Qu'est-ce que le Zero-Knowledge Machine Learning (zkML) ?

Le Zero-Knowledge Machine Learning est une technique cryptographique qui permet à une partie de prouver qu'un modèle d'AI a été exécuté correctement et a produit un résultat donné, sans révéler les poids du modèle, les données d'entrée ou les calculs intermédiaires. Il convertit une affirmation d'exactitude en un objet mathématique que n'importe qui peut vérifier.

Le problème qu'il résout est structurel. Lorsque vous interrogez un modèle hébergé, vous envoyez des données à un serveur et recevez un résultat sans aucun moyen de confirmer quel modèle a réellement fonctionné, si la sortie a été altérée ou si le fournisseur a substitué un modèle moins cher. Vous lui faites entièrement confiance, ce qui est intenable lorsque le résultat a un poids financier, médical ou juridique.

Le zkML remplace cette confiance par la vérification. L'opérateur du modèle génère une preuve cryptographique succincte en même temps que chaque inférence, attestant qu'un modèle engagé spécifique a traité une entrée spécifique pour donner une sortie spécifique. La preuve ne contient aucun secret, et pourtant n'importe quel tiers, y compris un smart contract, peut la valider en quelques millisecondes.

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.

Comment fonctionne le zkML ?

Le zkML traduit la passe avant d'un réseau de neurones en un système de contraintes arithmétiques, puis prouve qu'une attribution valide de ces contraintes existe.

Voici comment un modèle passe de l'entraînement à une sortie on-chain vérifiable :

1. Entraînement : Le développeur entraîne un modèle de manière conventionnelle, off-chain, en utilisant des données et des techniques propriétaires. Le zkML ne modifie pas l'entraînement lui-même, et les poids obtenus restent une propriété intellectuelle privée.
2. Exportation : Le modèle terminé est exporté vers un format d'échange standard, généralement ONNX ou GGUF, que le framework de preuve peut analyser en un graphe computationnel de couches et d'opérations.
3. Quantification : Les poids en virgule flottante sont approchés sous forme d'entiers à virgule fixe, étant donné que les circuits ZK fonctionnent sur des corps finis plutôt que sur l'arithmétique IEEE 754, une étape qui coûte une petite quantité de précision.
4. Compilation : Le framework arithmétise le graphe, convertissant les multiplications matricielles, les convolutions et les activations non linéaires en circuits ou en systèmes de contraintes qu'un système de preuve peut consommer.
5. Génération de preuves : Un prouveur exécute l'inférence et génère une preuve succincte attestant que la sortie dérive du modèle engagé et de l'entrée donnée, en utilisant des systèmes tels que Halo2, GKR ou des arguments basés sur des tables de correspondances (lookup).
6. Vérification : N'importe quel vérificateur, un smart contract, un auditeur ou l'appareil d'un utilisateur, vérifie la zero-knowledge proof par rapport à des engagements publics tels qu'un hachage de modèle, confirmant l'exactitude sans exposer les poids ni les données brutes.

L'étape de quantification mérite l'attention car c'est là que la rigueur cryptographique rencontre la réalité du machine learning. Convertir l'arithmétique à valeurs réelles en arithmétique entière modulaire introduit une pénalité de précision typique d'environ 0,5 % à 2 % sur les tâches de référence, un compromis que la plupart des applications acceptent en échange de la provabilité.

Pourquoi la génération de preuves est si coûteuse

Le problème du coût est d'ordre arithmétique plutôt qu'incidentel. Coder chaque multiplication et chaque activation d'un réseau de neurones sous forme de contrainte augmente considérablement la charge de travail, ce qui explique pourquoi les approches zkVM initiales impliquaient des surcharges comprises entre 100 000 et 1 000 000 de fois l'inférence native.

