Qu'est-ce que le Zero-Knowledge Machine Learning (zkML) ?

L'apprentissage automatique à divulgation nulle de connaissance est une technique cryptographique qui permet à une partie de prouver qu'un modèle d'AI s'est exécuté correctement et a produit une sortie donnée, sans révéler les poids du modèle, les données d'entrée ou tout calcul intermédiaire. Elle convertit une affirmation de correction en un objet mathématique que n'importe qui 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 la sortie a été altérée ou si le fournisseur a substitué un modèle moins cher. Vous lui faites entièrement confiance, ce qui est intenable lorsque la sortie a un poids financier, médical ou juridique.

Le zkML remplace cette confiance par la vérification. L'opérateur du modèle génère une preuve cryptographique succincte à chaque inférence, attestant qu'un modèle engagé spécifique a traité une entrée spécifique pour produire une sortie spécifique. La preuve ne contient aucun des secrets, pourtant toute tierce partie, y compris un smart contract, peut la valider en millisecondes.

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.

Comment fonctionne le zkML ?

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

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

1. Entraînement : Le développeur entraîne un modèle de manière conventionnelle, off-chain, en utilisant des données et des techniques propriétaires. Le zkML n'altère pas l'entraînement lui-même, et les poids résultants restent une propriété intellectuelle privée.
2. Exportation : Le modèle fini est exporté vers un format d'échange standard, généralement ONNX ou GGUF, que le framework de preuve peut analyser en un graphe computationnel de couches et d'opérations.
3. Quantification : Les poids en virgule flottante sont approximés comme des entiers à virgule fixe, puisque les circuits ZK opèrent sur des corps finis plutôt que sur l'arithmétique IEEE 754, une étape qui coûte une petite quantité de précision.
4. Compilation : Le framework arithmétise le graphe, convertissant les multiplications matricielles, les convolutions et les activations non linéaires en circuits ou systèmes de contraintes qu'un système de preuve peut consommer.
5. Preuve : Un prouveur exécute l'inférence et génère une preuve succincte attestant que la sortie est dérivée du modèle engagé et de l'entrée donnée, en utilisant des systèmes comme Halo2, GKR ou des arguments basés sur des tables de consultation.
6. Vérification : Tout vérificateur, un smart contract, un auditeur ou l'appareil d'un utilisateur, vérifie la preuve à divulgation nulle de connaissance par rapport à des engagements publics tels qu'un hachage de modèle, confirmant la correction sans exposer les poids ou les données brutes.

L'étape de quantification mérite attention car c'est là que la rigueur cryptographique rencontre la réalité de l'apprentissage automatique. La conversion de l'arithmétique en valeurs réelles en arithmétique modulaire entière introduit une pénalité 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 est si coûteuse

Le problème du coût est arithmétique plutôt qu'accessoire. L'encodage de chaque multiplication et activation dans un réseau neuronal comme une contrainte augmente considérablement le travail, c'est pourquoi les premières approches de zkVM entraînaient des surcoûts entre 100 000 et 1 000 000 fois l'inférence native.

Ce chiffre s'est effondré. Les prouveurs dédiés, l'accélération GPU et des systèmes de preuve plus intelligents ont réduit le surcoût vers la plage de 10 000 fois, et les frameworks spécialisés prouvent maintenant des modèles de taille moyenne en secondes plutôt qu'en heures. C'est la trajectoire, et non le coût absolu actuel, qui rend le domaine investissable.

Les opérations non linéaires restent le goulot d'étranglement tenace. Les activations comme ReLU et softmax, ainsi que les mécanismes d'attention dans les transformeurs, sont peu coûteuses dans le matériel à virgule flottante mais coûteuses à arithmétiser, c'est pourquoi les modèles de vision sont devenus prouvables bien avant les modèles de langage.

