Che cos'è il zero-knowledge machine learning (zkML)?

Il machine learning zero-knowledge è una tecnica crittografica che consente a una parte di dimostrare che un modello di AI è stato eseguito correttamente e ha prodotto un determinato output, senza rivelare i pesi del modello, i dati di input o qualsiasi calcolo intermedio. Converte una rivendicazione di correttezza in un oggetto matematico che chiunque può verificare.

Il problema che risolve è strutturale. Quando si interroga un modello ospitato, si inviano dati a un server e si riceve un risultato senza alcun modo di confermare quale modello sia stato effettivamente eseguito, se l'output sia stato manomesso o se il provider abbia sostituito un modello più economico. Ci si fida ciecamente, il che è insostenibile quando l'output ha un peso finanziario, medico o legale.

zkML sostituisce tale fiducia con la verifica. L'operatore del modello genera una prova crittografica sintetica insieme a ogni inferenza, attestando che uno specifico modello impegnato ha elaborato un input specifico per produrre un output specifico. La prova non contiene alcun segreto e tuttavia qualsiasi terza parte, incluso uno smart contract, può validarla in millisecondi.

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.

Come funziona zkML?

zkML traduce il passaggio in avanti di una rete neurale in un sistema di vincoli aritmetici, dimostrando poi che esiste un'assegnazione valida per tali vincoli.

Ecco come un modello passa dall'addestramento a un output on-chain verificabile:

1. Addestramento: Lo sviluppatore addestra un modello in modo convenzionale, off-chain, utilizzando dati e tecniche proprietari. zkML non altera l'addestramento in sé e i pesi risultanti rimangono proprietà intellettuale privata.
2. Esportazione: Il modello finito viene esportato in un formato di interscambio standard, in genere ONNX o GGUF, che il framework di prova può analizzare in un grafico computazionale di layer e operazioni.
3. Quantizzazione: I pesi in virgola mobile vengono approssimati come interi a virgola fissa, poiché i circuiti ZK operano su campi finiti anziché sull'aritmetica IEEE 754, un passaggio che costa una piccola quantità di precisione.
4. Compilazione: Il framework aritmetizza il grafico, convertendo moltiplicazioni di matrici, convoluzioni e attivazioni non lineari in circuiti o sistemi di vincoli che un sistema di prova può elaborare.
5. Dimostrazione: Un prover esegue l'inferenza e genera una prova sintetica che attesta l'output derivato dal modello impegnato e dall'input fornito, utilizzando sistemi come Halo2, GKR o argomenti basati su lookup.
6. Verifica: Qualsiasi verificatore, uno smart contract, un revisore o il dispositivo di un utente, controlla la zero-knowledge proof rispetto a impegni pubblici come un hash del modello, confermando la correttezza senza esporre pesi o dati grezzi.

Il passaggio della quantizzazione merita attenzione perché è il punto in cui il rigore crittografico incontra la realtà del machine learning. La conversione dell'aritmetica a valori reali in aritmetica intera modulare introduce una tipica penalizzazione della precisione intorno allo 0,5% - 2% sulle attività di benchmark, un compromesso che la maggior parte delle applicazioni accetta in cambio della provabilità.

Perché la generazione di prove è così costosa

Il problema dei costi è di natura aritmetica e non incidentale. La codifica di ogni moltiplicazione e attivazione in una rete neurale come vincolo gonfia drasticamente il lavoro, motivo per cui i primi approcci zkVM comportavano sovraccarichi compresi tra 100.000 e 1.000.000 di volte rispetto all'inferenza nativa.

Questa cifra è crollata. Prover dedicati, accelerazione GPU e sistemi di prova più intelligenti hanno ridotto il sovraccarico verso la soglia di 10.000 volte, e i framework specializzati ora dimostrano modelli di medie dimensioni in secondi anziché in ore. La traiettoria, non l'attuale costo assoluto, è ciò che rende il settore interessante per gli investimenti.

Le operazioni non lineari rimangono il collo di bottiglia ostinato. Le attivazioni come ReLU e softmax, insieme ai meccanismi di attenzione nei transformer, sono economiche nell'hardware in virgola mobile ma costose da aritmetizzare, motivo per cui i modelli di visione sono diventati dimostrabili molto prima dei modelli linguistici.