Ce chiffre s'est effondré. Des prouveurs conçus sur mesure, l'accélération GPU et des systèmes de preuve plus intelligents ont ramené la surcharge vers la plage des 10 000 fois, et des frameworks spécialisés prouvent désormais des modèles de taille moyenne en quelques secondes plutôt qu'en heures. C'est la trajectoire, et non le coût absolu actuel, qui rend ce domaine propice à l'investissement.

Les opérations non linéaires restent le goulet d'étranglement persistant. Les activations telles que ReLU et softmax, ainsi que les mécanismes d'attention dans les transformers, sont peu coûteux en matériel à virgule flottante mais onéreux à arithmétiser, ce qui explique pourquoi les modèles de vision sont devenus prouvables bien avant les modèles de langage.

Frameworks et outils zkML en 2026

La couche d'outils s'est consolidée autour d'une poignée de frameworks sérieux, chacun misant sur des systèmes de preuve et des charges de travail cibles différents. Ce sont ces projets qui définissent l'état de l'art :

• DeepProve : La bibliothèque basée sur GKR de Lagrange, passée en open source en juin 2026, affiche des performances de génération de preuves 54 à 158 fois plus rapides qu'EZKL et jusqu'à 671 fois plus rapides pour la vérification.
• EZKL : La solution open source de référence de longue date construite sur Halo2, qui ingère des modèles ONNX et émet des vérificateurs compatibles EVM, ce qui en fait le point d'entrée par défaut pour les développeurs sans bagage en cryptographie.
• zkPyTorch : Un compilateur Polyhedra publié en mars 2025 qui s'intègre directement dans la pile PyTorch, gérant la quantification automatiquement et prouvant le modèle VGG-16 à 138 millions de paramètres en environ 2,2 secondes.
• JOLT Atlas : Une approche centrée sur les tables de correspondance issue de a16z et adaptée aux opérations de machine learning, qui privilégie la construction de circuits simples et affiche de nettes améliorations de vitesse avant même l'application de l'accélération par GPU.
• ZKTorch : Un compilateur de recherche utilisant l'accumulation de preuves en parallèle, capable de prouver GPT-2 environ six fois plus vite que les systèmes zkML polyvalents précédents sur le même matériel.
• zkVerify : Une couche de vérification en tant que service prenant en charge plusieurs systèmes de preuve, permettant aux pipelines AI de déléguer la vérification des preuves plutôt que de déployer des contrats de vérification sur mesure pour chaque modèle.

Le benchmark qui a redéfini les attentes

L'étape franchie par Lagrange en juillet 2025 a redéfini ce qui était considéré comme réaliste. L'équipe a réalisé une inférence complète de GPT-2, un transformer à 124 millions de paramètres, devenant ainsi le premier système crypto prêt pour la production à prouver un modèle de langage complet de bout en bout.

Le système est ensuite passé de la démo au déploiement. Lagrange a passé DeepProve en open source en juin 2026, divulguant plus de 12 millions de preuves cryptographiques générées et plus de 3 millions d'inférences AI vérifiées de bout en bout, aux côtés de partenariats incluant IBM, NVIDIA, Qualcomm, Oracle, Intel et AWS.

Néanmoins, l'écart technologique reste immense, et personne ne prétend le contraire. GPT-2 est quatre ordres de grandeur plus petit que les principaux modèles actuels ; prouver un système frontalier moderne n'est donc pas seulement coûteux, mais économiquement absurde. La prochaine cible annoncée de Lagrange concerne les modèles ouverts de type Llama et Gemma plutôt que les mastodontes du secteur.

Ce qui a changé, c'est la pente de la courbe plutôt que le plafond actuel. La génération de preuves parallélisée sur des clusters de prouveurs, les refontes d'algorithmes natifs pour GPU et les tables de correspondance réutilisables sont les leviers les plus susceptibles de permettre le prochain bond en avant, entraînant progressivement les modèles ouverts de taille moyenne dans le champ du prouvable.

