Qu'est-ce que l'apprentissage Zero-Knowledge (zkML) ?

L'apprentissageZero-Knowledge (zkML) associe zero-knowledge (ZKPs) – une méthode cryptographique permettant de prouver des affirmations sans révéler les données sous-jacentes – à l'apprentissage automatique (ML) afin de permettre des calculs vérifiables et respectueux de la vie privée.

zkML vérifie zkML AI de moindre envergure, tels que les robots de trading ou les générateurs d'images, à l'aide de preuves cryptographiques qui attestent du respect des règles. L'extension à des modèles de grande envergure (par exemple, GPT-4o, o1, DALL-E 2, Claude 3.5, Grok-1) reste limitée par des coûts de calcul extrêmement élevés.

D'autres applications pourraient aller de la détection des fraudes à l'authentification biométrique privée. Grâce à l'utilisation zero-knowledge , zkML la confidentialité et l'intégrité informatique, ce qui en fait une avancée indispensable pour des domaines sensibles tels que la finance (traditionnelle ou décentralisée) et la santé.

Comment fonctionne zkML ?

zkML permet à un vérificateur de confirmer l'exactitude du processus d'inférence ou d'apprentissage AI sans divulguer de détails sensibles tels que les données d'entrée, les poids du modèle ou d'autres informations confidentielles.

Le processus zkML comprend les étapes clés suivantes :

• Conversion cryptographique: Les opérations de ML (inférence, formation) sont traduites en circuits arithmétiques ou en systèmes de contraintes, transformant les couches du réseau neuronal en relations mathématiques.
• Génération de preuves: les systèmes ZK(zk, zk) génèrent des preuves cryptographiques succinctes attestant de l'exactitude des calculs d'apprentissage automatique, en transformant les activations non linéaires, les multiplications matricielles et les flux de données en expressions algébriques.
• Vérification: Des tiers valident les preuves par rapport à des paramètres publics (par exemple, des hachages de modèles, des engagements d'entrée) sans accéder aux données brutes, ce qui garantit que les résultats découlent de la logique convenue.
• Confidentialité: Les entrées, les poids et les gradients restent cryptés ou masqués, en s'appuyant sur des primitives cryptographiques telles que le cryptage homomorphique ou le calcul multipartite sécurisé pour isoler les données sensibles.
• Compromis: Des réseaux plus grands ou des couches plus profondes augmentent la charge de calcul, tandis que la taille de la preuve et la vitesse de vérification dépendent de l'efficacité du système de preuve sous-jacent.

En termes simples, zkML prouver l'exactitude des prédictions ou des résultats d'entraînement AI sans révéler les données sous-jacentes ni les détails du modèle. Cela est rendu possible grâce à des preuves cryptographiques qui garantissent la confidentialité et la précision, rendant ainsi le processus à la fois sécurisé et vérifiable.

Cas zkML

zkML déjà ses preuves dans le domaine des cryptomonnaies, plusieurs projets l'ayant déjà mis en œuvre avec succès ou en étant aux dernières étapes de test avant mainnet .

• AI On-Chain : vérifier que les robots de trading ou yield (RockyBotModulus Labs, Giza x Yearn) fonctionnent bien comme annoncé, afin d'empêcher toute manipulation cachée des DeFi .
• Responsabilité de l'API: Exposer les services de ML "boîte noire" en obligeant les fournisseurs à joindre des preuves montrant quels modèles alimentent leurs résultats.
• Prévention des exploits: permettre DAOs de geler DAOs les contrats piratés à l'aide de preuves ZK(recherches du protocole Aztec), entraînées sur des modèles d'exploits historiques.
• Mises à jour biométriques: Les utilisateurs mettent à jour eux-mêmes leurs données d'identification(codes d'iris du monde) en prouvant que les nouveaux modèles biométriques proviennent de scans valides, ce qui élimine la nécessité d'un réenregistrement centralisé.
• Confidentialité médicale: Diagnostiquer les IRM cryptées(vCNN) tout en préservant la confidentialité des scanners, en remplaçant les documents de conformité par des audits cryptographiques.