Framework e strumenti zkML nel 2026

Il livello degli strumenti si è consolidato attorno a una manciata di framework importanti, ognuno dei quali punta su sistemi di prova e carichi di lavoro target differenti. Questi sono i progetti che definiscono lo stato dell'arte:

• DeepProve: La libreria basata su GKR di Lagrange, resa completamente open source a giugno 2026, offre benchmark da 54 a 158 volte più veloci nella generazione di prove rispetto a EZKL e fino a 671 volte più veloci nella verifica.
• EZKL: Il collaudato strumento open-source basato su Halo2, che acquisisce modelli ONNX ed emette verificatori compatibili con EVM, rendendolo il punto di ingresso predefinito per gli sviluppatori senza un background crittografico.
• zkPyTorch: Un compilatore Polyhedra rilasciato a marzo 2025 che si integra direttamente nello stack PyTorch, gestendo la quantizzazione in automatico e dimostrando il VGG-16 da 138 milioni di parametri in circa 2,2 secondi.
• JOLT Atlas: Un approccio incentrato sui lookup, originato da a16z e adattato per le operazioni di ML, che dà priorità alla costruzione di circuiti semplici e offre notevoli accelerazioni ancora prima di applicare l'accelerazione GPU.
• ZKTorch: Un compilatore di ricerca basato su accumulation di proof parallele, che a quanto risulta dimostra GPT-2 circa sei volte più velocemente rispetto ai precedenti sistemi zkML generici sullo stesso hardware.
• zkVerify: Un livello di verification-as-a-service che supporta più sistemi di proof, consentendo alle pipeline di AI di esternalizzare il controllo delle proof anziché distribuire contratti di verifica personalizzati per ogni modello.

Il benchmark che ha cambiato le aspettative

La pietra miliare di Lagrange del luglio 2025 ha ridefinito cosa fosse considerato realistico. Il team ha completato una inferenza completa di GPT-2, un transformer da 124 milioni di parametri, rendendolo il primo sistema crypto pronto per la produzione in grado di dimostrare un intero modello linguistico end-to-end.

Il sistema è quindi passato dalla fase di demo a quella di implementazione. Lagrange ha reso open-source DeepProve nel giugno 2026, rivelando la generazione di oltre 12 milioni di proof crittografiche e più di 3 milioni di inferenze di AI verificate end-to-end, oltre a partnership che includono IBM, NVIDIA, Qualcomm, Oracle, Intel e AWS.

Il divario di frontiera rimane tuttavia enorme e nessuno sostiene il contrario in modo credibile. GPT-2 è quattro ordini di grandezza più piccolo rispetto ai modelli leader di oggi, quindi dimostrare un sistema di frontiera moderno non è solo costoso ma economicamente assurdo, e il prossimo obiettivo dichiarato di Lagrange sono i modelli open class Llama e Gemma piuttosto che qualsiasi soluzione al vertice della classifica.

Ciò che è cambiato è la pendenza della curva piuttosto che il limite attuale. L'esecuzione di proof parallelizzate tra cluster di prover, la riprogettazione degli algoritmi nativi per GPU e le lookup table riutilizzabili sono le leve con maggiori probabilità di sbloccare il prossimo ordine di grandezza, trascinando gradualmente i modelli open di medie dimensioni nel raggio d'azione dimostrabile.

Casi d'uso di zkML nelle crypto

zkML è particolarmente importante laddove l'output di un'AI comporta conseguenze finanziarie e le parti non possono fidarsi l'una dell'altra. Queste applicazioni sono già attive o vicine alla produzione:

• Agenti verificabili: Gli agenti AI autonomi che operano nel trading o gestiscono tesorerie possono dimostrare che ogni decisione ha seguito un modello reso pubblico anziché uno modificato di nascosto, colmando il divario tra principale e agente.
• Credit scoring privato: Un protocollo di prestito può confermare che il punteggio di un mutuatario supera una soglia senza mai vedere saldi, cronologia delle transazioni o identità, poiché la prova attesta che il modello è stato eseguito correttamente.
• Provenienza del modello: I provider di API possono dimostrare quale modello ha effettivamente gestito una richiesta, impedendo la sostituzione silenziosa di un modello più economico mentre ne viene fatturato uno costoso.
• Inferenza decentralizzata: Le network che pagano i nodi per eseguire i modelli utilizzano lo zkML per verificare che i miner abbiano effettivamente eseguito il calcolo dichiarato, sostituendo la reputazione con il regolamento crittografico.
• Identità biometrica: Sistemi come World possono consentire agli utenti di dimostrare che un nuovo modello biometrico deriva da una registrazione valida senza una nuova verifica centralizzata o senza esporre la scansione sottostante.
• Autenticità dei contenuti: Le pipeline multimediali possono allegare prove che dimostrano che un asset ha superato un modello di rilevamento dichiarato, offrendo ai regolatori una traccia verificabile senza esporre il classificatore proprietario.
• Integrità degli oracoli: I feed di dati basati su ML possono dimostrare che la logica di aggregazione è stata eseguita come specificato tra le varie fonti, rafforzando il bridge tra l'intelligenza off-chain e il regolamento on-chain.