Cas d'usage du zkML dans la crypto

Le zkML prend tout son sens lorsque la sortie d'une intelligence artificielle a des implications financières et que les parties ne se font pas confiance. Ces applications sont d'ores et déjà en service ou sur le point de l'être :

• Agents vérifiables : Les agents AI autonomes qui tradent ou gèrent des trésoreries peuvent prouver que chaque décision respecte un modèle divulgué plutôt qu'un modèle discrètement modifié, réduisant ainsi le problème d'agence.
• Notation de crédit privée : Un protocole de prêt peut confirmer qu'un emprunteur dépasse un seuil de score sans jamais consulter ses soldes, son historique de transactions ou son identité, la preuve attestant simplement que le modèle a fonctionné correctement.
• Provenance des modèles : Les fournisseurs d'API peuvent prouver quel modèle a réellement répondu à une requête, évitant ainsi le remplacement silencieux d'un modèle bon marché alors qu'un modèle onéreux est facturé.
• Inférence décentralisée : Les réseaux qui rémunèrent des nœuds pour exécuter des modèles utilisent le zkML pour vérifier que les mineurs ont réellement effectué le calcul revendiqué, remplaçant la réputation par un règlement cryptographique.
• Identité biométrique : Des systèmes tels que World permettent aux utilisateurs de prouver qu'un nouveau template biométrique provient d'un enregistrement valide sans nécessiter de nouvelle vérification centralisée ni exposer le scan sous-jacent.
• Authenticité du contenu : Les pipelines médias peuvent intégrer des preuves montrant qu'un actif est passé par un modèle de détection divulgué, offrant ainsi aux régulateurs une piste vérifiable sans exposer le classifieur propriétaire.
• Intégrité des oracles : Les flux de données pilotés par le machine learning peuvent prouver que la logique d'agrégation s'est exécutée comme spécifié à travers plusieurs sources, renforçant ainsi le bridge entre l'intelligence off-chain et le règlement on-chain.

Applications DeFi émergentes

La finance décentralisée constitue le premier marché naturel car elle repose déjà sur des hypothèses contradictoires et une vérification open source. Les moteurs de risque, les perpetuals exchanges et les marchés de prêt exigent de plus en plus de paramètres pilotés par l'AI sans demander aux utilisateurs de faire confiance à une boîte noire.

Le modèle repose sur l'automatisation avec preuve intégrée. Un modèle AI optimise les ratios de collatéral, les seuils de liquidation ou les frais dynamiques, et la preuve associée permet aux contrats du protocol de vérifier que les paramètres proviennent du modèle audité et non d'une modification discrétionnaire de l'opérateur.

La gouvernance des DAO constitue un second front, où les pondérations de vote ou les simulations de propositions basées sur le machine learning peuvent être validées sans exposer les avoirs individuels. La logique sous-jacente est que l'automatisation n'est acceptable dans les systèmes sans tiers de confiance que si elle peut être vérifiée.

Le marché du zkML et les principaux projets

Le capital et l'infrastructure se sont consolidés autour de quelques acteurs qui construisent l'écosystème AI vérifiable. Comprendre le rôle de chacun permet de situer l'activité réelle du secteur :

• Lagrange Labs : Exploite un réseau de prouveurs où les opérateurs font du stake pour enchérir sur la génération de preuves, avec un ensemble d'opérateurs de premier plan et DeepProve comme bibliothèque zkML phare pour l'inférence AI.
• Inference Labs : A levé 6,3 millions de dollars auprès d'investisseurs tels que Delphi et Mechanism pour développer Proof of Inference, un protocole sécurisant les agents AI grâce à la vérification cryptographique.
• Bittensor Subnet 2 : Le plus grand cluster de prouveurs zkML décentralisé en activité, ayant produit plus de 160 millions de preuves zero-knowledge tout en incitant à la conception de circuits et à l'optimisation des prouveurs.
• Polyhedra : Fournit le compilateur zkPyTorch et le moteur de preuve Expander, repoussant les limites de l'ergonomie pour permettre aux ingénieurs en ML de générer des preuves sans expertise cryptographique.
• Giza : Se concentre sur le déploiement de modèles vérifiables on-chain et l'alimentation d'agents autonomes, en privilégiant l'accessibilité pour les développeurs au détriment du débit de preuve brut.
• EZKL : Maintient la boîte à outils open source la plus largement adoptée, audité par Trail of Bits, et sert de référence par rapport à laquelle les prouveurs plus récents se comparent.