DeFi potentielles pour DeFi

Lorsque zkML aura atteint sa maturité, il est possible qu'elle soit intégrée à des cas d'utilisation encore plus variés across les domaines de la finance décentralisée :

• ModèlesDeFi : démontrent la validité de la garantie des prêts ou de la tarification des produits dérivés AI(Aave, Synthetix, Hyperliquid, etc.) sans divulguer les algorithmes propriétaires ni les positions des utilisateurs.
• DAO : valide les calculs de pondération des votes ou les prévisions d'impact des propositions basés sur l'apprentissage automatique, tout en préservant la confidentialité des données des participants (par exemple, leurs avoirs en jetons).
• « Privacy Coins » : audit des ensembles d'anonymisation des transactions (Zcash, Monero) à l'aide de l'apprentissage automatique afin de détecter les attaques de Sybil sans compromettre l'identité des utilisateurs ni les métadonnées du réseau.
• NFT : vérifie de manière cryptographique les scores de rareté ou les algorithmes de tarification dynamique (Pudgy Penguins, Azuki NFT) sans divulguer la logique d'évaluation propriétaire.
• Cross-Chain : sécurise les flux de données basés sur l'apprentissage automatique (Chainlink, Band Protocol) en garantissant l'intégrité de l'agrégation des données across sans révéler les données fournies par les nœuds.
• ZK: permet le regroupement de transactions optimisé par l'apprentissage automatique (ZKsync, StarkNet) avec des preuves garantissant un ordre équitable et un calcul juste des frais sans exposer les habitudes d'activité des utilisateurs.

État actuel de zkML

zkML la réponse de 2024 au déficit de confiance de la Silicon Valley, portée par des géants de la cryptomonnaie tels que Polychain et a16z, qui injectent des millions dans des start-ups comme Modulus Labs, World (anciennement Worldcoin) et Ingonyama afin de faire progresserAI et la vérifiabilitéAI on-chain .

Si zkML peine encore à prendre en charge des modèles ChatGPT, l'année 2025 pourrait marquer un tournant. L'initiative Stargate US , dotée d'un budget de 500 milliards de dollars et lancée par le président Trump, ainsi que l'arrivée de nouveaux acteurs tels que AI open source chinois de DeepSeek devraient accélérer les innovations.

Risques et préoccupations

Les garanties cryptographiques zkMLs'accompagnent de risques non négligeables qui pourraient freiner leur adoption par les entreprises ou exposer le système à des vulnérabilités.

• Coûts exponentiels: la validation de modèles complexes (GPT-4o, etc.) reste d'un coût prohibitif, les contraintes matérielles (voir le ZKPU d'Ingonyama) limitant les cas d'utilisation ROI
• Risques liés à la centralisation:ASIC pourrait concentrer le pouvoir entre les mains d'une poignée de fabricants de puces (par exemple, Nvidia), ce qui va à l'encontre des principes de décentralisation.
• Théâtre de la sécurité: Les circuits mal implémentés, comme les compilations EZKL non testées, risquent de produire des résultats "vérifiés" qui masquent des fuites de données ou des failles dans le modèle.
• Ambiguïté réglementaire: les premières obligations (principalement AI EU AI pour l'instant) pourraient imposer zkML de qualité médiocre, créant ainsi des contraintes de conformité sans apporter de réels avantages en matière de sécurité.
• Obstacles à l'adoption: des entreprises comme Walmart sont confrontées à une pénurie de talents pour mettre en œuvre zkML, malgré Modulus Labs ait démontré la valeur de cette technologie pour la chaîne d'approvisionnement.

Réflexions finales

zkML une étape fondamentale pour AI , mais reste limité par des contraintes d'évolutivité, car les preuves actuelles GPU peinent à traiter des modèles comportant des milliards de paramètres.

Les investisseurs qui s'intéressent aux solutions d'infrastructure considèrent zkML la couche d'audit essentielle pour des secteurs tels que DeFi la recherche pharmaceutique, où AI permet de protéger des milliards.

Les autorités de régulation doivent trouver un équilibre délicat : une surveillance excessive risque d'étouffer l'innovation, tandis que l'inaction pourrait permettre à AI non vérifiée AI saper la confiance dans des systèmes essentiels.