Applicazioni DeFi emergenti

La finanza decentralizzata è il primo mercato naturale perché opera già su presupposti antagonistici e verifica open-source. I motori di rischio, gli exchange di perpetual e i mercati dei prestiti richiedono sempre più parametri basati sull'IA senza chiedere agli utenti di fidarsi di una scatola nera.

Il modello è l'automazione collegata a prove. Un modello di IA ottimizza i rapporti di collateralizzazione, le soglie di liquidation o le commissioni dinamiche, e la prova associata consente ai contract del protocollo di verificare che i parametri provengano dal modello controllato anziché da un override discrezionale di un operatore.

La governance delle DAO è una seconda frontiera, in cui i pesi di voto basati su ML o le simulazioni di proposte possono essere convalidati senza esporre le partecipazioni individuali. La logica unificante è che l'automazione è accettabile nei sistemi trustless solo se l'automazione stessa può essere verificata.

Il mercato zkML e i progetti chiave

Il capitale e l'infrastruttura si sono consolidati attorno ad alcuni attori che costruiscono lo stack di IA verificabile. Capire chi fa cosa chiarisce dove si trova la vera attività del settore:

• Lagrange Labs: Gestisce una proving network in cui gli operatori fanno stake per fare offerte sulla generazione di prove, con un set di operatori di primo livello e DeepProve come principale libreria zkML per l'inferenza di IA.
• Inference Labs: ha raccolto 6,3 milioni di dollari da investitori tra cui Delphi e Mechanism per sviluppare Proof of Inference, un protocollo che protegge gli agenti AI tramite verifica crittografica.
• Bittensor Subnet 2: Il più grande cluster di prova zkML decentralizzato in funzione, che ha prodotto oltre 160 milioni di zero-knowledge proof incentivando al contempo la progettazione dei circuiti e l'ottimizzazione dei prover.
• Polyhedra: Fornisce il compilatore zkPyTorch e il backend di prova Expander, spingendo in avanti i confini dell'usabilità in modo che gli ingegneri ML possano generare prove senza competenze crittografiche.
• Giza: Si concentra sull'implementazione di modelli verificabili on-chain e sul supporto ad agenti autonomi, privilegiando l'accessibilità per gli sviluppatori rispetto alla velocità di generazione delle prove.
• EZKL: Mantiene il toolkit open-source più ampiamente adottato, verificato da Trail of Bits, e funge da punto di riferimento rispetto al quale i prover più recenti misurano le proprie prestazioni.

Il quadro commerciale è più sfumato di quanto ammettano rialzisti o ribassisti. I prezzi dei token legati all'AI verificabile hanno subito forti cali e diversi asset vengono scambiati vicino ai minimi storici, eppure DeepProve da sola ha verificato oltre tre milioni di inferenze e ha attirato partner della difesa e aziendali tra cui Anduril, Lockheed Martin e IBM; l'utilizzo reale sta quindi crescendo, mentre i mercati pubblici sottovalutano il settore.

Regolamentazione e conformità normativa per zkML

La pressione normativa è il principale argomento non legato alle criptovalute a favore dell'AI verificabile. L'EU AI Act impone obblighi di documentazione, tracciabilità e supervisione umana per i sistemi ad alto rischio, e le prove crittografiche offrono un modo per dimostrare la correttezza senza cedere modelli proprietari agli auditor.

La tempistica è cambiata in modo significativo nel 2026. I legislatori dell'UE hanno raggiunto un accordo politico il 7 maggio 2026 per rinviare gli obblighi più gravosi relativi all'alto rischio, spostando i sistemi dell'Allegato III, come il credit scoring e il reclutamento, a dicembre 2027 e i sistemi incorporati nei prodotti ad agosto 2028, mentre gli obblighi di trasparenza rimangono previsti per il 2026.

Questo rinvio ha risvolti duplici per zkML. Da un lato elimina l'urgenza di conformità a breve termine su cui i fornitori faceva affidamento, dall'altro offre alla tecnologia il tempo di maturare prima dell'arrivo delle scadenze, poiché i costi di generazione delle prove per i modelli effettivamente ad alto rischio rimangono oggi notevolmente elevati.