Frameworks et outils zkML en 2026

La couche d'outillage s'est consolidée autour d'une poignée de frameworks sérieux, chacun misant différemment sur les systèmes de preuve et les charges de travail cibles. Voici les projets qui définissent l'état de l'art :

• DeepProve : La bibliothèque de Lagrange basée sur GKR, entièrement open-source en juin 2026, affiche des performances de 54 à 158 fois plus rapides pour la génération de preuves que EZKL et jusqu'à 671 fois plus rapide pour la vérification.
• EZKL : Le cheval de bataille open-source de longue date construit sur Halo2, qui ingère les modèles ONNX et émet des vérificateurs compatibles EVM, ce qui en fait le point d'entrée par défaut pour les développeurs sans expérience en cryptographie.
• zkPyTorch : Un compilateur Polyhedra lancé en mars 2025 qui s'intègre directement à la pile PyTorch, gérant automatiquement la quantification et prouvant le VGG-16 de 138 millions de paramètres en environ 2,2 secondes.
• JOLT Atlas : Une approche centrée sur la recherche, issue d'a16z, adaptée aux opérations ML, privilégiant la construction de circuits simples et affichant des accélérations significatives avant même l'application de l'accélération GPU.
• ZKTorch : Un compilateur de recherche utilisant l'accumulation parallèle de preuves, qui aurait prouvé GPT-2 environ six fois plus rapidement que les systèmes ZKML généralistes précédents sur un matériel identique.
• zkVerify : Une couche de vérification en tant que service prenant en charge plusieurs systèmes de preuves, permettant aux pipelines d'IA de décharger la vérification des preuves plutôt que de déployer des contrats de vérification sur mesure pour chaque modèle.

Le jalon qui a changé les attentes

Le jalon de Lagrange en juillet 2025 a redéfini ce qui était considéré comme réaliste. L'équipe a réalisé une inférence complète de GPT-2, un transformeur de 124 millions de paramètres, en faisant 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 AI vérifiées de bout en bout, ainsi que des partenariats avec IBM, NVIDIA, Qualcomm, Oracle, Intel et AWS.

L'écart de la frontière reste néanmoins énorme, et personne ne prétend le contraire de manière crédible. GPT-2 est quatre ordres de grandeur plus petit que les modèles de pointe actuels, donc prouver un système de pointe moderne n'est pas seulement coûteux, mais économiquement absurde, et le prochain objectif déclaré de Lagrange est les modèles ouverts de classe Llama et Gemma plutôt que tout ce qui se trouve en tête du classement.

Ce qui a changé, c'est la pente de la courbe plutôt que le plafond actuel. La preuve parallélisée à travers des clusters de prouveurs, les refontes d'algorithmes natifs GPU et les tables de correspondance réutilisables sont les leviers les plus susceptibles de permettre le prochain déblocage d'un ordre de grandeur, attirant progressivement les modèles ouverts de taille moyenne dans la portée prouvable.

Cas d'utilisation de zkML en crypto

zkML est le plus pertinent là où une sortie AI a des conséquences financières et que les parties ne peuvent pas se faire confiance. Ces applications sont en ligne ou approchent de la production aujourd'hui :

• Agents vérifiables : AI autonomes qui effectuent des opérations de marché ou gèrent des trésoreries peuvent prouver que chaque décision a été prise conformément à un modèle rendu public, et non à un modèle modifié en secret, comblant ainsi le fossé entre mandant et mandataire.
• Notation de crédit privée : Un protocole de prêt peut confirmer qu'un score d'emprunteur dépasse un seuil sans jamais voir les soldes, l'historique des transactions ou l'identité, puisque la preuve atteste que le modèle a fonctionné correctement.
• Provenance du modèle : Les fournisseurs d'API peuvent prouver quel modèle a réellement traité une requête, empêchant la substitution silencieuse d'un modèle moins cher alors qu'un modèle coûteux est facturé.
• Inférence décentralisée : Les réseaux qui rémunèrent les nœuds pour exécuter des modèles utilisent zkML pour vérifier que les mineurs ont réellement effectué le calcul déclaré, 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 dérive d'un enregistrement valide sans re-vérification centralisée ni exposition du scan sous-jacent.
• Authenticité du contenu : Les pipelines médiatiques peuvent joindre des preuves montrant qu'un actif a passé un modèle de détection divulgué, offrant aux régulateurs une piste d'audit sans exposer le classificateur propriétaire.
• Intégrité des oracles : Les flux de données basés sur le ML peuvent prouver que la logique d'agrégation a été exécutée comme spécifié à travers 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 exchanges de perpetuals et les marchés de prêt souhaitent de plus en plus des paramètres basés sur l'AI sans demander aux utilisateurs de faire confiance à une boîte noire.

