Cos'è lo Zero-Knowledge Machine Learning (zkML)?

Lo zero-knowledge machine learning è una tecnica crittografica che consente a una parte di dimostrare che un modello 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 un'affermazione 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 per 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 completamente, il che è insostenibile quando l'output ha un peso finanziario, medico o legale.

zkML sostituisce quella fiducia con la verifica. L'operatore del modello genera una prova crittografica succinta insieme a ogni inferenza, attestando che un modello specifico e impegnato ha elaborato un input specifico per produrre un output specifico. La prova non contiene nessuno dei segreti, eppure qualsiasi terza parte, incluso uno smart contract, può convalidarla 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 forward pass di una rete neurale in un sistema di vincoli aritmetici, quindi dimostra che esiste un'assegnazione valida a 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 proprietarie. zkML non altera l'addestramento stesso, e i pesi risultanti rimangono proprietà intellettuale privata.
2. Esportazione: Il modello finito viene esportato in un formato di interscambio standard, tipicamente ONNX o GGUF, che il framework di proving può analizzare in un grafo computazionale di layer e operazioni.
3. Quantizzazione: I pesi in virgola mobile sono approssimati come interi a virgola fissa, poiché i ZK circuits operano su campi finiti anziché sull'aritmetica IEEE 754, un passaggio che comporta una piccola perdita di accuratezza.
4. Compilazione: Il framework aritmetizza il grafo, convertendo moltiplicazioni di matrici, convoluzioni e attivazioni non lineari in circuiti o sistemi di vincoli che un sistema di proof può consumare.
5. Proving: Un prover esegue l'inferenza e genera una proof succinta che attesta l'output derivato dal modello impegnato e dall'input dato, utilizzando sistemi come Halo2, GKR o argomenti basati su lookup.
6. Verifica: Qualsiasi verifier, uno smart contract, un auditor 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 di quantizzazione merita attenzione perché è qui che il rigore crittografico incontra la realtà del machine learning. La conversione dell'aritmetica a valori reali in aritmetica modulare intera introduce una penalità tipica di accuratezza di circa lo 0,5% al 2% su compiti di benchmark, un compromesso che la maggior parte delle applicazioni accetta in cambio della provabilità.

Perché il Proving È Così Costoso

Il problema dei costi è aritmetico piuttosto che incidentale. Codificare ogni moltiplicazione e attivazione in una rete neurale come un vincolo aumenta drasticamente il lavoro, motivo per cui i primi approcci zkVM comportavano overheads tra 100.000 e 1.000.000 di volte l'inferenza nativa.

Questo valore è crollato. Prover appositamente costruiti, accelerazione GPU e sistemi di proof più intelligenti hanno ridotto l'overhead verso il range di 10.000 volte, e i framework specializzati ora provano modelli di medie dimensioni in secondi anziché ore. È la traiettoria, non il costo assoluto attuale, ciò che rende il settore investibile.

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

Framework e Strumenti zkML nel 2026

Lo strato di tooling si è consolidato attorno a una manciata di framework seri, ognuno dei quali scommette in modo diverso sui sistemi di proof e sui carichi di lavoro target. Questi sono i progetti che definiscono lo stato dell'arte:

• DeepProve: La libreria basata su GKR di Lagrange, completamente open-source a giugno 2026, ottiene benchmark da 54 a 158 volte più veloci nella generazione di proof rispetto a EZKL e fino a 671 volte più veloce nella verifica.
• EZKL: Il collaudato strumento open-source basato su Halo2, che acquisisce modelli ONNX ed emette verifier compatibili con EVM, rendendolo il punto di ingresso predefinito per gli sviluppatori senza background crittografico.
• zkPyTorch: Un compilatore Polyhedra rilasciato a marzo 2025 che si collega direttamente allo stack PyTorch, gestendo automaticamente la quantizzazione e provando il VGG-16 da 138 milioni di parametri in circa 2,2 secondi.
• JOLT Atlas: Un approccio lookup-centric, originato da a16z, adattato per le operazioni di ML, che privilegia la costruzione di circuiti semplici e registra notevoli accelerazioni anche prima dell'applicazione dell'accelerazione GPU.
• ZKTorch: Un compilatore di ricerca che utilizza l'accumulazione parallela di prove, che, secondo quanto riportato, dimostra GPT-2 circa sei volte più velocemente rispetto ai precedenti sistemi ZKML general-purpose su hardware identico.
• zkVerify: Uno strato di verifica-as-a-service che supporta più sistemi di prova, consentendo alle pipeline di AI di delegare la verifica delle prove anziché implementare contratti di verifica personalizzati per ogni modello.

