Qu'est-ce que l'apprentissage automatique zero-knowledge (zkML) ?

Le zero-knowledge machine learning est une technique cryptographique qui permet à une partie de prouver qu'un modèle d'IA a été exécuté correctement et a produit un résultat donné, sans révéler les poids du modèle, les données d'entrée ni aucun calcul intermédiaire. Elle transforme une affirmation d'exactitude en un objet mathématique que chacun 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 été exécuté, si le résultat a été falsifié ou si le fournisseur a substitué un modèle moins coûteux. Vous lui faites une confiance totale, 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 avec chaque inférence, attestant qu'un modèle engagé précis a traité une entrée précise pour produire une sortie précise. La preuve ne contient aucun des secrets, et pourtant n'importe quel tiers, y compris un contrat intelligent, peut la valider en quelques millisecondes.

C'est cette asymétrie qui rend le système viable. Le calcul peut être coûteux alors que la vérification reste peu coûteuse : un prouveur peut consacrer des heures de GPU à générer la preuve, mais le reçu se vérifie en <1 seconde. Ce déséquilibre est précisément ce dont les blockchain ont besoin, car les ressources onchain sont rares et l'utilisation d'un résultat d'IA off-chain impose sinon de faire confiance à un oracle.

Comment fonctionne zkML ?

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

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

1. Entraînement : le développeur entraîne un modèle de manière classique, off-chain, avec des données et des techniques propriétaires. zkML ne modifie pas l'entraînement lui-même, et les poids obtenus restent une propriété intellectuelle privée.
2. Export : le modèle finalisé est exporté dans un format d'échange standard, généralement ONNX ou GGUF, que le framework de preuve peut analyser pour en tirer un graphe de calcul de couches et d'opérations.
3. Quantification : Les poids en virgule flottante sont approximés par des entiers en virgule fixe, car les circuits ZK opèrent sur des corps finis plutôt qu'avec l'arithmétique IEEE 754, une étape qui coûte un peu de précision.
4. Compilation : le framework arithmétise le graphe, en convertissant les multiplications matricielles, les convolutions et les activations non linéaires en circuits ou en systèmes de contraintes qu'un système de preuve peut traiter.
5. Preuve : un prouveur exécute l'inférence et génère une preuve succincte attestant que le résultat provient du modèle engagé et de l'entrée donnée, en utilisant des systèmes comme Halo2, GKR ou des arguments fondés sur des tables de correspondance.
6. Vérification : N'importe quel vérificateur, qu'il s'agisse d'un contrat intelligent, d'un auditeur ou de l'appareil d'un utilisateur, contrôle la preuve zero-knowledge par rapport à des engagements publics tels que le hachage d'un 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 de l'apprentissage automatique. La conversion d'une arithmétique à valeurs réelles en arithmétique entière modulaire entraîne une perte 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 prouvabilité.

Pourquoi la preuve coûte si cher

Le problème de coût est arithmétique et non accessoire. Encoder chaque multiplication et chaque activation d'un réseau de neurones sous forme de contrainte alourdit considérablement le travail, ce qui explique que les premières approches zkVM entraînaient des surcoûts de 100 000 à 1 000 000 de fois l'inférence native.

Ce chiffre s'est effondré. Les prouveurs spécialisés, l'accélération par GPU et des systèmes de preuve plus efficaces ont ramené le surcoût vers une fourchette de 10 000 fois, et des frameworks spécialisés prouvent désormais des modèles de taille moyenne en quelques secondes plutôt qu'en plusieurs heures. C'est la trajectoire, et non le coût absolu actuel, qui rend ce secteur investissable.

