DeFi也行！零知识+AI机器学习「ZKML」的优势和挑战

aq块链技术和机器学习作为两个备受关注的领域，分别以其去中心化的特性和资料驱动的能力引领着技术的进步。区块链技术中的ZK（零知识，Zero-Knowledge，下文简称ZK）是密码学中的一个概念，指的是一种证明或互动过程，其中证明者能够向验证者证明某个陈述的真实性，而不泄露任何有关这个陈述的具体资讯。ML（机器学习，Machine Learning，下文简称ML），是AI 的分支领域。机器学习从输入资料中学习、总结形成模型并能做出预测和决策。

在這一背景下，結合兩者的 ZKML（Zero-Knowledge Machine Learning 零知識機器學習）在近期蓬勃發展。ZKML 將零知識證明的隱私保護和驗證能力與機器學習的資料處理和決策能力相結合，為區塊鏈應用帶來了全新的機遇和可能性。ZKML 為我們提供了一種同時保護資料隱私、驗證模型準確性和提升算力效率的解決方案。

本文將深入介紹 ZKML，瞭解其技術原理和應用場景，與開發者們一起探索這個令人興奮的交叉領域， 揭祕 ZKML 如何構建隱私性更加完備、更具安全性和高效性的數位化未來！

ZKML： 零知識證明與機器學習的結合

零知識證明與機器學習能在區塊鏈上結合的原因有二：

• 一方面， ZK 的零知識技術不僅希望能實現鏈上交易的高效驗證 ，ZK 的開發者也更希望 ZK 能用在更廣闊的生態領域中，ML 的強大 AI 支援，成為 ZK 應用生態擴充套件的極佳助力者。
• 另一方面， ML 模型從開發到使用的全流程都面臨著信任證明問題 ，ZK 能幫助 ML 實現不洩露資料和資訊的前提下實現有效性的證明，解決 ML 的信任困境。ZKML 的結合，是兩者各取所需、雙向奔赴，也將為區塊鏈生態新增動能。

ZK 与ML 的发展需求与能力互补

ML 有大量信任問題需要解決，各個工作流程的準確性、完整性、隱私性需要被證明。ZK 剛好能在確保隱私性的前提下有效驗證任何類計算是否正確執行， 很好地解決了機器學習長期存在的信任證明問題 。模型的完整性是 ML 訓練過程中的重要信任證明問題，但 ML 模型訓練和使用的資料和資訊的隱私保護同樣重要。這使 ML 的訓練難以通過第三方審計監管機構完成信任證明，去中心化的零知識屬性的 ZK 是與 ML 具有極高匹配性的信任證明路徑。

「AI 提升生產力，區塊鏈優化生產關係」，ML 為 ZK 賽道注入更高的創新動能和服務質量、ZK 為 ML 提供可驗證性與隱私保護，ZKML 雙方在區塊鏈環境中互補執行。

ZKML 的技术优势

ZKML 的主要技術優勢實現了計算完整性、隱私保護性與啟發式優化結合。從隱私角度上來看，ZKML 的優勢在於：

實現透明驗證

零知識證明（ZK）可以在不暴露模型內部細節的情況下評估模型效能， 實現透明和無需信任的評估過程 。

資料隱私保障

ZK 可用於使用公共模型驗證公共資料或使用私有模型驗證私有資料，以此保證資料的隱私性和敏感性。

ZK 本身通過密碼學協議，在保證隱私性的前提下確保了某個宣告的正確性，很好的解決了計算正確性證明機器學習在隱私保護上、同態加密機器學習在隱私保護上的缺陷。 將 ZK 融入 ML 過程中，建立了一個安全且保護隱私的平臺，解決了傳統機器學習的不足。 這不僅鼓勵隱私公司採用機器學習技術，Web2 開發人員也更有動力來探索 Web3 的技術潛力。

ZK 赋能ML：提供链上基础设施

ML 上鏈的算力桎梏與 ZK-SNARKs

在鏈下已經較為成熟的 ML 之所以剛剛進軍鏈上，是因為區塊鏈的算力成本過高。很多機器學習專案因算力限制無法直接在以 EVM 為代表的區塊鏈環境下執行。同時，雖然 ZK 的有效性驗證比重複計算效率更高，但這種優勢僅限於區塊鏈原生的交易資料處理。當 ZK 本就複雜的密碼學運算和互動面臨 ML 的大量運算時，區塊鏈的低 TPS 問題便暴露出來， 區塊鏈算力低下的問題成為阻礙 ML 上鏈的最大桎梏。

