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

El aprendizaje automático de zero-knowledge es una técnica criptográfica que permite a una parte probar que un modelo de AI se ejecutó correctamente y produjo una salida determinada, sin revelar los pesos del modelo, los datos de entrada o cualquier cálculo intermedio. Convierte una afirmación de corrección en un objeto matemático que cualquiera puede verificar.

El problema que resuelve es estructural. Cuando se consulta un modelo alojado, se envían datos a un servidor y se recibe un resultado sin forma de confirmar qué modelo se ejecutó realmente, si la salida fue manipulada o si el proveedor sustituyó un modelo más económico. Se confía completamente en él, lo cual es insostenible cuando la salida tiene un peso financiero, médico o legal.

zkML reemplaza esa confianza con verificación. El operador del modelo genera una prueba criptográfica sucinta junto con cada inferencia, atestiguando que un modelo comprometido específico procesó una entrada específica para producir una salida específica. La prueba no contiene ninguno de los secretos, 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 de una red neuronal en un sistema de restricciones aritméticas, y luego prueba que existe una asignación válida para esas restricciones.

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

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 permanecen como propiedad intelectual privada.
2. Exportación: El modelo terminado se exporta a un formato de intercambio estándar, típicamente ONNX o GGUF, que el framework de pruebas puede analizar en un grafo computacional de capas y operaciones.
3. Cuantificación: Los pesos de punto flotante se aproximan como enteros de punto fijo, ya que los circuitos ZK operan sobre campos finitos en lugar de aritmética IEEE 754, un paso que conlleva una pequeña pérdida de precisión.
4. Compilación: El framework aritmetiza el grafo, convirtiendo multiplicaciones de matrices, convoluciones y activaciones no lineales en circuitos o sistemas de restricciones que un sistema de pruebas puede consumir.
5. Prueba: Un probador ejecuta la inferencia y genera una prueba sucinta que certifica el resultado derivado del modelo comprometido y la entrada dada, utilizando sistemas como Halo2, GKR o argumentos basados en tablas de consulta.
6. Verificación: Cualquier verificador, ya sea un contrato inteligente, un auditor o el dispositivo de un usuario, comprueba la prueba de zero-knowledge frente a compromisos públicos como un hash de modelo, confirmando su corrección sin exponer pesos ni datos brutos.

El paso de cuantificación merece atención porque es donde el rigor criptográfico se encuentra con la realidad del aprendizaje automático. La conversión de la aritmética de valores reales a la aritmética de enteros modulares introduce una penalización de precisión típica de alrededor del 0,5% al 2% en tareas de referencia, un compromiso que la mayoría de las aplicaciones aceptan a cambio de la capacidad de prueba.

¿Por qué la prueba es tan costosa?

El problema del costo es aritmético más que incidental. Codificar cada multiplicación y activación en una red neuronal como una restricción aumenta drásticamente el trabajo, razón por la cual los primeros enfoques de zkVM implicaban sobrecargas entre 100.000 y 1.000.000 de veces la inferencia nativa.

Esa cifra ha colapsado. Los probadores diseñados específicamente, la aceleración por GPU y los sistemas de prueba más inteligentes han reducido la sobrecarga hacia el rango de 10.000 veces, y los frameworks especializados ahora prueban modelos de tamaño medio en segundos en lugar de horas. La trayectoria, no el costo absoluto actual, es lo que hace que el campo sea invertible.

Las operaciones no lineales siguen siendo el cuello de botella persistente. Activaciones como ReLU y softmax, junto con los mecanismos de atención en los transformadores, son económicas en hardware de punto flotante pero costosas de aritmetizar, razón por la cual los modelos de visión se hicieron probables mucho antes que los modelos de lenguaje.

Frameworks y herramientas de zkML en 2026

La capa de herramientas se ha consolidado en torno a un puñado de frameworks importantes, cada uno apostando de manera diferente por los sistemas de prueba y las cargas de trabajo objetivo. Estos son los proyectos que definen el estado del arte:

