什么是 zkML？解释和用例

什么是零知识机器学习（zkML）？

零知识机器学习（zkML）融合了零知识证明（ZKPs）和机器学习（ML），前者是一种在不泄露底层数据的情况下证明语句的加密方法，后者则可实现保护隐私且可验证的计算。

zkML 目前使用加密证明来验证较小的人工智能项目，如交易机器人或图像生成器，以确认规则的合规性。扩展到大型模型（如 GPT-4o、o1、DALL-E 2、Claude 3.5、Grok-1）仍然受到极高计算成本的限制。

其他应用可能包括欺诈检测和私人生物认证。通过使用零知识证明，zkML 确保了隐私和计算的完整性，使其成为金融（传统/去中心化）和医疗保健等敏感领域所需的先进技术。

‍

zkML 如何工作？

zkML使验证者能够确认人工智能模型推理或训练过程的正确性，而不会泄露敏感细节，如输入数据、模型权重或其他私人信息。

zkML 验证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：防 ZK 系统（zk-SNARKs、zk-STARKs）可生成简洁的加密证明，证明 ML 计算、散列非线性激活、矩阵乘法和数据流转化为代数语句的正确性。
• 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。

简单地说，zkML 可以让别人证明人工智能模型的预测或训练结果是正确的，而无需透露底层数据或模型细节。这是通过确保隐私和准确性的加密证明来实现的，使整个过程既安全又可验证。

‍

zkML 用例

zkML 已经证明了它在加密货币中的实用性，有几个项目成功实施了它，或在主网部署前的最后测试阶段取得了进展。

• 链上人工智能完整性：证明交易机器人或收益率策略（Modulus Labs 的 RockyBot、Giza x Yearn）的执行与宣称的一致，防止对 DeFi 市场的暗中操纵。
• 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 DAO 使用 ZK 异常证明（阿兹特克协议的研究成果），并根据历史漏洞利用模式进行训练，以编程方式冻结被黑客攻击的合约。
• 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 的潜在影响

zkML 技术成熟后，有可能被整合到分散式金融所有领域中更广泛的使用案例中：

• DeFi 风险模型：证明人工智能优化的贷款抵押或衍生品定价（Aave、Synthetix、Hyperliquid 等）的正确性，而不会暴露专有算法或用户头寸。
• DAO 治理：验证基于 ML 的投票权重计算或提案影响预测，同时保持参与者数据（如代币持有量）的私密性。
• 隐私币：使用 ML 对交易匿名集（Zcash、Monero）进行审计，在不泄露用户身份或网络元数据的情况下检测仿冒攻击。
• NFT 估值：以加密方式验证稀有度得分或动态定价算法（Pudgy Penguins、Azuki NFT），不会泄露专有估值逻辑。
• 跨链通告：通过在不泄露节点输入的情况下证明跨链数据聚合的完整性，确保由 ML 驱动的数据源（Chainlink、Band Protocol）的安全。
• ZK-Rollups：启用 ML 优化的交易批处理（ZKsync、StarkNet），并提供证明，确保公平的订单/费用计算，而不会暴露用户活动模式。

‍

zkML 的现状

zkML是2024年对硅谷信任赤字的回应，Polychain和a16z等加密货币巨头向Modulus Labs、World（原Worldcoin）和Ingonyama等初创公司注入了数百万美元，以推动链上人工智能隐私和可验证性的发展。

虽然 zkML 技术仍在与 ChatGPT 规模的模型作斗争，但 2025 年可能标志着一个转折点。由特朗普总统牵头的美国政府 5000 亿美元的星际之门数据中心计划，以及中国DeepSeek的开源人工智能模型等新加入者，都将推动更快的创新。

‍

风险与担忧

zkML 的加密保证具有非同小可的风险，可能会阻碍企业采用或暴露系统漏洞。

• 指数成本：证明复杂模型（GPT-4o 等）的成本仍然过高，硬件限制（见Ingonyama 的 ZKPU）限制了投资回报率的小众应用案例。
• 集中化风险：对 GPU/ASIC 的依赖可能会巩固少数芯片制造商（如 Nvidia）的权力，从而与分散化的理想背道而驰。
• 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：早期授权（目前主要是欧盟的《人工智能法案》）可能会迫使不合格的 zkML 集成，造成合规负担，却没有真正的安全优势。
• 采用摩擦：尽管Modulus Labs证实了 zkML 在供应链中的价值，但沃尔玛等公司在 zkML 的运营方面仍面临人才短缺的问题。

‍

最后的想法

zkML 是人工智能问责制的重要一步，但仍受到可扩展性的限制，因为目前的 GPU 加速证明难以处理万亿参数模型。

以基础设施选项为目标的投资者认为，zkML 是 DeFi 和药物发现等行业的关键审计层，在这些行业中，人工智能的透明度可保障数十亿美元的安全。

监管机构面临着一个微妙的平衡问题：过度监督有可能扼杀创新，而不作为则可能让未经验证的人工智能破坏人们对重要系统的信任。