Il Benchmark Che Ha Cambiato le Aspettative

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

Il sistema è poi passato dalla demo alla distribuzione. Lagrange ha reso open-source DeepProve nel giugno 2026, rivelando più di 12 milioni di prove crittografiche generate e oltre 3 milioni di inferenze AI verificate end-to-end, insieme a partnership che includono IBM, NVIDIA, Qualcomm, Oracle, Intel e AWS.

Il divario di frontiera rimane comunque enorme, e nessuno afferma credibilmente il contrario. GPT-2 è quattro ordini di grandezza più piccolo rispetto ai modelli di punta odierni, quindi dimostrare un moderno sistema di frontiera non è solo costoso ma economicamente assurdo, e il prossimo obiettivo dichiarato di Lagrange sono i modelli open di classe Llama e Gemma, piuttosto che qualsiasi cosa in cima alla classifica.

Ciò che è cambiato è la pendenza della curva piuttosto che il soffitto attuale. La dimostrazione parallelizzata attraverso cluster di prover, le riprogettazioni di algoritmi GPU-native e le tabelle di lookup riutilizzabili sono le leve più propense a fornire il prossimo sblocco di un ordine di grandezza, trascinando gradualmente i modelli open di medie dimensioni nel range dimostrabile.

Casi d'uso di zkML in Crypto

zkML è più rilevante laddove un output AI comporta conseguenze finanziarie e le parti non possono fidarsi l'una dell'altra. Queste applicazioni sono attive o si stanno avvicinando alla produzione oggi:

• Agenti verificabili: AI autonomi che effettuano operazioni di trading o gestiscono le riserve di tesoreria possono dimostrare che ogni decisione è stata presa secondo un modello reso pubblico, anziché secondo uno sostituito di nascosto, colmando così il divario tra mandante e agente.
• Valutazione del credito privata: Un protocollo di prestito può confermare che il punteggio di un mutuatario supera una soglia senza mai visualizzare saldi, cronologia delle transazioni o identità, poiché la prova attesta che il modello è stato eseguito correttamente.
• Provenienza del modello: I fornitori di API possono dimostrare quale modello ha effettivamente servito una richiesta, prevenendo la sostituzione silenziosa di un modello più economico mentre ne viene fatturato uno costoso.
• Inferenza decentralizzata: Le reti che pagano i nodi per eseguire modelli utilizzano zkML per verificare che i miner abbiano effettivamente eseguito la computazione dichiarata, 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 un'iscrizione valida senza riverifica centralizzata o esposizione della scansione sottostante.
• Autenticità dei contenuti: Le pipeline multimediali possono allegare prove che dimostrano che un asset ha superato un modello di rilevamento divulgato, fornendo ai regolatori una traccia verificabile senza esporre il classificatore proprietario.
• Integrità degli Oracle: i feed di dati basati su ML possono dimostrare che la logica di aggregazione è stata eseguita come specificato tra le diverse fonti, rafforzando il bridge tra l'intelligenza off-chain e il settlement on-chain.

Applicazioni DeFi Emergenti

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

Il modello è automazione con prova allegata. Un modello AI ottimizza i rapporti di collateral, le soglie di liquidation o le commissioni dinamiche, e la prova allegata consente ai contratti del protocollo di verificare che i parametri provengano dal modello auditato piuttosto che da un'override discrezionale di un operatore.

La governance DAO è una seconda frontiera, dove i pesi di voto basati su ML o le simulazioni di proposte possono essere convalidati senza esporre le singole partecipazioni. 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

Capitale e infrastrutture si sono consolidate attorno a pochi attori che stanno costruendo lo stack AI verificabile. Comprendere chi fa cosa chiarisce dove risiede la vera attività del settore:

• Lagrange Labs: Gestisce una rete di proving dove gli operatori fanno staking per fare offerte sulla generazione di prove, con un set di operatori di primo livello e DeepProve come sua libreria zkML di punta per l'inferenza AI.
• Inference Labs: Ha raccolto 6,3 milioni di dollari da investitori tra cui Delphi e Mechanism per costruire Proof of Inference, un protocollo che protegge gli agenti AI tramite verifica crittografica.
• Bittensor Subnet 2: Il più grande cluster di proving zkML decentralizzato in funzione, avendo prodotto oltre 160 milioni di zero-knowledge proofs, incentivando al contempo la progettazione di circuiti e l'ottimizzazione dei prover.
• Polyhedra: Fornisce il compilatore zkPyTorch e il backend di proving Expander, spingendo la frontiera dell'usabilità in modo che gli ingegneri ML possano generare prove senza esperienza crittografica.
• Giza: Si concentra sul deployment di modelli verificabili on-chain e sull'alimentazione di agenti autonomi, mirando all'accessibilità per gli sviluppatori piuttosto che alla pura capacità di proving.
• EZKL: Mantiene il toolkit open-source più ampiamente adottato, auditato da Trail of Bits, e funge da riferimento rispetto al quale i prover più recenti si confrontano.

