Zero-Knowledge Machine Learning(zkML)是什麼？零知識機器學習解析

目錄

• 什麼是Zero-Knowledge Machine Learning (zkML)？
• zkML 如何運作？
• 為什麼證明如此昂貴
• 2026年的zkML框架和工具
• 改變預期的基準
• zkML 在加密領域的用例
• 新興DeFi應用
• zkML市場與關鍵項目
• 監管與 zkML 的合規案例
• zkML、數字身份與年齡驗證浪潮
• 全球 ZK 身份推廣
• zkML 的實際應用場景
• 聊天控制與監控辯論
• zkML 與其他可驗證 AI 方法的比較
• 風險與局限性
• 常見問題
• 結語

什麼是Zero-Knowledge Machine Learning(zkML)？zkML 將零知識密碼學與機器學習結合，使證明者能夠在不泄露 AI 模型權重、用戶輸入或中間計算的情況下，證明模型運行正確。驗證者可在幾毫秒內檢查一個緊湊的證明，而無需重新運行模型。

該領域在 2025 年至 2026 年間跨越瞭一個決定性門檻。證明開銷從原生推理的約一百萬倍降至約一萬倍，Lagrange 在驗證瞭超過三百萬次推理後開源瞭 DeepProve，而 zkPyTorch 將一個擁有 1.38 億參數的視覺模型推向瞭 2.2 秒的證明。

什麼是Zero-Knowledge Machine Learning (zkML)？

零知識機器學習是一種密碼學技術，允許一方證明 AI 模型正確執行並產生瞭給定輸出，而無需泄露模型的權重、輸入數據或任何中間計算。它將正確性聲明轉換為任何人都可檢查的數學對象。

它解決的問題是結構性的。當你查詢一個托管模型時，你將數據發送到服務器並接收結果，但無法確認實際運行的是哪個模型、輸出是否被篡改，或者提供商是否替換瞭更便宜的模型。你完全信任它，而當輸出具有財務、醫療或法律重要性時，這是站不住腳的。

zkML 用驗證取代瞭這種信任。模型操作者在每次推理時生成一個簡潔的加密證明，證明特定的已提交模型處理瞭特定的輸入以產生特定的輸出。該證明不包含任何秘密，但任何第三方，包括智能合約，都可以在幾毫秒內驗證它。

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.

zkML 如何運作？

zkML 將神經網絡的前向傳播轉換為一個算術約束系統，然後證明這些約束存在一個有效的賦值。

以下是模型如何從訓練階段過渡到可驗證的 on-chain 輸出：

• 訓練：開發者使用專有數據和技術，在off-chain環境下以傳統方式訓練模型。zkML不改變訓練本身，且生成的權重仍屬於私有知識產權。
• 導出：完成的模型被導出為標準交換格式，通常是ONNX或GGUF，證明框架可以將其解析為由層和操作組成的計算圖。
• 量化：由於ZK電路在有限域而非IEEE 754算術下運行，浮點權重被近似為定點整數，這一步驟會損失少量精度。
• 編譯：框架將圖算術化，把矩陣乘法、卷積和非線性激活轉換為證明系統可以處理的電路或約束系統。
• 證明：證明者執行推理並生成簡潔證明，證明輸出源自已提交模型和給定輸入，使用的系統包括Halo2、GKR或基於查找的論證。
• 驗證：任何驗證者，無論是智能合約、審計員還是用戶設備，都會根據模型哈希等公開承諾檢查zero-knowledge proof，確認正確性，同時不暴露權重或原始數據。

量化步驟值得關註，因為它將密碼學嚴謹性與機器學習現實相結合。將實值算術轉換為模整數算術，在基準任務上通常會引入約0.5%到2%的精度損失，但大多數應用程序為瞭可證明性而接受這種權衡。

為什麼證明如此昂貴

成本問題是算術性的而非偶然的。將神經網絡中的每次乘法和激活編碼為約束會大幅增加工作量，這就是為什麼早期的zkVM方法帶來瞭100,000到1,000,000倍於原生推理的開銷。

