什么是Zero-Knowledge Machine Learning(zkML)？zkML 將零知識(shí)密碼學(xué)與機(jī)器學(xué)習(xí)結(jié)合，使證明者能夠在不泄露 AI 模型權(quán)重、用戶輸入或中間計(jì)算的情況下，證明模型運(yùn)行正確。驗(yàn)證者可在幾毫秒內(nèi)檢查一個(gè)緊湊的證明，而無需重新運(yùn)行模型。

該領(lǐng)域在 2025 年至 2026 年間跨越了一個(gè)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(yàn)證了超過三百萬次推理后開源了 DeepProve，而 zkPyTorch 將一個(gè)擁有 1.38 億參數(shù)的視覺模型推向了 2.2 秒的證明。

什么是Zero-Knowledge Machine Learning (zkML)？

零知識(shí)機(jī)器學(xué)習(xí)是一種密碼學(xué)技術(shù)，允許一方證明 AI 模型正確執(zhí)行并產(chǎn)生了給定輸出，而無需泄露模型的權(quán)重、輸入數(shù)據(jù)或任何中間計(jì)算。它將正確性聲明轉(zhuǎn)換為任何人都可檢查的數(shù)學(xué)對(duì)象。

它解決的問題是結(jié)構(gòu)性的。當(dāng)你查詢一個(gè)托管模型時(shí)，你將數(shù)據(jù)發(fā)送到服務(wù)器并接收結(jié)果，但無法確認(rèn)實(shí)際運(yùn)行的是哪個(gè)模型、輸出是否被篡改，或者提供商是否替換了更便宜的模型。你完全信任它，而當(dāng)輸出具有財(cái)務(wù)、醫(yī)療或法律重要性時(shí)，這是站不住腳的。

zkML 用驗(yàn)證取代了這種信任。模型操作者在每次推理時(shí)生成一個(gè)簡潔的加密證明，證明特定的已提交模型處理了特定的輸入以產(chǎn)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(nèi)驗(yàn)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(yùn)作？

zkML 將神經(jīng)網(wǎng)絡(luò)的前向傳播轉(zhuǎn)換為一個(gè)算術(shù)約束系統(tǒng)，然后證明這些約束存在一個(gè)有效的賦值。

以下是模型如何從訓(xùn)練階段過渡到可驗(yàn)證的 on-chain 輸出：

• 訓(xùn)練：開發(fā)者使用專有數(shù)據(jù)和技術(shù)，在off-chain環(huán)境下以傳統(tǒng)方式訓(xùn)練模型。zkML不改變訓(xùn)練本身，且生成的權(quán)重仍屬于私有知識(shí)產(chǎn)權(quán)。
• 導(dǎo)出：完成的模型被導(dǎo)出為標(biāo)準(zhǔn)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(jì)算圖。
• 量化：由于ZK電路在有限域而非IEEE 754算術(shù)下運(yùn)行，浮點(diǎn)權(quán)重被近似為定點(diǎn)整數(shù)，這一步驟會(huì)損失少量精度。
• 編譯：框架將圖算術(shù)化，把矩陣乘法、卷積和非線性激活轉(zhuǎn)換為證明系統(tǒng)可以處理的電路或約束系統(tǒng)。
• 證明：證明者執(zhí)行推理并生成簡潔證明，證明輸出源自已提交模型和給定輸入，使用的系統(tǒng)包括Halo2、GKR或基于查找的論證。
• 驗(yàn)證：任何驗(yàn)證者，無論是智能合約、審計(jì)員還是用戶設(shè)備，都會(huì)根據(jù)模型哈希等公開承諾檢查zero-knowledge proof，確認(rèn)正確性，同時(shí)不暴露權(quán)重或原始數(shù)據(jù)。

量化步驟值得關(guān)注，因?yàn)樗鼘⒚艽a學(xué)嚴(yán)謹(jǐn)性與機(jī)器學(xué)習(xí)現(xiàn)實(shí)相結(jié)合。將實(shí)值算術(shù)轉(zhuǎn)換為模整數(shù)算術(shù)，在基準(zhǔn)任務(wù)上通常會(huì)引入約0.5%到2%的精度損失，但大多數(shù)應(yīng)用程序?yàn)榱丝勺C明性而接受這種權(quán)衡。