• DeepProve: La biblioteca de Lagrange basada en GKR, de código abierto completo en junio de 2026, registra un rendimiento entre 54 y 158 veces más rápido en la generación de pruebas que EZKL y hasta 671 veces más rápido en la verificación.
• EZKL: El caballo de batalla de código abierto de larga trayectoria construido sobre Halo2, que ingiere modelos ONNX y emite verificadores compatibles con EVM, convirtiéndolo en el punto de entrada predeterminado para desarrolladores sin experiencia en criptografía.
• zkPyTorch: Un compilador de Polyhedra lanzado en marzo de 2025 que se conecta directamente a la pila de PyTorch, gestionando la cuantificación automáticamente y probando el VGG-16 de 138 millones de parámetros en aproximadamente 2,2 segundos.
• JOLT Atlas: Un enfoque centrado en tablas de consulta, originado por a16z y adaptado para operaciones de ML, que prioriza la construcción de circuitos simples y logra fuertes aceleraciones incluso antes de aplicar la aceleración por GPU.
• ZKTorch: Un compilador de investigación que utiliza acumulación de pruebas paralela, y se informa que prueba GPT-2 aproximadamente seis veces más rápido que los sistemas ZKML de propósito general anteriores en hardware idéntico.
• zkVerify: Una capa de verificación como servicio que soporta múltiples sistemas de prueba, permitiendo que las pipelines de AI descarguen la verificación de pruebas en lugar de desplegar contratos de verificador a medida para cada modelo.

El parámetro de referencia que cambió las expectativas

El hito de Lagrange de 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, convirtiéndolo en el primer sistema criptográfico listo para producción en probar un modelo de lenguaje completo de principio a fin.

El sistema pasó entonces de la demostración a la implementación. Lagrange liberó DeepProve como código abierto en junio de 2026, revelando más de 12 millones de pruebas criptográficas generadas y más de 3 millones de inferencias de AI verificadas de principio a fin, junto con asociaciones que abarcan IBM, NVIDIA, Qualcomm, Oracle, Intel y AWS.

La brecha de la frontera, sin embargo, sigue siendo enorme, y nadie afirma lo contrario de manera creíble. GPT-2 es cuatro órdenes de magnitud más pequeño que los modelos líderes actuales, por lo que probar un sistema de frontera moderno no es meramente costoso, sino económicamente absurdo, y el próximo objetivo declarado de Lagrange son los modelos abiertos de clase Llama y Gemma en lugar de cualquier cosa en la cima de la clasificación.

Lo que cambió es la pendiente de la curva, más que el techo actual. La prueba paralelizada a través de clústeres de probadores, los rediseños de algoritmos nativos de GPU y las tablas de búsqueda reutilizables son las palancas con más probabilidades de lograr el próximo desbloqueo de orden de magnitud, arrastrando gradualmente los modelos abiertos de tamaño medio a un rango demostrable.

Casos de Uso de zkML en Cripto

zkML es más relevante cuando una salida de AI conlleva una consecuencia financiera y las partes no pueden confiar entre sí. Estas aplicaciones están activas o próximas a la producción hoy en día:

• Agentes verificables: AI autónomos que realizan operaciones bursátiles o gestionan fondos pueden demostrar que cada decisión se ha tomado siguiendo un modelo hecho público, y no uno sustituido en secreto, lo que permite cerrar la brecha entre el mandante y el agente.
• Puntuación crediticia privada: Un protocolo de préstamo puede confirmar que la puntuación de un prestatario supera un umbral sin ver nunca los saldos, el historial de transacciones o la identidad, ya que la prueba certifica que el modelo se ejecutó correctamente.
• Procedencia del modelo: Los proveedores de API pueden probar qué modelo atendió realmente una solicitud, evitando la sustitución silenciosa de un modelo más barato mientras se factura uno caro.
• Inferencia descentralizada: Las redes que pagan a los nodos para ejecutar modelos utilizan zkML para verificar que los mineros realizaron genuinamente la computación reclamada, reemplazando la reputación por la liquidación criptográfica.
• Identidad biométrica: Sistemas como World pueden permitir a los usuarios probar que una nueva plantilla biométrica deriva de una inscripción válida sin una nueva verificación centralizada o exponer el escaneo subyacente.
• Autenticidad del contenido: Las cadenas de medios pueden adjuntar pruebas que demuestren que un activo pasó un modelo de detección revelado, dando a los reguladores un rastro auditable sin exponer el clasificador propietario.
• Integridad del oráculo: Los flujos de datos impulsados por ML pueden probar que la lógica de agregación se ejecutó según lo especificado en las fuentes, fortaleciendo el bridge entre la inteligencia off-chain y la liquidación on-chain.

Aplicaciones Emergentes de DeFi

Las finanzas descentralizadas son el primer mercado natural porque ya funcionan con suposiciones adversarias y verificación de código abierto. Los motores de riesgo, los intercambios de perpetuals y los mercados de préstamos quieren cada vez más parámetros impulsados por AI sin pedir a los usuarios que confíen en una caja negra.