Le modèle est l'automatisation avec preuve jointe. Un modèle d'AI optimise les ratios de garantie, 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 plutôt que d'une annulation discrétionnaire de l'opérateur.

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

Le marché zkML et les projets clés

Le capital et l'infrastructure se sont consolidés autour de quelques acteurs construisant la pile AI vérifiable. Comprendre qui fait quoi clarifie où se situe l'activité réelle du secteur :

• Lagrange Labs : Opère un réseau de preuve où les opérateurs stake pour soumissionner sur la génération de preuves, avec un ensemble d'opérateurs de premier rang et DeepProve comme bibliothèque zkML phare pour l'inférence AI.
• Inference Labs : A levé 6,3 millions de dollars auprès d'investisseurs dont Delphi et Mechanism pour construire Proof of Inference, un protocole sécurisant les agents AI par vérification cryptographique.
• Bittensor Subnet 2 : Le plus grand cluster de preuve zkML décentralisé en opération, ayant produit plus de 160 millions de preuves zero-knowledge tout en incitant la conception de circuits et l'optimisation des prouveurs.
• Polyhedra : Fournit le compilateur zkPyTorch et le backend de preuve Expander, repoussant les limites de l'utilisabilité afin que les ingénieurs ML puissent générer des preuves sans expertise cryptographique.
• Giza : Se concentre sur le déploiement de modèles vérifiables on-chain et l'alimentation d'agents autonomes, privilégiant l'accessibilité pour les développeurs plutôt que le débit de preuve brut.
• EZKL : Maintient la boîte à outils open-source la plus largement adoptée, auditée par Trail of Bits, et sert de référence par rapport à laquelle les nouveaux prouveurs se mesurent.

Le tableau commercial est plus nuancé que ce que les haussiers ou les baissiers admettent. Les prix des tokens Verifiable-AI ont fortement souffert et plusieurs se négocient près de leurs plus bas historiques, pourtant DeepProve seul a vérifié plus de trois millions d'inférences et a attiré des partenaires de la défense et de l'entreprise, notamment Anduril, Lockheed Martin et IBM, ainsi, l'utilisation réelle s'accumule même si les marchés publics sous-estiment le secteur.

Réglementation et l'argument de la conformité pour zkML

La pression réglementaire est l'argument non-crypto le plus fort en faveur de l'AI vérifiable. L'EU AI Act impose des obligations de documentation, de traçabilité et de supervision humaine sur les systèmes à haut risque, et les preuves cryptographiques offrent un moyen de prouver l'exactitude sans céder les modèles propriétaires aux auditeurs.

Le calendrier a considérablement évolué en 2026. Les législateurs de l'UE ont trouvé un accord politique le 7 mai 2026 pour reporter les obligations les plus lourdes liées aux systèmes à haut risque, repoussant les systèmes de l'Annexe III, tels que la notation de crédit et le recrutement, à décembre 2027 et les systèmes intégrés aux produits à août 2028, tandis que les obligations de transparence restent en 2026.

Ce report a des implications doubles pour zkML. Il supprime l'urgence de conformité à court terme sur laquelle les fournisseurs comptaient, mais il donne également à la technologie le temps de mûrir avant l'arrivée des échéances, car les coûts de preuve pour les modèles réellement à haut risque restent inconfortablement élevés aujourd'hui.

Le point plus profond est que la réglementation privilégie la preuve à l'affirmation. Que la date d'application soit 2026 ou 2028, les organisations devront finalement démontrer qu'un modèle déployé s'est comporté comme documenté, et la preuve mathématique est un artefact plus solide qu'une attestation de politique.