這一數字已大幅下降。專用證明者、GPU加速和更智能的證明系統已將開銷降低到10,000倍左右，專業框架現在能夠在數秒而非數小時內證明中型模型。決定該領域投資價值的是其發展軌跡，而非當前的絕對成本。

非線性操作仍然是頑固的瓶頸。像ReLU和softmax這樣的激活函數，以及Transformer中的註意力機制，在浮點硬件中成本低，但算術化成本高昂，這就是為什麼視覺模型比語言模型更早實現可證明性。

2026年的zkML框架和工具

工具層已經整合到少數幾個重要的框架中，每個框架都在證明系統和目標工作負載上做出不同的選擇。以下是定義當前技術水平的項目：

• DeepProve：Lagrange的基於GKR的庫，於2026年6月完全開源，在證明生成方面比EZKL快54到158倍，在驗證方面快達671倍。
• EZKL：長期以來備受推崇的開源主力，基於Halo2構建，接收ONNX模型並生成EVM兼容的驗證者，對於沒有密碼學背景的開發者來說，是默認的切入點。
• zkPyTorch：Polyhedra於2025年3月發佈的一款編譯器，直接集成到PyTorch堆棧中，自動處理量化，並在大約2.2秒內證明瞭擁有1.38億參數的VGG-16模型。
• JOLT Atlas：源自a16z的以查找為中心的方法，適用於機器學習操作，優先考慮簡單的電路構建，即使在應用GPU加速之前也能實現顯著的加速。
• ZKTorch：一款使用並行證明累積的研究型編譯器，據報道，在相同硬件上，證明GPT-2的速度比早期的通用ZKML系統快大約六倍。
• zkVerify：一個驗證即服務層，支持多種證明系統，允許AI管道卸載證明檢查，而不是為每個模型部署定制的驗證者合約。

改變預期的基準

Lagrange在2025年7月達成的裡程碑重新定義瞭何為現實。該團隊完成瞭GPT-2的完整推理，這是一個擁有1.24億參數的Transformer模型，使其成為首個端到端證明整個語言模型的生產就緒加密系統。

該系統隨後從演示階段轉向部署。Lagrange於2026年6月開源瞭DeepProve，披露已生成超過1200萬個密碼學證明，並有超過300萬次AI推理已實現端到端驗證，同時與IBM、NVIDIA、Qualcomm、Oracle、Intel和AWS建立瞭合作關系。

然而，前沿差距仍然巨大，沒有人能令人信服地聲稱並非如此。GPT-2比當今領先的模型小瞭四個數量級，因此證明一個現代前沿系統不僅昂貴，而且在經濟上是荒謬的。Lagrange聲明的下一個目標是Llama和Gemma級別的開源模型，而不是排行榜頂端的任何模型。

改變的是曲線的斜率，而非當前的上限。跨證明者集群的並行證明、GPU原生算法重新設計以及可重用查找表是最有可能實現下一個數量級突破的杠桿，將逐步把中型開源模型帶入可證明的范圍。

zkML 在加密領域的用例

zkML 最重要的應用場景是當 AI 輸出具有財務後果且各方無法相互信任時。這些應用目前已上線或即將投入生產：

• 可驗證代理：進行交易或管理資金庫的自主 AI 代理可以證明每個決策都遵循瞭公開的模型，而不是秘密替換的模型，從而彌合委托-代理差距。
• 私人信用評分：借貸協議可以確認借款人的評分達到閾值，而無需查看餘額、交易歷史或身份信息，因為證明可以證實模型運行正確。
• 模型溯源性：API提供商可以證明哪個模型實際處理瞭請求，從而防止在昂貴模型計費時，悄悄替換為廉價模型。
• 去中心化推理：支付節點運行模型的網絡使用zkML來驗證礦工是否真實執行瞭所聲稱的計算，從而用密碼學結算取代瞭聲譽。
• 生物識別身份：諸如World之類的系統可以讓用戶證明新的生物識別模板來源於有效的註冊，而無需中心化再驗證或暴露底層掃描數據。
• 內容真實性：媒體管道可以附加證明，顯示資產通過瞭已披露的檢測模型，從而為監管機構提供可審計的追蹤記錄，而無需暴露專有分類器。
• 預言機完整性：機器學習驅動的數據源可以證明聚合邏輯按照跨源指定的方式執行，從而強化瞭off-chain智能與on-chain結算之間的bridge。