Il quadro commerciale è più eterogeneo di quanto ammettano sia i rialzisti che i ribassisti. I prezzi dei token Verifiable-AI hanno sofferto molto e molti scambiano vicino ai minimi storici, eppure DeepProve da solo ha verificato oltre tre milioni di inferenze e ha attratto partner nel settore della difesa e delle imprese, tra cui Anduril, Lockheed Martin e IBM, quindi l'utilizzo reale si sta accumulando anche se i mercati pubblici sottovalutano il settore.

Regolamentazione e il Caso di Compliance per zkML

La pressione normativa è l'argomento non-crypto più forte a favore dell'AI verificabile. L'EU AI Act impone obblighi di documentazione, tracciabilità e supervisione umana sui sistemi ad alto rischio, e le prove crittografiche offrono un modo per dimostrare la correttezza senza consegnare modelli proprietari agli auditor.

La tempistica è cambiata materialmente nel 2026. I legislatori dell'EU hanno raggiunto un accordo politico il 7 maggio 2026 per rinviare gli obblighi più pesanti ad alto rischio, spostando i sistemi dell'Allegato III come il credit scoring e il reclutamento a dicembre 2027 e i sistemi embedded nei prodotti ad agosto 2028, mentre gli obblighi di trasparenza sono ancora previsti per il 2026.

Tale rinvio ha un duplice effetto per zkML. Elimina l'urgenza di compliance a breve termine su cui i fornitori contavano, ma concede anche alla tecnologia il tempo di maturare prima che scadano i termini, poiché i costi di proving per modelli realmente ad alto rischio rimangono oggi scomodamente elevati.

Il punto più profondo è che la regolamentazione premia le prove rispetto alle asserzioni. Sia che la data di applicazione sia il 2026 o il 2028, le organizzazioni dovranno alla fine dimostrare che un modello implementato si è comportato come documentato, e una prova matematica è un artefatto più forte di un'attestazione di policy.

zkML, Identità Digitale e l'Onda della Verifica dell'Età

Il più grande deployment nel mondo reale della crittografia zero-knowledge non sta avvenendo affatto nel settore crypto. Sta avvenendo nell'identità digitale, guidato dai mandati di verifica dell'età che si stanno diffondendo in Europa, nel UK e oltre.

Questo è importante per zkML perché costruisce le infrastrutture per le credenziali, l'infrastruttura dei wallet e la familiarità del pubblico da cui l'AI verificabile dipenderà alla fine, anche se le due tecnologie risolvono problemi diversi.

Il Rollout Globale dell'Identità ZK

La Commissione Europea ha lanciato un'app 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 d'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 ampia. Il regolamento eIDAS rivisto richiede a ogni stato membro dell'EU di offrire un Digital Identity Wallet entro la fine del 2026 e incoraggia esplicitamente la crittografia per la privacy, mentre il UK's Online Safety Act e il Digital Services Act forniscono la pressione di enforcement che rende l'adozione non opzionale.

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 sue librerie ZKP, mentre Microsoft Research ha pubblicato Vega, il suo sistema zero-knowledge per le credenziali di identità digitale.

Dove zkML si inserisce realmente

È opportuno fare una distinzione importante in modo chiaro, poiché spesso viene offuscata. Dimostrare di avere più di diciotto anni tramite una credenziale governativa firmata non implica alcuna rete neurale, quindi si tratta di crittografia zero-knowledge ma non di zkML. Le due condividono la matematica, non i meccanismi.

La vera sovrapposizione risiede nella stima dell'età. Le piattaforme che devono affrontare mandati di verifica devono scegliere tra la stima basata su AI, che preserva la privacy ma valuta erroneamente le persone, e il caricamento di documenti, che è accurato ma trasforma ogni servizio in una honeypot per i dati di ID governativi. Microsoft Research definisce questo il double bind.

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

Chat Control e il dibattito sulla sorveglianza

La stessa crittografia si inserisce in modo scomodo nelle controverse proposte europee di Chat Control, dove 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 massiva dei dati, il che rende l'inquadramento politicamente potente.

I critici di questi framework sostengono che la verifica che preserva la privacy normalizza la domanda stessa, poiché un sistema che chiede ripetutamente agli utenti di dimostrare attributi rimodella l'accesso a internet indipendentemente da quanti pochi dati ogni singola prova riveli. I gruppi per i diritti digitali si sono opposti al collegamento dei controlli dell'età ai wallet di identità proprio per questo motivo.