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

Le plus grand déploiement réel de la cryptographie zero-knowledge ne se produit pas du tout dans la crypto. Il a lieu dans l'identité numérique, sous l'impulsion des mandats de vérification de l'âge qui se déploient en Europe, au UK et au-delà.

Ceci est important pour le zkML car il construit les infrastructures de crédentiels, l'infrastructure de wallet et la familiarité du public dont l'IA vérifiable dépendra à terme, même si les deux technologies résolvent des problèmes différents.

Le déploiement mondial de l'identité ZK

La Commission européenne a lancé une application de vérification de l'âge gratuite et open-source le 15 avril 2026, basée sur la cryptographie à preuve zero-knowledge, afin que les utilisateurs puissent prouver qu'ils atteignent un seuil d'âge sans révéler leur date de naissance ou 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 exige que chaque État membre de l'EU propose un wallet d'identité numérique d'ici fin 2026 et encourage explicitement la cryptographie améliorant la confidentialité, tandis que l'Online Safety Act du UK et le Digital Services Act fournissent la pression d'application qui rend l'adoption non-optionnelle.

L'industrie privée a évolué en parallèle. Google a intégré la vérification de l'âge ZK dans Google Wallet avec Bumble comme partenaire de lancement et a rendu open-source ses bibliothèques ZKP, tandis que Microsoft Research a publié Vega, son propre système zero-knowledge pour les crédentiels d'identité numérique.

Où le zkML s'intègre réellement

Une distinction importante mérite d'être énoncée clairement, car elle est fréquemment floue. Prouver que l'on a plus de dix-huit ans à partir d'un crédentiel gouvernemental signé n'implique aucun réseau neuronal, il s'agit donc de cryptographie zero-knowledge mais pas de zkML. Les deux partagent les mathématiques, pas la machinerie.

Le véritable chevauchement réside dans l'estimation de l'âge. Les plateformes soumises à des mandats de vérification doivent choisir entre l'estimation basée sur l'AI, qui préserve la confidentialité mais juge mal les personnes, et le téléchargement de documents, qui est précis mais transforme chaque service en un pot de miel pour les données d'identité gouvernementales. Microsoft Research appelle cela la 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 émettre une preuve que le modèle divulgué s'est exécuté honnêtement sur un scan facial réel, 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'insère maladroitement dans les propositions contestées de Chat Control en Europe, où l'analyse obligatoire des messages privés a été justifiée par des objectifs de protection de l'enfance. L'analyse côté client et le zkML promettent tous deux une vérification sans exposition massive des données, ce qui rend le cadrage politiquement puissant.

Les critiques de ces cadres soutiennent que la vérification préservant la confidentialité normalise la demande elle-même, car un système qui demande à plusieurs reprises aux utilisateurs de prouver des attributs remodèle l'accès à internet, quelle que soit la faible quantité de données que chaque preuve individuelle divulgue. Les groupes de défense des droits numériques se sont opposés à l'association des vérifications d'âge aux wallets d'identité pour cette raison précise.

Pour le zkML, la leçon est inconfortable mais utile. La vérifiabilité cryptographique est un outil de confidentialité véritablement puissant, mais c'est aussi un facilitateur de régimes de conformité, et la signification politique de la technologie dépend entièrement de ce que les institutions choisissent d'exiger comme preuve.

zkML vs autres approches d'IA vérifiable

Le zkML n'est pas le seul moyen de rendre les sorties d'AI fiables, et ce n'est souvent pas le moins cher. Comprendre les alternatives clarifie où la preuve cryptographique justifie réellement son coût :

