Zero-Knowledge （zkML）？

Zero-Knowledge 学习（zkML）zero-knowledge （ZKPs）——一种无需披露底层数据即可验证陈述的密码学方法——与机器学习（ML）相结合，从而实现既能保护隐私又可验证的计算。

zkML 通过加密证明来验证较小的AI （如交易机器人或图像生成器），以确认其符合相关规则。但要将该技术扩展至大型模型（例如GPT-4o、o1、DALL-E 2、Claude 3.5、Grok-1），仍受制于极高的计算成本。

其他应用场景可能涵盖从欺诈检测到私有生物识别认证等领域。通过采用zero-knowledge ， zkML 隐私和计算完整性，使其成为金融（传统/去中心化）和医疗保健等敏感领域不可或缺的进步。

zkML 是如何zkML ？

zkML 使证明者能够在不泄露输入数据、模型权重或其他私有信息等敏感细节的情况下，验证AI 推理或训练过程的正确性。

zkML 过程包括以下关键步骤：

• 密码转换：ML 运算（推理、训练）被转化为算术电路或约束系统，将神经网络层转化为数学关系。
• 证明生成：ZK系统（zk、zk）能够生成简洁的密码学证明，这些证明将机器学习计算、非线性激活函数的哈希运算、矩阵乘法以及数据流转化为代数表达式，从而验证其正确性。
• 验证：第三方根据公共参数（如模型哈希值、输入承诺）验证证明，而无需访问原始数据，确保输出源于商定的逻辑。
• 隐私性输入、权重和梯度保持加密或屏蔽，依靠同态加密或安全多方计算等加密原语来隔离敏感数据。
• 权衡利弊：更大的网络或更深的层会增加计算开销，而证明规模和验证速度取决于底层证明系统的效率。

简而言zkML 用户在不透露底层数据或模型细节的情况下，证明AI 预测或训练结果是正确的。这是通过加密证明实现的，该证明既能保障隐私又能确保准确性，使整个过程既安全又可验证。

zkML 用例

zkML 加密货币领域zkML 其价值，目前已有多个项目成功将其落地，或mainnet 最终测试阶段推进。

• On-Chain AI ：验证交易机器人或yield （Modulus Labs、Giza x Yearn）是否按声明执行，从而防止DeFi 隐蔽操纵。
• API 问责制：迫使提供商附上证明，说明是哪些模型为其输出提供了动力，从而揭露 "黑箱 "ML 服务。
• 漏洞防范：让DAOs 利用基于历史漏洞模式训练的ZK证明（Aztec Protocol的研究成果），DAOs 冻结遭黑客攻击的合约。
• 生物识别升级：用户通过证明新的生物识别模板来自有效扫描，自行更新凭证（世界虹膜代码），无需集中重新注册。
• 医疗保密：诊断加密核磁共振成像（vCNN），同时保持扫描的私密性，用加密审计取代合规性文书工作。

DeFi 潜在DeFi

zkML 成熟，它有望被整合到去中心化across 更广泛应用场景中：

• DeFi 模型：验证AI贷款抵押或衍生品定价的正确性（Aave、Synthetix、 Hyperliquidetc），且无需披露专有算法或用户持仓。
• DAO ：在确保参与者数据（例如代币持有量）隐私的同时，验证基于机器学习的投票权重计算或提案影响预测。
• 隐私币：利用机器学习对交易匿名集（Zcash、Monero）进行审计，以检测西比尔攻击，同时不泄露用户身份或网络元数据。
• NFT ：通过加密技术验证稀有度评分或动态定价算法（如Pudgy Penguins、Azuki NFT），同时不泄露专有估值逻辑。
• Cross-Chain ：通过在不泄露节点输入数据的情况下，验证across 数据聚合的完整性，从而保障基于机器学习的数据源（Chainlink、Band Protocol）的安全。
• ZK：支持机器学习优化的事务批处理（ZKsync、StarkNet），其证明机制可在不暴露用户活动模式的前提下，确保交易排序和手续费计算的公平性。

zkML的当前状况

zkML 2024 年对硅谷信任危机的回应，在 Polychain 和a16z等加密巨头向以下初创企业注入数百万美元资金的推动下， Modulus Labs、World（Worldcoin）以及Ingonyama等初创企业注入数百万美元，以推动on-chain AI 与可验证性技术的发展。

zkML 在ChatGPT模型时仍面临挑战，但2025年可能会成为一个转折点。由Trump总统主导的US 5000亿美元Stargate数据中心计划，以及像中国AI DeepSeek 等新晋参与者推出的开源AI模型，都将推动创新步伐加快。

风险与担忧

zkML加密保障伴随着非同小可的风险，这些风险可能会阻碍企业在实际应用中的采用，或暴露系统性漏洞。

• 指数级成本：验证复杂模型（etc）的成本依然高得令人望而却步，且受硬件限制（参见Ingonyama的ZKPU），导致ROI 用例。
• 集中化风险：ASIC 可能会导致权力集中在少数几家芯片制造商（例如英伟达）手中，这与去中心化的理念相悖。
• 安全剧院：执行不力的电路，如未经测试的EZKL编译，可能会产生掩盖数据泄漏或模型缺陷的 "验证 "输出。
• 监管模糊性：早期法规要求（目前EU AI 》）可能会迫使企业采用质量欠佳的zkML ，从而带来合规负担，却无法带来真正的安全效益。
• 采用障碍：尽管如此，沃尔玛等企业仍面临人才短缺问题，难以zkML投入实际应用 Modulus Labs 已证明其在供应链领域的价值。

总结

zkML 实现AI 关键一步，但仍受限于可扩展性，因为当前GPU证明难以处理万亿参数的模型。

瞄准基础设施领域的投资者zkML DeFi 药物研发等行业的关键审计层，在这些领域，AI 保障着数十亿资产的安全。

监管机构面临着一个微妙的平衡难题：监管过度可能会扼杀创新，而放任不管则可能导致未经验证AI 对关键系统的信任。