為什么證明如此昂貴

成本問題是算術(shù)性的而非偶然的。將神經(jīng)網(wǎng)絡(luò)中的每次乘法和激活編碼為約束會(huì)大幅增加工作量，這就是為什么早期的zkVM方法帶來了100,000到1,000,000倍于原生推理的開銷。

這一數(shù)字已大幅下降。專用證明者、GPU加速和更智能的證明系統(tǒng)已將開銷降低到10,000倍左右，專業(yè)框架現(xiàn)在能夠在數(shù)秒而非數(shù)小時(shí)內(nèi)證明中型模型。決定該領(lǐng)域投資價(jià)值的是其發(fā)展軌跡，而非當(dāng)前的絕對(duì)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(shù)，以及Transformer中的注意力機(jī)制，在浮點(diǎn)硬件中成本低，但算術(shù)化成本高昂，這就是為什么視覺模型比語言模型更早實(shí)現(xiàn)可證明性。

2026年的zkML框架和工具

工具層已經(jīng)整合到少數(shù)幾個(gè)重要的框架中，每個(gè)框架都在證明系統(tǒng)和目標(biāo)工作負(fù)載上做出不同的選擇。以下是定義當(dāng)前技術(shù)水平的項(xiàng)目：

• DeepProve：Lagrange的基于GKR的庫，于2026年6月完全開源，在證明生成方面比EZKL快54到158倍，在驗(yàn)證方面快達(dá)671倍。
• EZKL：長期以來備受推崇的開源主力，基于Halo2構(gòu)建，接收ONNX模型并生成EVM兼容的驗(yàn)證者，對(duì)于沒有密碼學(xué)背景的開發(fā)者來說，是默認(rèn)的切入點(diǎn)。
• zkPyTorch：Polyhedra于2025年3月發(fā)布的一款編譯器，直接集成到PyTorch堆棧中，自動(dòng)處理量化，并在大約2.2秒內(nèi)證明了擁有1.38億參數(shù)的VGG-16模型。
• JOLT Atlas：源自a16z的以查找為中心的方法，適用于機(jī)器學(xué)習(xí)操作，優(yōu)先考慮簡單的電路構(gòu)建，即使在應(yīng)用GPU加速之前也能實(shí)現(xiàn)顯著的加速。
• ZKTorch：一款使用并行證明累積的研究型編譯器，據(jù)報(bào)道，在相同硬件上，證明GPT-2的速度比早期的通用ZKML系統(tǒng)快大約六倍。
• zkVerify：一個(gè)驗(yàn)證即服務(wù)層，支持多種證明系統(tǒng)，允許AI管道卸載證明檢查，而不是為每個(gè)模型部署定制的驗(yàn)證者合約。

改變預(yù)期的基準(zhǔn)

Lagrange在2025年7月達(dá)成的里程碑重新定義了何為現(xiàn)實(shí)。該團(tuán)隊(duì)完成了GPT-2的完整推理，這是一個(gè)擁有1.24億參數(shù)的Transformer模型，使其成為首個(gè)端到端證明整個(gè)語言模型的生產(chǎn)就緒加密系統(tǒng)。

該系統(tǒng)隨后從演示階段轉(zhuǎn)向部署。Lagrange于2026年6月開源了DeepProve，披露已生成超過1200萬個(gè)密碼學(xué)證明，并有超過300萬次AI推理已實(shí)現(xiàn)端到端驗(yàn)證，同時(shí)與IBM、NVIDIA、Qualcomm、Oracle、Intel和AWS建立了合作關(guān)系。