El patrón es la automatización con prueba adjunta. Un modelo de AI optimiza las relaciones de garantía, los umbrales de liquidation o las tarifas dinámicas, y la prueba adjunta permite a los contratos del protocolo verificar que los parámetros provienen del modelo auditado en lugar de una anulación discrecional de un operador.

La gobernanza de DAO es una segunda frontera, donde los pesos de voto basados en ML o las simulaciones de propuestas pueden validarse sin exponer las tenencias individuales. La lógica unificadora es que la automatización solo es aceptable en sistemas sin confianza si la propia automatización puede ser verificada.

El Mercado zkML y Proyectos Clave

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

• Lagrange Labs: Opera una red de prueba donde los operadores stakean para pujar por la generación de pruebas, con un conjunto de operadores de primer nivel y DeepProve como su biblioteca 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 agentes de AI mediante verificación criptográfica.
• Bittensor Subnet 2: El clúster de prueba zkML descentralizado más grande en operación, habiendo producido más de 160 millones de pruebas zero-knowledge mientras incentiva el diseño de circuitos y la optimización del probador.
• Polyhedra: Ofrece el compilador zkPyTorch y el backend de prueba Expander, impulsando la frontera de la 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 sobre el rendimiento bruto de prueba.
• EZKL: Mantiene el conjunto de herramientas de código abierto más ampliamente adoptado, auditado por Trail of Bits, y funciona como la línea de base contra la cual los probadores más nuevos se comparan.

El panorama comercial es más complejo de lo que admiten alcistas o bajistas. Los precios de los tokens de AI verificable han sufrido considerablemente 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 como Anduril, Lockheed Martin e IBM, por lo que el uso real se está acumulando incluso mientras los mercados públicos desestiman el sector.

Regulación y el Caso de Cumplimiento para zkML

La presión regulatoria es el argumento no cripto más sólido para la AI verificable. La Ley de IA 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 evidenciar la corrección sin entregar modelos propietarios a los auditores.

El cronograma cambió sustancialmente en 2026. Los legisladores de la EU alcanzaron un acuerdo político el 7 de mayo de 2026 para aplazar las obligaciones de alto riesgo más pesadas, posponiendo los sistemas del Anexo III, como la calificación crediticia y la contratación, hasta diciembre de 2027, y los sistemas integrados en productos hasta agosto de 2028, mientras que las obligaciones de transparencia aún se aplican en 2026.

Ese aplazamiento tiene un doble filo para 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 modelos genuinamente de alto riesgo siguen siendo incómodamente altos hoy en día.

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

zkML, Identidad Digital y la Ola de Verificación de Edad

El mayor despliegue en el mundo real de la criptografía de zero-knowledge no está ocurriendo en el ámbito cripto en absoluto. Está sucediendo en la identidad digital, impulsado por los mandatos de verificación de edad que se están implementando en Europa, el UK y más allá.

Esto es importante para zkML porque construye la infraestructura de credenciales, la infraestructura de wallet y la familiaridad pública de las que dependerá eventualmente la AI verificable, aunque ambas tecnologías resuelvan problemas diferentes.

El Despliegue Global de Identidad ZK

La Comisión Europea lanzó una aplicación gratuita de código abierto para verificación de edad el 15 de abril de 2026, basada en 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 subyacente es aún mayor. El Reglamento eIDAS revisado exige que cada estado miembro de la EU ofrezca un Digital Identity Wallet 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 avanzó en paralelo. Google integró la verificación de edad ZK en Google Wallet con Bumble como socio de lanzamiento y liberó sus bibliotecas ZKP como código abierto, mientras que Microsoft Research publicó Vega, su propio sistema de zero-knowledge para credenciales de identidad digital.

Dónde encaja realmente zkML

Es importante establecer una distinción clara, ya que a menudo se difumina. Probar que se es mayor 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.

La verdadera superposición reside en la estimación de 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 carga de documentos, que es precisa pero convierte cada servicio en una trampa para los datos de identificación gubernamental. Microsoft Research denomina a esto el double bind.

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 divulgado se ejecutó honestamente en un escaneo facial real, de modo 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 se integra de forma incómoda en las controvertidas propuestas de Chat Control de Europa, donde el escaneo obligatorio de mensajes privados se ha justificado con objetivos de protección infantil. El escaneo del lado del cliente y zkML prometen la verificación sin una exposición masiva de datos, lo que hace que el planteamiento sea políticamente potente.