新興DeFi應用

去中心化金融是天然的首選市場，因為它已經基於對抗性假設和開源驗證運行。風險引擎、perpetuals交易所和借貸市場越來越需要AI驅動的參數，而不要求用戶信任一個黑箱。

這種模式是附加證明的自動化。一個AI模型優化抵押率、liquidation閾值或動態費用，隨附的證明讓協議的合約能夠驗證這些參數來自經過審計的模型，而非操作員的自由裁量覆蓋。

DAO治理是第二個前沿領域，在此領域，基於機器學習的投票權重或提案模擬可以得到驗證，而不暴露個人持倉。統一的邏輯是，自動化隻有在自身可被檢查的情況下，才在無需信任的系統中被接受。

zkML市場與關鍵項目

資本和基礎設施已集中在少數幾個構建可驗證AI堆棧的參與者手中。瞭解各方職責有助於明確該領域的實際活動所在：

• Lagrange Labs：運營一個證明網絡，運營商通過staking競標證明生成，擁有一組一級運營商，並以DeepProve作為其用於AI推理的旗艦zkML庫。
• Inference Labs：從包括Delphi和Mechanism在內的投資者那裡籌集瞭630萬美元，用於構建Proof of Inference，這是一個通過密碼學驗證來保護AI代理的協議。
• Bittensor Subnet 2：最大的去中心化 zkML 證明集群，已生成超過1.6億個零知識證明，同時激勵電路設計和證明者優化。
• Polyhedra：提供 zkPyTorch 編譯器和 Expander 證明後端，推動可用性前沿，使機器學習工程師無需密碼學專業知識即可生成證明。
• Giza：專註於在 on-chain 部署可驗證模型並賦能自主代理，優先考慮開發者可訪問性而非原始證明吞吐量。
• EZKL：維護著最廣泛采用的開源工具包，經過 Trail of Bits 審計，並作為新證明者進行基準測試的基線。

商業前景比多頭或空頭承認的更為復雜。可驗證AI代幣價格遭受重創，多個代幣交易價格接近歷史低點，然而僅 DeepProve 就已驗證瞭超過300萬次推理，並吸引瞭包括 Anduril、Lockheed Martin 和 IBM 在內的國防和企業合作夥伴，因此即使公開市場對該領域持悲觀態度，實際使用量仍在累積。

監管與 zkML 的合規案例

監管壓力是支持可驗證AI最有力的非加密論據。 歐盟AI法案對高風險系統施加瞭文檔、可追溯性和人工監督的義務，而密碼學證明提供瞭一種在不將專有模型提交給審計師的情況下證明正確性的方法。

時間表在2026年發生瞭實質性變化。歐盟立法者於2026年5月7日達成政治協議，推遲瞭最嚴苛的高風險義務，將信用評分和招聘等附件三系統推遲到2027年12月，產品嵌入式系統推遲到2028年8月，而透明度義務仍將於2026年實施。

這種推遲對 zkML 而言具有兩面性。它消除瞭供應商所依賴的近期合規緊迫性，但也為技術成熟爭取瞭時間，使其能在截止日期到來之前發展，因為目前真正高風險模型的證明成本仍然高得令人不安。