然而，前沿差距仍然巨大，沒有人能令人信服地聲稱并非如此。GPT-2比當(dāng)今領(lǐng)先的模型小了四個(gè)數(shù)量級(jí)，因此證明一個(gè)現(xiàn)代前沿系統(tǒng)不僅昂貴，而且在經(jīng)濟(jì)上是荒謬的。Lagrange聲明的下一個(gè)目標(biāo)是Llama和Gemma級(jí)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(dāng)前的上限。跨證明者集群的并行證明、GPU原生算法重新設(shè)計(jì)以及可重用查找表是最有可能實(shí)現(xiàn)下一個(gè)數(shù)量級(jí)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(lǐng)域的用例

zkML 最重要的應(yīng)用場景是當(dāng) AI 輸出具有財(cái)務(wù)后果且各方無法相互信任時(shí)。這些應(yīng)用目前已上線或即將投入生產(chǎn)：

• 可驗(yàn)證代理：進(jìn)行交易或管理資金庫的自主 AI 代理可以證明每個(gè)決策都遵循了公開的模型，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(píng)分：借貸協(xié)議可以確認(rèn)借款人的評(píng)分達(dá)到閾值，而無需查看余額、交易歷史或身份信息，因?yàn)樽C明可以證實(shí)模型運(yùn)行正確。
• 模型溯源性：API提供商可以證明哪個(gè)模型實(shí)際處理了請求，從而防止在昂貴模型計(jì)費(fèi)時(shí)，悄悄替換為廉價(jià)模型。
• 去中心化推理：支付節(jié)點(diǎn)運(yùn)行模型的網(wǎng)絡(luò)使用zkML來驗(yàn)證礦工是否真實(shí)執(zhí)行了所聲稱的計(jì)算，從而用密碼學(xué)結(jié)算取代了聲譽(yù)。
• 生物識(shí)別身份：諸如World之類的系統(tǒng)可以讓用戶證明新的生物識(shí)別模板來源于有效的注冊，而無需中心化再驗(yàn)證或暴露底層掃描數(shù)據(jù)。
• 內(nèi)容真實(shí)性：媒體管道可以附加證明，顯示資產(chǎn)通過了已披露的檢測模型，從而為監(jiān)管機(jī)構(gòu)提供可審計(jì)的追蹤記錄，而無需暴露專有分類器。
• 預(yù)言機(jī)完整性：機(jī)器學(xué)習(xí)驅(qū)動(dòng)的數(shù)據(jù)源可以證明聚合邏輯按照跨源指定的方式執(zhí)行，從而強(qiáng)化了off-chain智能與on-chain結(jié)算之間的bridge。

新興DeFi應(yīng)用

去中心化金融是天然的首選市場，因?yàn)樗呀?jīng)基于對(duì)抗性假設(shè)和開源驗(yàn)證運(yùn)行。風(fēng)險(xiǎn)引擎、perpetuals交易所和借貸市場越來越需要AI驅(qū)動(dòng)的參數(shù)，而不要求用戶信任一個(gè)黑箱。

這種模式是附加證明的自動(dòng)化。一個(gè)AI模型優(yōu)化抵押率、liquidation閾值或動(dòng)態(tài)費(fèi)用，隨附的證明讓協(xié)議的合約能夠驗(yàn)證這些參數(shù)來自經(jīng)過審計(jì)的模型，而非操作員的自由裁量覆蓋。

DAO治理是第二個(gè)前沿領(lǐng)域，在此領(lǐng)域，基于機(jī)器學(xué)習(xí)的投票權(quán)重或提案模擬可以得到驗(yàn)證，而不暴露個(gè)人持倉。統(tǒng)一的邏輯是，自動(dòng)化只有在自身可被檢查的情況下，才在無需信任的系統(tǒng)中被接受。

zkML市場與關(guān)鍵項(xiàng)目

資本和基礎(chǔ)設(shè)施已集中在少數(shù)幾個(gè)構(gòu)建可驗(yàn)證AI堆棧的參與者手中。了解各方職責(zé)有助于明確該領(lǐng)域的實(shí)際活動(dòng)所在：