Les opérations non linéaires restent le goulot d'étranglement persistant. Les activations comme ReLU et softmax, ainsi que les mécanismes d'attention des transformers, sont peu coûteux sur du matériel à virgule flottante mais coûteux 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 faisant un pari différent sur les systèmes de preuve et les charges de travail visées. Voici les projets qui définissent l'état de l'art :

• DeepProve : la bibliothèque basée sur GKR de Lagrange, entièrement open source depuis juin 2026, est 54 à 158 fois plus rapide que EZKL pour la génération de preuves et jusqu'à 671 fois plus rapide pour la vérification.
• EZKL : le bourreau de travail open source de longue date, construit sur Halo2, qui ingère des modèles ONNX et produit des vérificateurs compatibles EVM, ce qui en fait le point d'entrée par défaut pour les développeurs sans formation en cryptographie.
• zkPyTorch : un compilateur de Polyhedra publié en mars 2025, qui s'intègre directement à la pile PyTorch, gère automatiquement la quantification et prouve le VGG-16 de 138 millions de paramètres en environ 2,2 secondes.
• JOLT Atlas : une approche centrée sur les tables de correspondance, issue d'a16z et adaptée aux opérations de ML, qui privilégie une construction simple des circuits et affiche de fortes accélérations avant même l'utilisation de l'accélération GPU.
• ZKTorch : un compilateur de recherche utilisant l'accumulation parallèle de preuves, qui aurait prouvé GPT-2 environ six fois plus vite que les systèmes ZKML généralistes antérieurs sur un matériel identique.
• zkVerify : une couche de vérification en tant que service prenant en charge plusieurs systèmes de preuve, qui permet aux pipelines d'IA de déléguer la vérification des preuves plutôt que de déployer des contrats de vérification sur mesure pour chaque modèle.

La référence qui a changé les attentes

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

Le système est ensuite passé de la démonstration au déploiement. Lagrange a publié DeepProve en open source en juin 2026, révélant plus de 12 millions de preuves cryptographiques générées et plus de 3 millions d'inférences d'IA vérifiées de bout en bout, ainsi que des partenariats avec IBM, NVIDIA, Qualcomm, Oracle, Intel et AWS.

L'écart avec la frontière demeure néanmoins immense, et personne ne prétend sérieusement le contraire. GPT-2 est quatre ordres de grandeur plus petit que les principaux modèles actuels ; prouver un système moderne de pointe n'est donc pas seulement coûteux, mais économiquement absurde, et la prochaine cible annoncée de Lagrange est celle des modèles ouverts de classe Llama et Gemma, plutôt que ceux du haut du classement.

Ce qui a changé, c'est la pente de la courbe plutôt que le plafond actuel. La parallélisation de la preuve sur des grappes de prouveurs, la refonte des algorithmes pour les GPU et les tables de consultation réutilisables sont les leviers les plus susceptibles d'apporter le prochain gain d'un ordre de grandeur, en faisant progressivement entrer des modèles ouverts de taille moyenne dans le champ du prouvable.

Cas d'usage du zkML dans les cryptomonnaies

Le zkML est surtout utile lorsqu'un résultat d'IA a des conséquences financières et que les parties ne peuvent pas se faire confiance. Ces applications sont aujourd'hui en service ou proches de la production :

• Agents vérifiables : les agents d'IA autonomes qui négocient ou gèrent des trésoreries peuvent prouver que chaque décision a suivi un modèle divulgué plutôt qu'un modèle remplacé en secret, ce qui comble l'écart entre mandant et mandataire.
• Évaluation de crédit privée : un protocole de prêt peut confirmer que le score d'un emprunteur dépasse un seuil sans jamais voir les soldes, l'historique des transactions ou l'identité, car la preuve atteste que le modèle s'est exécuté correctement.
• Provenance du modèle : les fournisseurs d'API peuvent prouver quel modèle a réellement traité une requête, ce qui empêche la substitution discrète d'un modèle moins cher alors qu'un modèle coûteux est facturé.
• Inférence décentralisée : les réseaux qui rémunèrent des nœuds pour exécuter des modèles utilisent zkML afin de vérifier que les mineurs ont réellement effectué le calcul annoncé, remplaçant la réputation par un règlement cryptographique.
• Identité biométrique : des systèmes tels que World peuvent permettre aux utilisateurs de prouver qu'un nouveau modèle biométrique découle d'un enrôlement valide, sans revérification centralisée ni exposition du scan sous-jacent.
• Authenticité des contenus : les chaînes de production médias peuvent joindre des preuves attestant qu'un contenu a passé un modèle de détection divulgué, ce qui offre aux régulateurs une piste vérifiable sans exposer le classificateur propriétaire.
• Intégrité des oracles : les flux de données pilotés par le ML peuvent prouver que la logique d'agrégation a été exécutée comme prévu entre les sources, renforçant le bridge entre l'intelligence off-chain et le règlement on-chain.