Los críticos de estos marcos argumentan que la verificación que preserva la privacidad normaliza la propia demanda, ya que un sistema que pide repetidamente a los usuarios que prueben atributos redefine el acceso a internet, independientemente de la poca cantidad de datos que filtre cada prueba individual. Grupos de derechos digitales se han opuesto a vincular las verificaciones de edad a los identity wallets precisamente por esta razón.

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

zkML frente a Otros Enfoques de AI Verificable

zkML no es la única forma de hacer que las salidas de AI sean fiables, y a menudo no es la más económica. Comprender las alternativas aclara dónde la prueba criptográfica realmente justifica su coste:

• Entornos de ejecución confiables: Los TEEs ejecutan modelos dentro de enclaves de hardware seguros y certifican el resultado, ofreciendo una sobrecarga mucho menor, pero requiriendo 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 dependen de que los desafiantes los disputen dentro de un plazo, lo cual es económico pero introduce un retraso y depende de verificadores vigilantes y económicamente motivados.
• Reejecución por consenso: Múltiples nodos vuelven a ejecutar la misma inferencia y comparan las salidas, un enfoque directo que multiplica el coste computacional y no puede preservar la privacidad de las entradas o los pesos.
• Cifrado totalmente homomórfico: FHE computa directamente sobre datos cifrados, ofreciendo una fuerte privacidad pero con sobrecargas de rendimiento que actualmente superan incluso a zkML para la mayoría de las cargas de trabajo de aprendizaje automático.
• Aprendizaje federado: El entrenamiento se realiza localmente y solo se comparten las actualizaciones, protegiendo los datos brutos sin probar que ningún participante haya computado honestamente, lo que deja una brecha de integridad que zkML puede llenar.

El resultado probable es la composición en lugar de un único ganador. Las pilas híbridas que combinan pruebas zk con computación cifrada ya se están discutiendo para las cargas de trabajo en la nube más sensibles, y los TEEs pueden manejar el rendimiento mientras zkML ancla 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 incipiente. Las principales preocupaciones son:

• Sobrecarga de coste: Incluso a aproximadamente 10.000 veces la inferencia nativa, la prueba sigue siendo demasiado costosa para los modelos de lenguaje de vanguardia, restringiendo zkML a modelos más pequeños y bien definidos en el futuro previsible.
• Pérdida de precisión: Cuantificar los pesos de punto 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 del probador: La generación de pruebas depende cada vez más de clústeres de GPU y hardware especializado, concentrando la capacidad entre operadores bien capitalizados y socavando la descentralización que la tecnología pretende servir.
• Riesgo de implementación: Una prueba solo certifica que un circuito se ejecutó correctamente, no que el circuito representa fielmente el modelo previsto, por lo que una compilación con errores puede producir un sinsentido verificado con confianza.
• Escasez de talento: El campo exige personas con fluidez tanto en criptografía como en aprendizaje automático, una intersección estrecha que ralentiza la adopción empresarial, independientemente de lo buenas que se vuelvan las herramientas subyacentes.
• Desconexión entre el precio y el valor del token: Los tokens de AI verificable cotizan cerca de 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 holders no pueden asumir que la adopción se traduzca en precio.
• Estándares competidores: Los marcos de confianza de agentes más ligeros pueden satisfacer muchas necesidades de verificación sin prueba criptográfica, capturando casos de uso que zkML esperaba dominar.
• Fragmentación de estándares: Sistemas de prueba competidores y cadenas de herramientas incompatibles limitan la interoperabilidad, y sin convergencia, la adopción podría fragmentarse en ecosistemas que no pueden verificar el trabajo de los demás.

Consideraciones finales

zkML ha pasado de ser una curiosidad de investigación a una infraestructura operativa. Se ha probado una inferencia completa de GPT-2, los modelos de visión de tamaño medio se prueban en segundos, y la sobrecarga ha disminuido 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 implementado sigue siendo amplia. Los modelos de vanguardia están cuatro órdenes de magnitud más allá del alcance económico, el hardware del probador se está concentrando entre operadores bien capitalizados, y los tokens del sector cotizan muy por debajo de las expectativas de su era de financiación, incluso a medida que el volumen de pruebas aumenta.

El caso estratégico se basa en hacia dónde se dirige la AI, más que en dónde se encuentra. Los agentes autónomos están empezando a mover capital real, los reguladores están exigiendo un comportamiento demostrable de los modelos, y los rieles de identidad zero-knowledge que se están implementando en Europa están normalizando discretamente la prueba criptográfica como infraestructura cotidiana. Para cualquiera que siga la convergencia entre AI y cripto, zkML es la capa donde esas trayectorias se encuentran.