• Lagrange Labs：運(yùn)營一個(gè)證明網(wǎng)絡(luò)，運(yùn)營商通過staking競標(biāo)證明生成，擁有一組一級(jí)運(yùn)營商，并以DeepProve作為其用于AI推理的旗艦zkML庫。
• Inference Labs：從包括Delphi和Mechanism在內(nèi)的投資者那里籌集了630萬美元，用于構(gòu)建Proof of Inference，這是一個(gè)通過密碼學(xué)驗(yàn)證來保護(hù)AI代理的協(xié)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(gè)零知識(shí)證明，同時(shí)激勵(lì)電路設(shè)計(jì)和證明者優(yōu)化。
• Polyhedra：提供 zkPyTorch 編譯器和 Expander 證明后端，推動(dòng)可用性前沿，使機(jī)器學(xué)習(xí)工程師無需密碼學(xué)專業(yè)知識(shí)即可生成證明。
• Giza：專注于在 on-chain 部署可驗(yàn)證模型并賦能自主代理，優(yōu)先考慮開發(fā)者可訪問性而非原始證明吞吐量。
• EZKL：維護(hù)著最廣泛采用的開源工具包，經(jīng)過 Trail of Bits 審計(jì)，并作為新證明者進(jìn)行基準(zhǔn)測試的基線。

商業(yè)前景比多頭或空頭承認(rèn)的更為復(fù)雜?？沈?yàn)證AI代幣價(jià)格遭受重創(chuàng)，多個(gè)代幣交易價(jià)格接近歷史低點(diǎn)，然而僅 DeepProve 就已驗(yàn)證了超過300萬次推理，并吸引了包括 Anduril、Lockheed Martin 和 IBM 在內(nèi)的國防和企業(yè)合作伙伴，因此即使公開市場對(duì)該領(lǐng)域持悲觀態(tài)度，實(shí)際使用量仍在累積。

監(jiān)管與 zkML 的合規(guī)案例

監(jiān)管壓力是支持可驗(yàn)證AI最有力的非加密論據(jù)。 歐盟AI法案對(duì)高風(fēng)險(xiǎn)系統(tǒng)施加了文檔、可追溯性和人工監(jiān)督的義務(wù)，而密碼學(xué)證明提供了一種在不將專有模型提交給審計(jì)師的情況下證明正確性的方法。

時(shí)間表在2026年發(fā)生了實(shí)質(zhì)性變化。歐盟立法者于2026年5月7日達(dá)成政治協(xié)議，推遲了最嚴(yán)苛的高風(fēng)險(xiǎn)義務(wù)，將信用評(píng)分和招聘等附件三系統(tǒng)推遲到2027年12月，產(chǎn)品嵌入式系統(tǒng)推遲到2028年8月，而透明度義務(wù)仍將于2026年實(shí)施。

這種推遲對(duì) zkML 而言具有兩面性。它消除了供應(yīng)商所依賴的近期合規(guī)緊迫性，但也為技術(shù)成熟爭取了時(shí)間，使其能在截止日期到來之前發(fā)展，因?yàn)槟壳罢嬲唢L(fēng)險(xiǎn)模型的證明成本仍然高得令人不安。

更深層次的觀點(diǎn)是，監(jiān)管更看重證據(jù)而非斷言。無論實(shí)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(yùn)行，而數(shù)學(xué)證明是比政策證明更強(qiáng)的憑證。

zkML、數(shù)字身份與年齡驗(yàn)證浪潮

零知識(shí)密碼學(xué)最大的實(shí)際部署根本沒有發(fā)生在加密領(lǐng)域。它正在數(shù)字身份領(lǐng)域發(fā)生，由在歐洲、UK 及其他地區(qū)推廣的年齡驗(yàn)證強(qiáng)制要求驅(qū)動(dòng)。

這對(duì) zkML 很重要，因?yàn)樗⒘丝沈?yàn)證AI最終將依賴的憑證軌道、wallet 基礎(chǔ)設(shè)施和公眾熟悉度，盡管這兩種技術(shù)解決的是不同的問題。