更深層次的觀點是，監管更看重證據而非斷言。無論實施日期是2026年還是2028年，組織最終都需要證明部署的模型按文檔所述運行，而數學證明是比政策證明更強的憑證。

zkML、數字身份與年齡驗證浪潮

零知識密碼學最大的實際部署根本沒有發生在加密領域。它正在數字身份領域發生，由在歐洲、UK 及其他地區推廣的年齡驗證強制要求驅動。

這對 zkML 很重要，因為它建立瞭可驗證AI最終將依賴的憑證軌道、wallet 基礎設施和公眾熟悉度，盡管這兩種技術解決的是不同的問題。

全球 ZK 身份推廣

歐盟委員會於2026年4月15日推出瞭一款免費的開源年齡驗證應用程序，該應用程序基於零知識證明密碼學構建，因此用戶可以證明他們達到年齡門檻，而無需透露他們的出生日期或身份。包括法國、意大利和西班牙在內的七個成員國承諾將其整合。

其底層基礎設施規模更大。修訂後的eIDAS法規要求每個 EU 成員國在2026年底前提供數字身份 wallet，並明確鼓勵隱私增強密碼學，而 UK 的《在線安全法》和《數字服務法》則提供瞭執法壓力，使采用成為強制性。

私 營行業同步行動。Google 將 ZK 年齡驗證集成到 Google Wallet 中，並與 Bumble 作為啟動合作夥伴，開源瞭其 ZKP 庫；同時 Microsoft Research 發佈瞭 Vega，其自己的用於數字身份憑證的零知識系統。

zkML 的實際應用場景

一個重要的區別值得明確指出，因為它經常被模糊。從簽署的政府憑證證明你已年滿十八歲不涉及神經網絡，因此它是零知識密碼學，但不是 zkML。兩者共享數學原理，而非機械設備。

真正的重疊在於年齡估算。面臨驗證強制要求的平臺必須在基於 AI 的估算（保護隱私但可能誤判人群）和文檔上傳（準確但將每項服務都變成瞭政府身份數據的信息陷阱）之間做出選擇。Microsoft Research 將此稱為“雙重困境”。

zkML 正是解決這種權衡的方法。年齡估算模型可以在用戶設備上本地運行，並發出證明，表明公開的模型在真實面部掃描上誠實執行，因此平臺隻知道佈爾結果，而圖像、生物識別模板和模型權重永遠不會離開手機。

聊天控制與監控辯論

同樣的密碼學尷尬地存在於歐洲備受爭議的聊天控制提案中，其中強制掃描私人消息以兒童保護目標為由。客戶端掃描和 zkML 都承諾在不進行大規模數據暴露的情況下進行驗證，這使得這種框架在政治上具有強大影響力。

這些框架的批評者認為，隱私保護驗證使需求本身常態化，因為一個反復要求用戶證明屬性的系統，無論每個單獨的證明泄露多少數據，都會重塑互聯網訪問。正是因此，數字權利組織反對將年齡檢查與身份 wallet 綁定。

對於 zkML 而言，這個教訓令人不適但很有用。密碼學可驗證性是真正強大的隱私工具，但它也是合規制度的推動者，技術的政治意義完全取決於機構選擇要求證明什麼。

zkML 與其他可驗證 AI 方法的比較

zkML 並非使 AI 輸出可信的唯一方法，而且它通常也不是最便宜的。瞭解替代方案有助於明確密碼學證明真正值得其成本的領域：

• 可信執行環境： TEEs 在安全硬件飛地內運行模型並證明結果，提供低得多的開銷，但需要信任芯片供應商，並且仍然面臨側信道攻擊的風險。
• 樂觀驗證： 系統假設計算誠實，並依賴挑戰者在規定時間內對其提出異議，這種方法成本低廉，但會引入延遲，並依賴於警惕且受經濟驅動的驗證者。
• 共識重執行： 多個節點重新運行相同的推理並比較輸出，這是一種直接的方法，但會增加計算成本，並且無法保護輸入或權重的隱私。
• 全同態加密： FHE 直接在加密數據上進行計算，提供強大的隱私保護，但其性能開銷目前甚至超過瞭 zkML 在大多數機器學習工作負載中的表現。
• 聯邦學習： 訓練在本地進行，隻共享更新，保護瞭原始數據，但無法證明任何參與者都誠實計算，這留下瞭一個 zkML 可以填補的完整性空白。