Le tableau commercial est plus nuancé que ne le prétendent les partisans ou les détracteurs. Les prix des tokens liés à l'AI vérifiable ont lourdement chuté et plusieurs s'échangent près de leurs plus bas historiques, pourtant DeepProve à lui seul a vérifié plus de trois millions d'inférences et attiré des partenaires de la défense et de l'entreprise, notamment Anduril, Lockheed Martin et IBM. L'utilisation réelle s'accumule donc, même si les marchés publics sous-estiment le secteur.

La réglementation et l'argument de la conformité pour le zkML

La pression réglementaire constitue le meilleur argument non crypto en faveur de l'AI vérifiable. L'EU AI Act impose des obligations de documentation, de traçabilité et de surveillance humaine pour les systèmes à haut risque, et les preuves cryptographiques offrent un moyen de prouver l'exactitude sans livrer de modèles propriétaires aux auditeurs.

Le calendrier a sensiblement évolué en 2026. Les législateurs de l'EU sont parvenus à un accord politique le 7 mai 2026 pour reporter les obligations les plus lourdes en matière de haut risque, repoussant les systèmes de l'Annexe III tels que la notation de crédit et le recrutement à décembre 2027 et les systèmes intégrés aux produits à août 2028, tandis que les devoirs de transparence s'appliquent toujours en 2026.

Ce report a un double impact pour le zkML. Il supprime l'urgence de conformité à court terme sur laquelle comptaient les fournisseurs, mais il offre également à la technologie le temps de mûrir avant l'arrivée des échéances, dans la mesure où les coûts de preuve pour les modèles réellement à haut risque restent aujourd'hui anormalement élevés.

Le point fondamental est que la réglementation récompense la preuve plutôt que la simple déclaration. Que la date d'application soit 2026 ou 2028, les organisations finiront par devoir démontrer qu'un modèle déployé s'est comporté comme documenté, et la preuve mathématique constitue un artefact plus solide qu'une attestation de politique.

zkML, identité numérique et la vague de vérification de l'âge

Le plus grand déploiement réel de la cryptographie zero-knowledge ne se produit pas du tout dans la crypto. Il a lieu dans l'identité numérique, stimulé par les mandats de vérification de l'âge déployés à travers l'Europe, le UK et au-delà.

C'est important pour le zkML car cela met en place les infrastructures d'identifiants, les wallets et la familiarité publique dont l'AI vérifiable finira par dépendre, même si les deux technologies résolvent des problèmes différents.

Le déploiement mondial de l'identité ZK

La Commission européenne a lancé une application gratuite et open source de vérification de l'âge le 15 avril 2026, basée sur la cryptographie de preuve zero-knowledge afin que les utilisateurs puissent prouver qu'ils atteignent un seuil d'âge sans révéler leur date de naissance ou leur identité. Sept États membres, dont la France, l'Italie et l'Espagne, se sont engagés à l'intégrer.

L'infrastructure sous-jacente est encore plus vaste. Le règlement eIDAS révisé exige que chaque État membre de l'EU propose un Digital Identity Wallet d'ici la fin de 2026 et encourage explicitement la cryptographie respectueuse de la vie privée, tandis que l'Online Safety Act du UK et le Digital Services Act fournissent la pression réglementaire qui rend l'adoption incontournable.

L'industrie privée a agi en parallèle. Google a intégré la vérification d'âge ZK dans Google Wallet avec Bumble comme partenaire de lancement et a rendu ses bibliothèques ZKP open source, tandis que Microsoft Research a publié Vega, son propre système zero-knowledge pour les identifiants d'identité numérique.