全球 ZK 身份推廣

歐盟委員會(huì)于2026年4月15日推出了一款免費(fèi)的開源年齡驗(yàn)證應(yīng)用程序，該應(yīng)用程序基于零知識(shí)證明密碼學(xué)構(gòu)建，因此用戶可以證明他們達(dá)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(nèi)的七個(gè)成員國承諾將其整合。

其底層基礎(chǔ)設(shè)施規(guī)模更大。修訂后的eIDAS法規(guī)要求每個(gè) EU 成員國在2026年底前提供數(shù)字身份 wallet，并明確鼓勵(lì)隱私增強(qiáng)密碼學(xué)，而 UK 的《在線安全法》和《數(shù)字服務(wù)法》則提供了執(zhí)法壓力，使采用成為強(qiáng)制性。

私 營行業(yè)同步行動(dòng)。Google 將 ZK 年齡驗(yàn)證集成到 Google Wallet 中，并與 Bumble 作為啟動(dòng)合作伙伴，開源了其 ZKP 庫；同時(shí) Microsoft Research 發(fā)布了 Vega，其自己的用于數(shù)字身份憑證的零知識(shí)系統(tǒng)。

zkML 的實(shí)際應(yīng)用場景

一個(gè)重要的區(qū)別值得明確指出，因?yàn)樗?jīng)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(jīng)網(wǎng)絡(luò)，因此它是零知識(shí)密碼學(xué)，但不是 zkML。兩者共享數(shù)學(xué)原理，而非機(jī)械設(shè)備。

真正的重疊在于年齡估算。面臨驗(yàn)證強(qiáng)制要求的平臺(tái)必須在基于 AI 的估算（保護(hù)隱私但可能誤判人群）和文檔上傳（準(zhǔn)確但將每項(xiàng)服務(wù)都變成了政府身份數(shù)據(jù)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(quán)衡的方法。年齡估算模型可以在用戶設(shè)備上本地運(yùn)行，并發(fā)出證明，表明公開的模型在真實(shí)面部掃描上誠實(shí)執(zhí)行，因此平臺(tái)只知道布爾結(jié)果，而圖像、生物識(shí)別模板和模型權(quán)重永遠(yuǎn)不會(huì)離開手機(jī)。

聊天控制與監(jiān)控辯論

同樣的密碼學(xué)尷尬地存在于歐洲備受爭議的聊天控制提案中，其中強(qiáng)制掃描私人消息以兒童保護(hù)目標(biāo)為由?？蛻舳藪呙韬?zkML 都承諾在不進(jìn)行大規(guī)模數(shù)據(jù)暴露的情況下進(jìn)行驗(yàn)證，這使得這種框架在政治上具有強(qiáng)大影響力。

這些框架的批評(píng)者認(rèn)為，隱私保護(hù)驗(yàn)證使需求本身常態(tài)化，因?yàn)橐粋€(gè)反復(fù)要求用戶證明屬性的系統(tǒng)，無論每個(gè)單獨(dú)的證明泄露多少數(shù)據(jù)，都會(huì)重塑互聯(lián)網(wǎng)訪問。正是因此，數(shù)字權(quán)利組織反對(duì)將年齡檢查與身份 wallet 綁定。

對(duì)于 zkML 而言，這個(gè)教訓(xùn)令人不適但很有用。密碼學(xué)可驗(yàn)證性是真正強(qiáng)大的隱私工具，但它也是合規(guī)制度的推動(dòng)者，技術(shù)的政治意義完全取決于機(jī)構(gòu)選擇要求證明什么。