• Environnements d'exécution de confiance : Les TEEs exécutent des modèles à l'intérieur d'enclaves matérielles sécurisées et attestent du résultat, offrant une surcharge bien moindre mais nécessitant une confiance dans le fournisseur de puces et restant exposés aux attaques par canal auxiliaire.
• Vérification optimiste : Les systèmes supposent que les calculs sont honnêtes et s'appuient sur des contestataires pour les disputer dans un délai imparti, ce qui est bon marché mais introduit un délai et dépend de vérificateurs vigilants et économiquement motivés.
• Ré-exécution par consensus : Plusieurs nœuds réexécutent la même inférence et comparent les sorties, 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 calcule directement sur des données chiffrées, offrant une forte confidentialité mais entraînant des surcharges de performance qui dépassent actuellement même le 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, protégeant les données brutes sans prouver qu'un participant a calculé honnêtement, ce qui laisse une lacune d'intégrité que le zkML peut combler.

Le résultat probable est la composition plutôt qu'un seul gagnant. Des piles hybrides associant des preuves ZK à un calcul chiffré sont déjà en discussion pour les charges de travail cloud les plus sensibles, et les TEEs pourraient gérer le débit tandis que le zkML ancre les décisions à enjeux élevés.

Risques et limitations

Les garanties du zkML sont réelles, mais ses contraintes le sont aussi, et une évaluation honnête importe plus que l'enthousiasme dans un domaine aussi naissant. Les principales préoccupations sont :

• Surcoût : Même à environ 10 000 fois l'inférence native, la preuve reste beaucoup trop coûteuse pour les modèles de langage de pointe, limitant le zkML aux modèles plus petits et bien définis pour l'avenir prévisible.
• Perte de précision : La quantification des poids en virgule flottante en entiers de corps fini entraîne généralement une perte de précision de 0,5 % à 2 %, un compromis acceptable pour de nombreuses tâches mais rédhibitoire pour les applications critiques en termes de précision.
• Centralisation des prouveurs : La génération de preuves dépend de plus en plus des clusters GPU et du matériel spécialisé, concentrant les capacités entre les mains d'opérateurs bien capitalisés et sapant la décentralisation que la technologie est censée servir.
• Risque d'implémentation : Une preuve atteste seulement qu'un circuit a été exécuté correctement, pas que le circuit représente fidèlement le modèle visé, donc une compilation boguée peut produire des absurdités vérifiées en toute confiance.
• 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 prix-jeton : Les jetons AI vérifiables se négocient près de leurs plus bas historiques malgré un volume de preuves croissant, ainsi l'utilisation de l'infrastructure et la valeur du jeton se sont découplées, et les détenteurs ne peuvent pas supposer que l'adoption se traduira par une augmentation du prix.
• Normes concurrentes : Des cadres de confiance d'agents plus légers peuvent satisfaire de nombreux besoins de vérification sans preuve cryptographique, capturant des cas d'utilisation que zkML s'attendait à posséder.
• 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 à travers des écosystèmes qui ne peuvent pas vérifier le travail des autres.

Conclusion

zkML est passé de la curiosité de recherche à une infrastructure fonctionnelle. Une inférence complète de GPT-2 a été prouvée, les modèles de vision de taille moyenne sont prouvés en quelques secondes, et les frais généraux ont diminué de deux ordres de grandeur en environ deux ans, une courbe d'amélioration plus rapide que celle que la plupart des primitives cryptographiques n'ont jamais gérée.

La réalité est que l'écart entre ce qui est prouvable et ce qui est déployé reste large. Les modèles de pointe sont quatre ordres de grandeur au-delà de la portée économique, le matériel de prouveur se concentre entre les mains d'opérateurs bien capitalisés, et les jetons du secteur se négocient bien en dessous des attentes de leur période de financement, même si le volume de preuves augmente.

L'argument stratégique repose sur la direction que prend l'AI plutôt que sur sa situation actuelle. Les agents autonomes commencent à déplacer des capitaux réels, les régulateurs exigent un comportement de modèle démontrable, et les infrastructures d'identité zero-knowledge actuellement déployées en Europe normalisent discrètement la preuve cryptographique comme infrastructure quotidienne. Pour quiconque suit la convergence de l'AI et de la crypto, zkML est la couche où ces trajectoires se rencontrent.