Per zkML la lezione è scomoda ma utile. La verificabilità crittografica è uno strumento di privacy realmente potente, eppure è anche un facilitatore di regimi di conformità, e il significato politico della tecnologia dipende interamente da quali istituzioni scelgono di richiedere una prova.

zkML vs Altri Approcci AI Verificabili

zkML non è l'unico modo per rendere affidabili gli output AI, e spesso non è il più economico. Comprendere le alternative chiarisce dove la prova crittografica giustifica realmente il suo costo:

• Trusted execution environments: i TEEs eseguono modelli all'interno di enclave hardware sicure e attestano il risultato, offrendo un overhead molto inferiore ma richiedendo fiducia nel fornitore del chip e rimanendo esposti ad attacchi side-channel.
• Optimistic verification: i sistemi presumono che i calcoli siano onesti e si affidano a sfidanti per contestarli entro una finestra temporale, il che è economico ma introduce ritardo e dipende da verificatori attenti e motivati economicamente.
• Consensus re-execution: più nodi rieseguono la stessa inferenza e confrontano gli output, un approccio diretto che moltiplica il costo computazionale e non può preservare la privacy degli input o dei pesi.
• Fully homomorphic encryption: la FHE calcola direttamente sui dati crittografati, fornendo una forte privacy ma comportando overhead di performance che attualmente superano persino 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 qualsiasi partecipante abbia calcolato onestamente, il che lascia un gap di integrità che zkML può colmare.

Il risultato probabile è la composizione piuttosto che un unico vincitore. Stack ibridi che accoppiano prove ZK con computazione crittografata sono già in discussione per i carichi di lavoro cloud più sensibili, e i TEEs potrebbero gestire il throughput mentre zkML ancora le decisioni ad alto rischio.

Rischi e Limitazioni

Le garanzie di zkML sono reali, ma lo sono anche i suoi vincoli, e una valutazione onesta è più importante dell'entusiasmo in un campo così nascente. Le preoccupazioni principali sono:

• Costo overhead: anche a circa 10.000 volte l'inferenza nativa, la prova rimane troppo costosa per i modelli linguistici all'avanguardia, limitando zkML a modelli più piccoli e ben definiti per il prossimo futuro.
• Perdita di accuratezza: la quantizzazione dei pesi floating-point in interi a campo finito comporta tipicamente una perdita di accuratezza dallo 0,5% al 2%, un compromesso accettabile per molte attività ma squalificante per applicazioni critiche per la precisione.
• Centralizzazione del prover: la generazione di prove dipende sempre più da cluster GPU e hardware specializzato, concentrando la capacità tra operatori ben capitalizzati e minando la decentralizzazione che la tecnologia dovrebbe servire.
• Rischio di implementazione: una prova attesta solo che un circuito è stato eseguito correttamente, non che il circuito rappresenti fedelmente il modello inteso, quindi una compilazione difettosa può produrre assurdità verificate con sicurezza.
• Scarsità di talenti: il campo richiede persone fluenti sia in crittografia che in machine learning, un'intersezione ristretta che rallenta l'adozione aziendale indipendentemente da quanto buoni diventino gli strumenti sottostanti.
• Disconnessione prezzo-token: i token AI verificabili scambiano 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 detentori non possono presumere che l'adozione si traduca in prezzo.
• Standard concorrenti: Framework di fiducia per agenti più leggeri potrebbero soddisfare molte esigenze di verifica senza prova crittografica, catturando casi d'uso che zkML si aspettava di possedere.
• Frammentazione degli standard: Sistemi di prova concorrenti e toolchain incompatibili limitano l'interoperabilità, e senza convergenza, l'adozione potrebbe frammentarsi tra ecosistemi che non possono verificare il lavoro reciproco.

Considerazioni finali

zkML è passato dalla curiosità di ricerca a un'infrastruttura operativa. Un'inferenza completa di GPT-2 è stata dimostrata, i modelli di visione di medie dimensioni si dimostrano 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 la maggior parte delle primitive crittografiche abbia mai gestito.

Il limite reale è che il divario tra ciò che è dimostrabile e ciò che è distribuito rimane ampio. I modelli di frontiera sono quattro ordini di grandezza oltre la portata economica, l'hardware dei prover si sta concentrando tra operatori ben capitalizzati, e i token del settore scambiano ben al di sotto delle aspettative dell'era di finanziamento, anche se il volume delle prove aumenta.

Il caso strategico si basa su dove l'AI si sta dirigendo piuttosto che su dove si trova. Gli agenti autonomi stanno iniziando a muovere capitale reale, i regolatori stanno richiedendo un comportamento del modello dimostrabile, e le infrastrutture di identità zero-knowledge ora in fase di distribuzione in tutta Europa stanno silenziosamente normalizzando la prova crittografica come infrastruttura quotidiana. Per chiunque segua la convergenza tra AI e crypto, zkML è lo strato in cui queste traiettorie si incontrano.