zkML 與其他可驗(yàn)證 AI 方法的比較

zkML 并非使 AI 輸出可信的唯一方法，而且它通常也不是最便宜的。了解替代方案有助于明確密碼學(xué)證明真正值得其成本的領(lǐng)域：

• 可信執(zhí)行環(huán)境： TEEs 在安全硬件飛地內(nèi)運(yùn)行模型并證明結(jié)果，提供低得多的開銷，但需要信任芯片供應(yīng)商，并且仍然面臨側(cè)信道攻擊的風(fēng)險(xiǎn)。
• 樂觀驗(yàn)證： 系統(tǒng)假設(shè)計(jì)算誠實(shí)，并依賴挑戰(zhàn)者在規(guī)定時(shí)間內(nèi)對(duì)其提出異議，這種方法成本低廉，但會(huì)引入延遲，并依賴于警惕且受經(jīng)濟(jì)驅(qū)動(dòng)的驗(yàn)證者。
• 共識(shí)重執(zhí)行： 多個(gè)節(jié)點(diǎn)重新運(yùn)行相同的推理并比較輸出，這是一種直接的方法，但會(huì)增加計(jì)算成本，并且無法保護(hù)輸入或權(quán)重的隱私。
• 全同態(tài)加密： FHE 直接在加密數(shù)據(jù)上進(jìn)行計(jì)算，提供強(qiáng)大的隱私保護(hù)，但其性能開銷目前甚至超過了 zkML 在大多數(shù)機(jī)器學(xué)習(xí)工作負(fù)載中的表現(xiàn)。
• 聯(lián)邦學(xué)習(xí)： 訓(xùn)練在本地進(jìn)行，只共享更新，保護(hù)了原始數(shù)據(jù)，但無法證明任何參與者都誠實(shí)計(jì)算，這留下了一個(gè) zkML 可以填補(bǔ)的完整性空白。

最終結(jié)果可能是組合而非單一贏家。針對(duì)最敏感的云工作負(fù)載，混合堆棧（將 ZK 證明與加密計(jì)算結(jié)合）已在討論中，TEEs 可能會(huì)處理吞吐量，而 zkML 則錨定高風(fēng)險(xiǎn)決策。

風(fēng)險(xiǎn)與局限性

zkML 的保證是真實(shí)的，但其限制也同樣存在，在這個(gè)早期領(lǐng)域，誠實(shí)評(píng)估比熱情更重要。主要擔(dān)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(duì)于前沿語言模型來說仍然過于昂貴，這在可預(yù)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(diǎn)權(quán)重量化為有限域整數(shù)通常會(huì)損失 0.5% 到 2% 的精度，這對(duì)于許多任務(wù)來說是可以接受的權(quán)衡，但對(duì)于精度關(guān)鍵型應(yīng)用來說則不合格。
• 證明者中心化： 證明生成越來越依賴于 GPU 集群和專用硬件，這使得能力集中在資金雄厚的運(yùn)營商手中，并削弱了該技術(shù)旨在服務(wù)的去中心化目標(biāo)。
• 實(shí)施風(fēng)險(xiǎn)： 證明僅證明電路正確執(zhí)行，而非電路忠實(shí)地代表了預(yù)期模型，因此有缺陷的編譯可能會(huì)產(chǎn)生自信地驗(yàn)證的無意義結(jié)果。
• 人才稀缺： 該領(lǐng)域需要精通密碼學(xué)和機(jī)器學(xué)習(xí)的人才，這是一個(gè)狹窄的交叉領(lǐng)域，無論底層工具多么優(yōu)秀，都會(huì)減緩企業(yè)采用的速度。
• 代幣價(jià)格脫鉤： 盡管證明量不斷增長，可驗(yàn)證 AI 代幣仍接近歷史低點(diǎn)，因此基礎(chǔ)設(shè)施使用量與代幣價(jià)值已脫鉤，持有者不能假設(shè)采用率會(huì)轉(zhuǎn)化為價(jià)格。
• 競爭標(biāo)準(zhǔn)： Lighter-weight 的代理信任框架可能在無需密碼學(xué)證明的情況下滿足許多驗(yàn)證需求，從而搶占 zkML 原本預(yù)期擁有的用例。
• 標(biāo)準(zhǔn)碎片化：相互競爭的證明系統(tǒng)和不兼容的工具鏈限制了互操作性，如果沒有趨同，采用可能會(huì)分散到無法相互驗(yàn)證工作的生態(tài)系統(tǒng)中。