Applications DeFi émergentes

La finance décentralisée est le premier marché naturel, car elle repose déjà sur des hypothèses adverses et une vérification open source. Les moteurs de risque, les plateformes d'échange de perpétuels et les marchés de prêt veulent de plus en plus des paramètres pilotés par l'IA sans demander aux utilisateurs de faire confiance à une boîte noire.

Le schéma est celui de l'automatisation avec preuve jointe. Un modèle d'IA optimise les ratios de collatéral, les seuils de liquidation ou les frais dynamiques, et la preuve qui l'accompagne permet aux contrats du protocole de vérifier que les paramètres proviennent du modèle audité et non d'une décision discrétionnaire d'un opérateur.

La gouvernance des DAO est une seconde frontière, où des pondérations de vote fondées sur le ML ou des simulations de propositions peuvent être validées sans exposer les avoirs individuels. La logique commune est que l'automatisation n'est acceptable dans des systèmes sans confiance que si l'automatisation elle-même peut être vérifiée.

Le marché du zkML et les principaux projets

Les capitaux et les infrastructures se sont concentrés autour de quelques acteurs qui construisent la pile d'IA vérifiable. Comprendre qui fait quoi permet de voir où se situe la véritable activité du secteur :

• Lagrange Labs : exploite un réseau de génération de preuves où les opérateurs effectuent du stake pour se positionner sur la production de preuves, avec un ensemble d'opérateurs de premier plan et DeepProve comme bibliothèque zkML phare pour l'inférence d'IA.
• Inference Labs : a levé 6,3 millions de dollars auprès d'investisseurs dont Delphi et Mechanism pour développer Proof of Inference, un protocole qui sécurise les agents d'IA grâce à une vérification cryptographique.
• Bittensor Subnet 2 : le plus grand cluster décentralisé de preuves zkML en fonctionnement, qui a produit plus de 160 millions de preuves zero-knowledge tout en encourageant la conception de circuits et l'optimisation des prouveurs.
• Polyhedra : fournit le compilateur zkPyTorch et le backend de preuve Expander, repoussant la frontière de la facilité d'utilisation afin que les ingénieurs en ML puissent générer des preuves sans expertise en cryptographie.
• Giza : se concentre sur le déploiement de modèles vérifiables on-chain et sur l'alimentation d'agents autonomes, en privilégiant l'accessibilité pour les développeurs plutôt que le débit brut de preuve.
• EZKL : maintient la boîte à outils open source la plus largement adoptée, auditée par Trail of Bits, et sert de référence à laquelle les prouveurs plus récents se comparent.

Le tableau commercial est plus nuancé que ne l'admettent les haussiers comme les baissiers. Les prix des jetons d'IA vérifiable ont fortement souffert et plusieurs se négocient près de leurs plus bas historiques, mais DeepProve à lui seul a vérifié plus de trois millions d'inférences et attiré des partenaires de la défense et des entreprises, dont Anduril, Lockheed Martin et IBM : l'usage réel s'accumule donc même si les marchés publics appliquent une décote au secteur.

Réglementation et enjeux de conformité pour zkML

La pression réglementaire est l'argument le plus solide en faveur de l'IA vérifiable en dehors du secteur crypto. L'AI Act de l'UE impose des obligations de documentation, de traçabilité et de supervision humaine pour les systèmes à haut risque, et les preuves cryptographiques permettent d'attester l'exactitude sans livrer les modèles propriétaires aux auditeurs.

Le calendrier a sensiblement évolué en 2026. Les législateurs de l'UE ont conclu un accord politique le 7 mai 2026 pour reporter les obligations les plus lourdes applicables aux systèmes à haut risque, repoussant à décembre 2027 les systèmes de l'annexe III, tels que la notation de crédit et le recrutement, et à août 2028 les systèmes intégrés à des produits, tandis que les obligations de transparence entrent toujours en vigueur en 2026.