Il punto centrale è che la regolamentazione premia le prove rispetto alle affermazioni. Che la data di applicazione sia il 2026 o il 2028, le organizzazioni dovranno infine dimostrare che un modello implementato si è comportato come documentato, e una prova matematica costituisce un riscontro più solido di una semplice attestazione di conformità.

zkML, identità digitale e l'ondata di verifica dell'età

La più grande applicazione nel mondo reale della crittografia zero-knowledge non si sta verificando affatto nel settore crypto. Sta avvenendo nell'identità digitale, guidata dai mandati di verifica dell'età in fase di introduzione in Europa, nel Regno Unito e altrove.

Questo aspetto è rilevante per zkML poiché costruisce le infrastrutture di credenziali, l'architettura dei wallet e la familiarità del pubblico su cui l'AI verificabile finirà per fare affidamento, nonostante le due tecnologie risolvano problemi differenti.

L'implementazione globale dell'identità ZK

La Commissione Europea ha lanciato un'applicazione gratuita e open-source per la verifica dell'età il 15 aprile 2026, basata sulla crittografia zero-knowledge proof in modo che gli utenti possano dimostrare di superare una soglia di età senza rivelare la loro data di nascita o identità. Sette Stati membri, tra cui Francia, Italia e Spagna, si sono impegnati a integrarla.

L'infrastruttura sottostante è ancora più estesa. Il Regolamento eIDAS rivisto richiede che ogni Stato membro dell'UE offra un Digital Identity Wallet entro la fine del 2026 e incoraggia esplicitamente la crittografia a tutela della privacy, mentre l'Online Safety Act del Regno Unito e il Digital Services Act forniscono la pressione esecutiva che rende l'adozione inevitabile.

L'industria privata si è mossa in parallelo. Google ha integrato la verifica dell'età ZK in Google Wallet con Bumble come partner di lancio e ha reso open-source le proprie librerie ZKP, mentre Microsoft Research ha pubblicato Vega, il proprio sistema zero-knowledge per le credenziali di identità digitale.

Dove si colloca effettivamente zkML

Vale la pena formulare chiaramente un'importante distinzione, poiché viene spesso confusa. Dimostrare di avere più di diciotto anni a partire da una credenziale governativa firmata non comporta alcuna rete neurale, trattandosi quindi di crittografia zero-knowledge ma non di zkML. Le due realtà condividono la matematica, ma non i meccanismi.

La vera sovrapposizione risiede nella stima dell'età. Le piattaforme che affrontano obblighi di verifica devono scegliere tra la stima basata sull'AI, che preserva la privacy ma giudica erroneamente le persone, e il caricamento dei documenti, che risulta accurato ma trasforma ogni servizio in un punto di raccolta di dati identificativi governativi. Microsoft Research definisce questa situazione il dilemma vincolante.

zkML è ciò che dissolve questo compromesso. Un modello di stima dell'età può essere eseguito localmente sul dispositivo dell'utente ed emettere una prova che il modello divulgato è stato eseguito onestamente su una vera scansione facciale, in modo che la piattaforma apprenda solo il risultato booleano, mentre l'immagine, il modello biometrico e i pesi del modello non lasciano mai lo smartphone.

Chat Control e il dibattito sulla sorveglianza

La stessa crittografia si inserisce in modo problematico nelle contestate proposte europee di Chat Control, in cui la scansione obbligatoria dei messaggi privati è stata giustificata da obiettivi di protezione dei minori. La scansione lato client e zkML promettono entrambe la verifica senza un'esposizione massiccia dei dati, rendendo la formulazione politicamente influente.

I critici di questi framework sostengono che la verifica orientata alla privacy normalizza la richiesta stessa, poiché un sistema che chiede ripetutamente agli utenti di provare determinati attributi ridefinisce l'accesso a Internet indipendentemente da quanti pochi dati ogni singola prova riveli. I gruppi per i diritti digitali si sono opposti al legame tra controlli dell'età e wallet di identità proprio per questa ragione.

Per zkML la lezione è scomoda ma utile. La verificabilità crittografica è uno strumento di privacy davvero potente, ma è anche un facilitatore dei regimi di conformità, e il significato politico della tecnologia dipende interamente da ciò che le istituzioni decidono di richiedere di provare.

zkML vs altri approcci di AI verificabile

La zkML non è l'unico modo per rendere affidabili gli output dell'AI ed è spesso tutt'altro che economico. Comprendere le alternative chiarisce in quali casi la prova crittografica giustifica realmente il suo costo:

• Trusted execution environments: I TEEs eseguono i modelli all'interno di enclave hardware sicure e ne attestano il risultato, offrendo un overhead notevolmente inferiore ma richiedendo fiducia nel fornitore del chip ed esponendosi ad attacchi side-channel.
• Optimistic verification: I sistemi presumono che i calcoli siano onesti e si affidano a dei contestatori per metterli in discussione entro una finestra temporale, il che risulta economico ma introduce ritardi e dipende da verificatori vigili e motivati economicamente.
• Consensus re-execution: Più nodi eseguono nuovamente la stessa inferenza e ne confrontano gli output, un approccio diretto che moltiplica i costi di calcolo e non può preservare la privacy di input o pesi.
• Fully homomorphic encryption: La FHE esegue calcoli direttamente sui dati crittografati, garantendo una strong privacy ma comportando un overhead prestazionale che attualmente supera persino la zkML per la maggior parte dei carichi di lavoro di machine learning.
• Federated learning: L'addestramento avviene localmente e vengono condivisi solo gli aggiornamenti, proteggendo i dati grezzi senza dimostrare che alcun partecipante abbia eseguito i calcoli in modo onesto, lasciando così una lacuna di integrità che la zkML può colmare.

Il risultato probabile è una composizione piuttosto che un unico vincitore. Stack ibridi che abbinano prove ZK a calcoli crittografati sono già in fase di discussione per i carichi di lavoro cloud più sensibili, e i TEE potrebbero gestire la velocità di trasmissione mentre la zkML fa da ancora per le decisioni ad alto rischio.

Rischi e limitazioni

Le garanzie della zkML sono reali, ma lo sono anche i suoi vincoli, e una valutazione onesta conta più dell'entusiasmo in un settore così agli inizi. Le principali preoccupazioni sono:

• Cost overhead: Anche a circa 10.000 volte l'inferenza nativa, la generazione delle prove rimane troppo costosa per i modelli linguistici di frontiera, limitando la zkML a modelli più piccoli e ben definiti per il prossimo futuro.
• Accuracy loss: La quantizzazione dei pesi in virgola mobile in interi di campo finito comporta solitamente una perdita di accuratezza dello 0,5% - 2%, un compromesso accettabile per molte attività ma inaccettabile per le applicazioni critiche in termini di precisione.
• Prover centralization: La generazione delle prove dipende sempre più da cluster di GPU e hardware specializzato, concentrando le capacità tra operatori ben capitalizzati e compromettendo la decentralizzazione che la tecnologia dovrebbe servire.
• Implementation risk: Una prova attesta solo che un circuito è stato eseguito correttamente, non che il circuito rappresenti fedelmente il modello desiderato, pertanto una compilazione difettosa può produrre sciocchezze verificate con sicurezza.
• Talent scarcity: Il settore richiede persone fluenti sia in crittografia che in machine learning, una ristretta intersezione che rallenta l'adozione aziendale indipendentemente da quanto buoni diventino gli strumenti sottostanti.
• Token-price disconnect: I token legati all'AI verificabile vengono scambiati vicino ai minimi storici nonostante il crescente volume di prove, quindi l'utilizzo dell'infrastruttura e il valore del token si sono disaccoppiati, e i possessori non possono dare per scontato che l'adozione si traduca in prezzo.
• Competing standards: Framework di fiducia per agenti più leggeri potrebbero soddisfare molte esigenze di verifica senza prova crittografica, intercettando i casi d'uso che la zkML prevedeva di dominare.
• Standards fragmentation: Sistemi di prova in competizione e toolchain incompatibili limitano l'interoperabilità, e senza una convergenza l'adozione potrebbe frammentarsi tra ecosistemi incapaci di verificare il lavoro altrui.

Considerazioni finali

La zkML è passata dall'essere una curiosità di ricerca a infrastruttura funzionante. È stata dimostrata un'inferenza completa di GPT-2, i modelli di visione di medie dimensioni forniscono prove in pochi secondi e l'overhead è diminuito di due ordini di grandezza in circa due anni, una curva di miglioramento più rapida di quanto qualsiasi primitiva crittografica sia mai riuscita a fare.

Il limite oggettivo risiede nel fatto che il divario tra ciò che è dimostrabile e ciò che è implementato rimane ampio. I modelli di frontiera sono quattro ordini di grandezza oltre la portata economica, l'hardware per i prover si sta concentrando tra operatori ben capitalizzati e i token del settore vengono scambiati ben al di sotto delle aspettative dell'era dei finanziamenti, nonostante l'aumento del volume delle prove.

Il quadro strategico si basa su dove è diretta l'AI piuttosto che su dove si trova adesso. Gli agenti autonomi stanno iniziando a muovere capitale reale, i regolatori richiedono un comportamento dei modelli dimostrabile e i binari di identità zero-knowledge ora implementati in Europa stanno silenziosamente normalizzando la prova crittografica come infrastruttura quotidiana. Per chiunque segua la convergenza tra AI e crypto, la zkML rappresenta il livello in cui queste traiettorie si incontrano.