最終結果可能是組合而非單一贏傢。針對最敏感的雲工作負載，混合堆棧（將 ZK 證明與加密計算結合）已在討論中，TEEs 可能會處理吞吐量，而 zkML 則錨定高風險決策。

風險與局限性

zkML 的保證是真實的，但其限制也同樣存在，在這個早期領域，誠實評估比熱情更重要。主要擔憂包括：

• 成本開銷： 即使在原生推理的約一萬倍開銷下，證明對於前沿語言模型來說仍然過於昂貴，這在可預見的未來將 zkML 限制在較小、定義明確的模型上。
• 精度損失： 將浮點權重量化為有限域整數通常會損失 0.5% 到 2% 的精度，這對於許多任務來說是可以接受的權衡，但對於精度關鍵型應用來說則不合格。
• 證明者中心化： 證明生成越來越依賴於 GPU 集群和專用硬件，這使得能力集中在資金雄厚的運營商手中，並削弱瞭該技術旨在服務的去中心化目標。
• 實施風險： 證明僅證明電路正確執行，而非電路忠實地代表瞭預期模型，因此有缺陷的編譯可能會產生自信地驗證的無意義結果。
• 人才稀缺： 該領域需要精通密碼學和機器學習的人才，這是一個狹窄的交叉領域，無論底層工具多麼優秀，都會減緩企業采用的速度。
• 代幣價格脫鉤： 盡管證明量不斷增長，可驗證 AI 代幣仍接近歷史低點，因此基礎設施使用量與代幣價值已脫鉤，持有者不能假設采用率會轉化為價格。
• 競爭標準： Lighter-weight 的代理信任框架可能在無需密碼學證明的情況下滿足許多驗證需求，從而搶占 zkML 原本預期擁有的用例。
• 標準碎片化：相互競爭的證明系統和不兼容的工具鏈限制瞭互操作性，如果沒有趨同，采用可能會分散到無法相互驗證工作的生態系統中。

常見問題

有沒有可以投資的zkML代幣？

zkML是一個技術類別，而非單一資產。投資機會來自基礎設施代幣，如Lagrange的LA或Bittensor的TAO，盡管這些代幣帶有該領域巨大的執行和需求風險。

zkML今天能否證明像GPT-5或ClaudeOpus這樣的前沿模型？

不能。迄今為止端到端證明的最大模型仍是擁有1.24億參數的GPT-2。當今的前沿系統參數量達到數千億或數萬億，這使得它們在經濟上超出可證明范圍大約四個數量級。

zkML與聯邦學習有什麼區別？

聯邦學習將訓練數據保留在本地，但無法證明參與者誠實地進行瞭計算。zkML提供密碼學證明，證明特定模型正確運行，解決的是完整性問題，而不僅僅是數據局部性。

zkML適用於任何機器學習模型嗎？

並非普遍適用。框架接受ONNX和GGUF等標準格式，但嚴重依賴非線性操作或註意力的架構仍然成本高昂。卷積網絡和前饋網絡目前是最實用的可證明模型。

結語

zkML已從研究好奇心轉變為可用的基礎設施。完整的GPT-2推理已得到證明，中型視覺模型可在數秒內完成證明，且開銷在大約兩年內下降瞭兩個數量級，這一改進速度快於大多數密碼學原語所能達到的水平。

坦率地說，可證明與已部署之間的差距仍然很大。前沿模型在經濟上仍遙不可及，超出四個數量級；證明者硬件正集中在資金雄厚的運營商手中；即使證明量不斷攀升，該領域的代幣交易價格也遠低於其融資時代的預期。

戰略考量在於AI的發展方向，而非其現狀。自主代理正開始轉移實際資本，監管機構要求模型行為可被證明，並且目前正在歐洲部署的zero-knowledge身份軌道正在悄然將密碼學證明常態化為日常基礎設施。對於任何關註AI與加密貨幣融合的人來說，zkML是這些軌跡交匯的層。

以上就是腳本之傢小編給大傢分享的Zero-Knowledge Machine Learning(zkML)是什麼？零知識機器學習解析瞭，希望大傢喜歡！