Ce report est à double tranchant pour zkML. Il supprime l'urgence de conformité à court terme sur laquelle comptaient les fournisseurs, mais il laisse aussi à la technologie le temps de mûrir avant les échéances, car les coûts de preuve pour les modèles réellement à haut risque restent aujourd'hui inconfortablement élevés.

Le point essentiel est que la réglementation privilégie les preuves aux déclarations. Que la date d'application soit 2026 ou 2028, les organisations devront tôt ou tard démontrer qu'un modèle déployé s'est comporté comme documenté, et une preuve mathématique constitue un élément plus solide qu'une attestation de politique interne.

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

Le plus vaste déploiement concret de la cryptographie zero-knowledge ne se déroule pas du tout dans la crypto. Il a lieu dans l'identité numérique, sous l'impulsion des obligations de vérification de l'âge qui se mettent en place en Europe, au Royaume-Uni et ailleurs.

Cela compte pour le zkML, car il construit les rails d'identifiants, l'infrastructure de wallet et la familiarité du public dont l'IA 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, fondée sur la cryptographie à preuve zero-knowledge, afin que les utilisateurs puissent prouver qu’ils dépassent un seuil d’âge sans révéler leur date de naissance ni 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 impose à chaque État membre de l'UE de proposer un wallet d'identité numérique d'ici fin 2026 et encourage expressément la cryptographie renforçant la confidentialité, tandis que l'Online Safety Act du Royaume-Uni et le Digital Services Act exercent la pression d'application qui rend l'adoption incontournable.

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

Où zkML trouve réellement sa place

Une distinction importante mérite d'être énoncée clairement, car elle est souvent brouillée. Prouver que vous avez plus de dix-huit ans à partir d'un justificatif gouvernemental signé n'implique aucun réseau de neurones : c'est de la cryptographie zero-knowledge, mais pas du zkML. Les deux partagent les mathématiques, pas la mécanique.

Le véritable recoupement concerne l'estimation de l'âge. Les plateformes soumises à des obligations de vérification doivent choisir entre l'estimation par IA, qui préserve la vie privée mais se trompe sur certaines personnes, et l'envoi de documents, qui est précis mais transforme chaque service en pot de miel pour les données d'identité officielles. Microsoft Research parle 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 d'un utilisateur et produire une preuve que le modèle divulgué s'est exécuté honnêtement sur un véritable scan de visage, de sorte que la plateforme n'apprend que le résultat booléen, tandis que l'image, le gabarit biométrique et les poids du modèle ne quittent jamais le téléphone.

Chat Control et le débat sur la surveillance

La même cryptographie s'inscrit de façon inconfortable dans les propositions controversées de Chat Control en Europe, où l'analyse obligatoire des messages privés a été justifiée par la protection de l'enfance. L'analyse côté client et le zkML promettent tous deux une vérification sans exposition massive des données, ce qui rend ce cadrage politiquement puissant.

Les détracteurs de ces dispositifs soutiennent que la vérification préservant la vie privée normalise l'exigence elle-même, puisqu'un système qui demande sans cesse aux utilisateurs de prouver des attributs transforme l'accès à internet, quelle que soit la quantité minime de données que chaque preuve divulgue. Des organisations de défense des droits numériques s'opposent au lien entre contrôle de l'âge et wallets d'identité pour cette raison précise.

Pour le zkML, la leçon est inconfortable mais utile. La vérifiabilité cryptographique est un outil de confidentialité réellement puissant, mais elle favorise aussi les régimes de conformité, et la signification politique de cette technologie dépend entièrement de ce dont les institutions choisissent d'exiger la preuve.

zkML et autres approches de l'IA vérifiable

zkML n'est pas le seul moyen de rendre les résultats de l'IA fiables, et ce n'est souvent pas le moins coûteux. Comprendre les alternatives permet de voir où la preuve cryptographique justifie réellement son coût :