常見問題

有沒有可以投資的zkML代幣？

zkML是一個(gè)技術(shù)類別，而非單一資產(chǎn)。投資機(jī)會(huì)來自基礎(chǔ)設(shè)施代幣，如Lagrange的LA或Bittensor的TAO，盡管這些代幣帶有該領(lǐng)域巨大的執(zhí)行和需求風(fēng)險(xiǎn)。

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(shù)的GPT-2。當(dāng)今的前沿系統(tǒng)參數(shù)量達(dá)到數(shù)千億或數(shù)萬億，這使得它們在經(jīng)濟(jì)上超出可證明范圍大約四個(gè)數(shù)量級(jí)。

zkML與聯(lián)邦學(xué)習(xí)有什么區(qū)別？

聯(lián)邦學(xué)習(xí)將訓(xùn)練數(shù)據(jù)保留在本地，但無法證明參與者誠實(shí)地進(jìn)行了計(jì)算。zkML提供密碼學(xué)證明，證明特定模型正確運(yùn)行，解決的是完整性問題，而不僅僅是數(shù)據(jù)局部性。

zkML適用于任何機(jī)器學(xué)習(xí)模型嗎？

并非普遍適用。框架接受ONNX和GGUF等標(biāo)準(zhǔn)格式，但嚴(yán)重依賴非線性操作或注意力的架構(gòu)仍然成本高昂。卷積網(wǎng)絡(luò)和前饋網(wǎng)絡(luò)目前是最實(shí)用的可證明模型。

結(jié)語

zkML已從研究好奇心轉(zhuǎn)變?yōu)榭捎玫幕A(chǔ)設(shè)施。完整的GPT-2推理已得到證明，中型視覺模型可在數(shù)秒內(nèi)完成證明，且開銷在大約兩年內(nèi)下降了兩個(gè)數(shù)量級(jí)，這一改進(jìn)速度快于大多數(shù)密碼學(xué)原語所能達(dá)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(jīng)濟(jì)上仍遙不可及，超出四個(gè)數(shù)量級(jí)；證明者硬件正集中在資金雄厚的運(yùn)營商手中；即使證明量不斷攀升，該領(lǐng)域的代幣交易價(jià)格也遠(yuǎn)低于其融資時(shí)代的預(yù)期。

戰(zhàn)略考量在于AI的發(fā)展方向，而非其現(xiàn)狀。自主代理正開始轉(zhuǎn)移實(shí)際資本，監(jiān)管機(jī)構(gòu)要求模型行為可被證明，并且目前正在歐洲部署的zero-knowledge身份軌道正在悄然將密碼學(xué)證明常態(tài)化為日?；A(chǔ)設(shè)施。對(duì)于任何關(guān)注AI與加密貨幣融合的人來說，zkML是這些軌跡交匯的層。

以上就是腳本之家小編給大家分享的Zero-Knowledge Machine Learning(zkML)是什么？零知識(shí)機(jī)器學(xué)習(xí)解析了，希望大家喜歡！

你可能感興趣的文章

• 

  預(yù)測市場如何定價(jià)美聯(lián)儲(chǔ)加息動(dòng)作？利率預(yù)期形成機(jī)制深度解析

  美聯(lián)儲(chǔ)議息前夕出現(xiàn)罕見預(yù)期分化：經(jīng)濟(jì)學(xué)家一致看維穩(wěn)，預(yù)測市場定價(jià)加息概率走高,本文對(duì)比聯(lián)邦基金期貨與加密預(yù)測市場定價(jià)機(jī)制，厘清預(yù)期分歧成因，分析驅(qū)動(dòng)加息預(yù)期上行…

  2026-07-27
• 

  Robinhood Chain到底是什么?一文拆解十大Robinhood Chain的核心問題

  Robinhood 推出的 Layer 2 網(wǎng)絡(luò)主打股票代幣化，但上線后 99% 的交易量來自 memecoin 投機(jī)，真正的 RWA 應(yīng)用仍處于起步階段，這篇文章拆解了 Robinhood Chain 的十個(gè)核心問…