Où le zkML trouve réellement sa place

Une distinction importante mérite d'être formulée clairement, car elle est fréquemment brouillée. Prouver que l'on a plus de dix-huit ans à partir d'un identifiant gouvernemental signé n'implique aucun réseau de neurones ; il s'agit donc de cryptographie zero-knowledge, mais pas de zkML. Les deux partagent les mathématiques, pas les mécanismes.

Le véritable chevauchement réside dans l'estimation de l'âge. Les plateformes confrontées à des obligations de vérification doivent choisir entre l'estimation basée sur l'AI, qui préserve la vie privée mais commet des erreurs de jugement, et le téléchargement de documents, qui est précis mais transforme chaque service en un piège à miel pour les données d'identité gouvernementales. Microsoft Research qualifie cela de double contrainte.

Le zkML est ce qui dissout ce compromis. Un modèle d'estimation de l'âge peut s'exécuter localement sur l'appareil de l'utilisateur et émettre une preuve que le modèle divulgué s'est exécuté de manière honnête sur un véritable scan facial, de sorte que la plateforme n'apprend que le résultat booléen tandis que l'image, le modèle biométrique et les poids du modèle ne quittent jamais le téléphone.

Chat Control et le débat sur la surveillance

La même cryptographie s'intègre mal dans les propositions controversées de l'Europe sur le Chat Control, où la numérisation obligatoire des messages privés a été justifiée par des objectifs de protection de l'enfance. La numérisation côté client et le zkML promettent tous deux une vérification sans exposition massive des données, ce qui rend la formulation politiquement percutante.

Les critiques de ces cadres soutiennent que la vérification préservant la vie privée normalise la demande elle-même, dans la mesure où un système qui demande à plusieurs reprises aux utilisateurs de prouver des attributs remodèle l'accès à internet, peu importe le peu de données que chaque preuve individuelle divulgue. Les groupes de défense des droits numériques ont rejeté l'idée de lier les contrôles d'âge à des identity wallets précisément pour cette raison.

Pour le zkML, la leçon est inconfortable mais utile. La vérifiabilité cryptographique est un outil de confidentialité véritablement puissant, mais c'est aussi un catalyseur de régimes de conformité, et la signification politique de la technologie dépend entièrement de ce que les institutions choisissent d'exiger comme preuve.

zkML vs Autres approches d'AI vérifiable

Le zkML n'est pas le seul moyen de rendre les résultats de l'AI dignes de confiance, et il n'est souvent pas le moins cher. Comprendre les alternatives permet de voir où la preuve cryptographique justifie réellement son coût :

• Environnements d'exécution de confiance : Les TEE exécutent des modèles au sein d'enclaves matérielles sécurisées et attestent du résultat, offrant une surcharge bien plus faible tout en nécessitant une confiance dans le fournisseur de puces et en restant exposés aux attaques par canal auxiliaire.
• Vérification optimiste : Les systèmes partent du principe que les calculs sont honnêtes et s'en remettent à des contestataires pour les contester dans un certain délai, ce qui est peu coûteux mais introduit un délai et dépend de vérificateurs vigilants et motivés par des intérêts économiques.
• Réexécution par consensus : Plusieurs nœuds réexécutent la même inférence et comparent les résultats, une approche simple qui multiplie le coût de calcul et ne peut pas préserver la confidentialité des entrées ou des poids.
• Chiffrement totalement homomorphe : Le FHE calcule directement sur des données chiffrées, offrant une forte confidentialité mais entraînant des surcoûts de performance qui dépassent actuellement même le zkML pour la plupart des charges de travail de machine learning.
• Apprentissage fédéré : L'entraînement se fait localement et seules les mises à jour sont partagées, ce qui protège les données brutes sans prouver qu'un participant a calculé de manière honnête, laissant ainsi un déficit d'intégrité que le zkML peut combler.

