entender las alternativas aclara dónde la prueba criptográfica realmente justifica su coste:

• Entornos de ejecución de confianza: Los TEEs ejecutan modelos dentro de enclaves de hardware seguro y atestiguan el resultado, ofreciendo unos costes generales mucho menores, pero exigiendo confianza en el proveedor del chip y permaneciendo expuestos a ataques de canal lateral.
• Verificación optimista: Los sistemas asumen que los cálculos son honestos y confían en que los retadores los disputen dentro de un plazo determinado, lo cual es económico pero introduce retrasos y depende de verificadores atentos y con incentivos económicos.
• Reejecución por consenso: Varios nodos vuelven a ejecutar la misma inferencia y comparan los resultados, un enfoque sencillo que multiplica el coste computacional y no puede preservar la privacidad de las entradas o los pesos.
• Cifrado homomórfico completo: FHE opera directamente sobre datos cifrados, ofreciendo una privacidad sólida pero acarreando unos costes generales de rendimiento que actualmente superan incluso a los de zkML para la mayoría de las cargas de trabajo de machine-learning.
• Aprendizaje federado: El entrenamiento se realiza localmente y solo se comparten las actualizaciones, protegiendo los datos sin procesar sin demostrar que ningún participante calculó de forma honesta, lo que deja un vacío de integridad que zkML puede llenar.

El resultado probable es la combinación en lugar de un único ganador. Ya se están debiendo pilas híbridas que combinan pruebas ZK con computación cifrada para las cargas de trabajo en la nube más sensibles, y los TEEs pueden gestionar el rendimiento mientras zkML respalda las decisiones de alto riesgo.

Riesgos y limitaciones

Las garantías de zkML son reales, pero también lo son sus limitaciones, y una evaluación honesta importa más que el entusiasmo en un campo tan temprano. Las principales preocupaciones son:

• Costes generales: Incluso a unas 10.000 veces la inferencia nativa, la generación de pruebas sigue siendo demasiado cara para los modelos lingüísticos de vanguardia, lo que limita zkML a modelos más pequeños y bien definidos en el futuro previsible.
• Pérdida de precisión: Cuantizar pesos de coma flotante en enteros de campo finito suele costar entre un 0,5 % y un 2 % de precisión, un compromiso aceptable para muchas tareas, pero descalificador para aplicaciones críticas en cuanto a precisión.
• Centralización de los provisor: La generación de pruebas depende cada vez más de clústeres de GPU y hardware especializado, lo que concentra la capacidad entre operadores con buenos recursos y socava la descentralización a la que la tecnología debe servir.
• Riesgo de implementación: Una prueba solo atestigua que un circuito se ejecutó correctamente, no que el circuito represente fielmente el modelo previsto, por lo que una compilación defectuosa puede producir tonterías verificadas con total seguridad.
• Escasez de talento: El campo exige personas expertas tanto en criptografía como en machine learning, una intersección reducida que frena la adopción empresarial sin importar lo buenas que lleguen a ser las herramientas subyacentes.
• Desconexión del precio de los tokens: Los tokens de IA verificable cotizan cerca de sus mínimos históricos a pesar del creciente volumen de pruebas, por lo que el uso de la infraestructura y el valor del token se han desacoplado, y los titulares no pueden asumir que la adopción se traduzca en precio.
• Estándares competitivos: Los marcos de confianza para agentes de menor peso pueden satisfacer muchas necesidades de verificación sin necesidad de pruebas criptográficas, capturando casos de uso que zkML esperaba dominar.
• Fragmentación de estándares: Los sistemas de pruebas competitivos y las cadenas de herramientas incompatibles limitan la interoperabilidad y, sin una convergencia, la adopción podría fragmentarse entre ecosistemas que no pueden verificar el trabajo de los demás.

Conclusión

zkML ha pasado de ser una curiosidad de investigación a convertirse en una infraestructura funcional. Se ha probado una inferencia completa de GPT-2, los modelos de visión medianos se prueban en segundos y los costes generales se han reducido en dos órdenes de magnitud en aproximadamente dos años, una curva de mejora más rápida de lo que la mayoría de las primitivas criptográficas lograron jamás.

La limitación honesta es que la brecha entre lo que es demostrable y lo que está desplegado sigue siendo amplia. Los modelos de vanguardia se encuentran a cuatro órdenes de magnitud del alcance económico, el hardware de prueba se está concentrando entre operadores con buenos recursos de capital y los tokens del sector cotizan muy por debajo de sus expectativas de la era de la financiación, incluso a medida que aumenta el volumen de pruebas.

El argumento estratégico se basa en hacia dónde se dirige la IA en lugar de dónde está. Los agentes autónomos están empezando a mover capital real, los reguladores exigen un comportamiento demostrable de los modelos y los carriles de identidad zero-knowledge que ahora se implementan en toda Europa están normalizando silenciosamente la prueba criptográfica como infraestructura cotidiana. Para cualquiera que siga la convergencia entre IA y criptomonedas, zkML es la capa donde se cruzan esas trayectorias.