  2026-07-24
• 

  a16z Crypto 2026加密投資版圖全解析：他們到底投了哪些區(qū)塊鏈項(xiàng)目？

  a16z crypto是加密世界最無法忽視的資本力量,不少耳熟能詳?shù)膮^(qū)塊鏈項(xiàng)目，在早期融資階段都出現(xiàn)過a16z的名字，每當(dāng)a16z公布新投資，市場都會(huì)給予不小的關(guān)注,那么，A16Z到底…

  2026-07-24
• 

  Gas費(fèi)是什么？如何節(jié)省Gas成本？2026年新手節(jié)省Gas成本的四大實(shí)戰(zhàn)策略

  本文系統(tǒng)解析了區(qū)塊鏈Gas費(fèi)的本質(zhì)、構(gòu)成與2026年最新動(dòng)態(tài),文章指出，以太坊Gas費(fèi)已跌至1 Gwei歷史低位，Layer 2網(wǎng)絡(luò)可將交易成本降低90%-99%,同時(shí)提供了四條實(shí)操省錢策略,…

  2026-07-24
• 

  Robinhood預(yù)測市場是什么？Q2或首超加密收入，世界杯引爆轉(zhuǎn)型

  Robinhood 預(yù)測市場為合規(guī)事件合約交易產(chǎn)品，借助 Rothera 承接世界杯交易熱潮,數(shù)據(jù)顯示 Q2 該板塊收入或?qū)⑹锥瘸郊用軜I(yè)務(wù),憑借海量用戶形成競爭壁壘，行業(yè)增長空間廣闊…

  2026-07-24
• 

  Robinhood公鏈解讀：Stock Tokens全球上線 + Morpho 7%收益 + AI Agent

  從零傭金App到Arbitrum L2基礎(chǔ)設(shè)施，傳統(tǒng)券商第一次真正，上鏈，這份報(bào)告講透Robinhood Chain的野心與隱患,,需要的朋友可以參考下…

  2026-07-24
• 

  區(qū)塊鏈瀏覽器Blockchain Explorer是什么?區(qū)塊鏈瀏覽器查詢鏈上交易與地

  區(qū)塊鏈瀏覽器（Blockchain Explorer）是面向公鏈的搜索工具：它把節(jié)點(diǎn)上的區(qū)塊、交易與地址索引成人類可讀的網(wǎng)頁界面,下面小編就和大家簡單聊聊如何使用區(qū)塊鏈瀏覽器查詢鏈…

  2026-07-24
• 

  什么是加密貨幣空投？2026下半年值得關(guān)注的空投項(xiàng)目盤點(diǎn)

  026 下半年加密空投告別無腦白嫖模式，轉(zhuǎn)向真實(shí)鏈上貢獻(xiàn)獎(jiǎng)勵(lì),本文剖析空投行業(yè)迭代趨勢，盤點(diǎn) Base、MetaMask、Polymarket 等六大高潛力項(xiàng)目，詳解各項(xiàng)目優(yōu)勢、數(shù)據(jù)與參與…

  2026-07-24
• 

  Ethereum Dencun（Cancun-Deneb）升級(jí)解析：ETH價(jià)格表現(xiàn)如何？

  Dencun 在工程上取得了毋庸置疑的成功，但在經(jīng)濟(jì)上則更為復(fù)雜,它兌現(xiàn)了所承諾的費(fèi)用削減，使 rollups 適用于日常使用，并為 Ethereum 提供了一條兩年多來一直有效的擴(kuò)容路…

  2026-07-24
• 

  Rain 與 Polymarket 有何不同？預(yù)測市場正從應(yīng)用平臺(tái)走向基礎(chǔ)設(shè)施時(shí)代

  2026 年預(yù)測市場交易量快速攀升，行業(yè)迎來結(jié)構(gòu)轉(zhuǎn)變,Polymarket 代表消費(fèi)級(jí)應(yīng)用模式，Rain 主打去中心化基礎(chǔ)設(shè)施，支持無許可建市與 AI Agent 接入,賽道正由單一應(yīng)用邁向分…

  2026-07-23