Le résultat probable est une composition plutôt qu'un vainqueur unique. Des piles hybrides associant des preuves ZK à des calculs chiffrés sont déjà évoquées pour les charges de travail cloud les plus sensibles, et les TEE pourraient gérer le débit tandis que le zkML ancre les décisions à enjeux élevés.

Risques et limitations

Les garanties du zkML sont réelles, mais ses contraintes le sont tout autant, et une évaluation honnête importe plus que l'enthousiasme dans un domaine aussi récent. Les principales préoccupations sont les suivantes :

• Surcharge de coûts : Même à environ 10 000 fois l'inférence native, la génération de preuves reste beaucoup trop coûteuse pour les grands modèles de langage, ce qui restreint le zkML à des modèles plus petits et bien définis dans un avenir prévisible.
• Perte de précision : La quantification de poids en virgule flottante en entiers de corps finis coûte généralement entre 0,5 % et 2 % de précision, un compromis acceptable pour de nombreuses tâches mais rédhibitoire pour les applications nécessitant une haute précision.
• Centralisation des prouveurs : La génération de preuves dépend de plus en plus de grappes de GPU et de matériel spécialisé, ce qui concentre les capacités entre les mains d'opérateurs bien capitalisés et nuit à la décentralisation que la technologie est censée servir.
• Risque d'implémentation : Une preuve atteste seulement qu'un circuit s'est exécuté correctement, et non que le circuit représente fidèlement le modèle prévu ; par conséquent, une compilation boguée peut produire des non-sens vérifiés avec assurance.
• Pénurie de talents : Le domaine exige des personnes maîtrisant à la fois la cryptographie et le machine learning, une intersection étroite qui ralentit l'adoption par les entreprises, quelle que soit la qualité des outils sous-jacents.
• Désaccord entre le prix des tokens et la réalité : Les tokens d'AI vérifiable se négocient près de leurs plus bas historiques malgré un volume croissant de preuves ; l'utilisation de l'infrastructure et la valeur des tokens se sont donc dissociées, et les détenteurs ne peuvent pas supposer que l'adoption se traduit par un prix.
• Standards concurrents : Des cadres de confiance pour agents plus légers pourraient satisfaire de nombreux besoins de vérification sans nécessiter de preuve cryptographique, capturant ainsi des cas d'usage que le zkML s'attendait à dominer.
• Fragmentation des standards : Des systèmes de preuve concurrents et des chaînes d'outils incompatibles limitent l'interopérabilité et, sans convergence, l'adoption pourrait se fracturer entre des écosystèmes incapables de vérifier le travail des autres.

Dernières réflexions

Le zkML est passé du stade de curiosité de recherche à celui d'infrastructure fonctionnelle. Une inférence complète de GPT-2 a été prouvée, les modèles de vision de taille moyenne génèrent des preuves en quelques secondes, et la surcharge a chuté de deux ordres de grandeur en environ deux ans, soit une courbe d'amélioration plus rapide que celle de la plupart des primitives cryptographiques.

La contrainte réelle est que l'écart entre ce qui est prouvable et ce qui est déployé reste important. Les modèles de pointe se trouvent à quatre ordres de grandeur au-delà de la viabilité économique, le matériel de preuve se concentre entre les mains d'opérateurs bien capitalisés et les jetons du secteur s'échangent bien en deçà des attentes de leur période de financement, alors même que le volume de preuves augmente.

L'argument stratégique repose sur la direction que prend l'AI plutôt que sur sa situation actuelle. Les agents autonomes commencent à déplacer de véritables capitaux, les régulateurs exigent un comportement démontrable des modèles et les rails d'identité zero-knowledge actuellement déployés à travers l'Europe normalisent discrètement la preuve cryptographique en tant qu'infrastructure quotidienne. Pour quiconque suit la convergence entre l'AI et la crypto, le zkML constitue la couche où ces trajectoires se rencontrent.