• Environnements d'exécution de confiance : les TEE exécutent les modèles dans des enclaves matérielles sécurisées et attestent du résultat, ce qui offre une charge bien plus faible mais exige de faire confiance au fabricant de la puce et reste exposé aux attaques par canaux auxiliaires.
• Vérification optimiste : Les systèmes partent du principe que les calculs sont honnêtes et comptent sur des contestataires pour les contester dans un délai donné, ce qui est peu coûteux mais introduit un délai et dépend de vérificateurs vigilants et économiquement motivés.
• Réexécution par consensus : plusieurs nœuds relancent 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 entièrement homomorphe : le FHE effectue des calculs directement sur des données chiffrées, offrant une forte confidentialité mais entraînant des surcoûts de performance qui dépassent actuellement ceux du zkML pour la plupart des charges de travail d'apprentissage automatique.
• 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 honnêtement, d'où une faille d'intégrité que zkML peut combler.

Le résultat le plus probable est une combinaison plutôt qu'un vainqueur unique. Des architectures hybrides associant preuves ZK et calcul chiffré sont déjà évoquées pour les charges de travail cloud les plus sensibles, et les TEE pourraient gérer le débit tandis que zkML sécuriserait les décisions à fort enjeu.

Risques et limites

Les garanties de zkML sont réelles, mais ses contraintes le sont aussi, et une évaluation honnête compte plus que l'enthousiasme dans un domaine aussi jeune. Les principales préoccupations sont les suivantes :

• Surcoût : Même à environ 10 000 fois l'inférence native, la preuve reste beaucoup trop coûteuse pour les modèles de langage de pointe, ce qui limite 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 fini coûte généralement 0,5 à 2 % de précision, un compromis acceptable pour de nombreuses tâches, mais rédhibitoire pour les applications où la précision est critique.
• Centralisation des prouveurs : la génération de preuves dépend de plus en plus de clusters de GPU et de matériel spécialisé, ce qui concentre les capacités entre des opérateurs bien capitalisés et nuit à la décentralisation que la technologie est censée servir.
• Risque de mise en œuvre : une preuve atteste seulement qu'un circuit a été exécuté correctement, et non que le circuit représente fidèlement le modèle voulu ; une compilation défectueuse peut donc produire des résultats absurdes vérifiés avec assurance.
• Pénurie de talents : le domaine exige des personnes maîtrisant à la fois la cryptographie et l'apprentissage automatique, une intersection étroite qui ralentit l'adoption par les entreprises, quelle que soit la qualité des outils sous-jacents.
• Déconnexion du prix des jetons : les jetons d'IA vérifiable s'échangent près de leurs plus bas historiques malgré la hausse du volume de preuves ; l'usage de l'infrastructure et la valeur du jeton se sont donc découplés, et les détenteurs ne peuvent pas supposer que l'adoption se traduira par une hausse du prix.
• Normes concurrentes : des cadres de confiance pour agents plus légers peuvent répondre à de nombreux besoins de vérification sans preuve cryptographique, et captent des cas d'usage que zkML devait 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 fragmenter entre des écosystèmes incapables de vérifier le travail les uns des autres.

Conclusion

Le zkML est passé de la curiosité de recherche à une infrastructure opérationnelle. Une inférence complète de GPT-2 a été prouvée, les modèles de vision de taille moyenne se prouvent en quelques secondes, et le surcoût a été réduit de deux ordres de grandeur en environ deux ans, 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 démontrable et ce qui est déployé reste large. Les modèles de pointe sont quatre ordres de grandeur au-delà de ce qui est économiquement accessible, le matériel de preuve se concentre entre les mains d'opérateurs bien capitalisés, et les jetons du secteur se négocient très en dessous des attentes de l'époque des levées de fonds, alors même que le volume de preuves augmente.

L'argument stratégique repose sur la direction que prend l'IA plutôt que sur son état actuel. Les agents autonomes commencent à déplacer de vrais capitaux, les régulateurs exigent un comportement démontrable des modèles, et les infrastructures d'identité zero-knowledge déployées actuellement en Europe banalisent discrètement la preuve cryptographique comme infrastructure du quotidien. Pour qui suit la convergence de l'IA et des cryptomonnaies, zkML est la couche où ces trajectoires se rejoignent.