ZK-SNARKs 的出現緩解了 ML 的高算力需求問題。ZK-SNARKs 是一種零知識證明的密碼學構造，其全稱為 “零知識可擴充套件非互動式引數論證”（Zero-Knowledge Succinct Non-Interactive Argument of Knowledge）。它是一種基於橢圓曲線密碼學和同態加密的技術，用於實現高效的零知識證明。ZK-SNARK 具有高度緊湊性的特點，通過使用 ZK-SNARKs，證明者可以生成一個短而緊湊的證明，而驗證者只需進行少量的計算即可驗證證明的有效性，無需與證明者多次互動。 這種僅需一次有證明者向驗證者互動的性質，使 ZK-SNARKs 在實際應用中具有高效性和實用性 ，更加適配 ML 的鏈上算力需求。目前，ZK-SNARKs 是 ZKML 中 ZK 的主要形式。

ML 的鏈上基礎設施需求與對應專案

ZK 對 ML 的賦能主要體現在 ML 全過程的零知識證明上，是 ML 與鏈上功能的互動。這種互動所需解決的兩大問題是將兩者的資料形態對接併為 ZK 證明過程提供算力。

• ZK 硬體加速： ML 的 ZK 證明較為複雜，這需要硬體輔助鏈上算力加速證明計算。這類專案包括：Cysic、Ulvetanna、Ingonyama、Supranational、Accseal。
• ML 鏈上資料處理： 將鏈上資料處理為可進入 ML 訓練的資料形式，並幫助 ML 的輸出結果更方便從鏈上訪問。這類專案包括：Axiom、Herodotus、LAGRANGE、Hyper Oracle。
• ML 計算電路化： ML 計算模式與 ZK 的鏈上電路化證明有所差異，ML 的上鏈必須將其計算模式轉化為能被區塊鏈 ZK 處理的電路形式。這類專案包括：Modulus Labs、Jason Morton、Giza。
• ML 結果的 ZK 證明： ML 的信任證明問題，需要由鏈上 ZK 解決。基於 ZK-SNARKs 建構在 Risc Zero 或 Nil Foundation 上的應用就可以實現模型真實性證明。這類專案包括：RISC Zero、Axiom、Herodotus、Delphinus Lab、Hyper Oracle、Poseidon ZKP、IronMill。

ML 赋能ZK：丰富Web3 应用场景

ZK 解決 ML 的信任證明問題，併為 ML 提供了上鏈機會。很多 Web3 領域急需 AI ML 的生產力或決策支援，ZKML 使鏈上應用在保證去中心化與有效性的前提下，實現了 AI 的賦能。

去中心化金融

ZKML 可以幫助 DeFi 更加自動化，其一是鏈上協議引數更新的自動化；其二是交易策略的自動化。

• Modulus Labs 推出了 RockyBot，其是有史以來第一個完全鏈上的人工智慧交易機器人。

做过

ZKML 可以助力 Web3 去中心化身份 DID 的建設。此前，私鑰、助記詞等身份管理模式使 Web3 使用者體驗較差，真正的 DID 建設可以通過 ZKML 進行 Web3 主體生物資訊的識別完成，同時，ZKML 能保證使用者生物資訊隱私的安全性。

• Worldcoin 正在應用 ZKML 實現基於虹膜掃描的零知識 DID 驗證。

遊戲

ZKML 可以幫助 Web3 遊戲實現全功能上鏈。ML 可以為遊戲互動帶來差異性的自動化，增加遊戲的趣味性；而 ZK 可以使 ML 的互動決策上鏈。

• Modulus Labs 推出了 ZKML 驅動的國際象棋遊戲 @VsLeela；
• AI ARENA 運用 ZKML 實現了鏈上 NFT 遊戲的高互動性。

醫療保健與法律諮詢

醫療保健與法律諮詢是高隱私性且需要大量案例積累的領域，ZKML 可以幫助使用者完成決策且保證使用者的隱私不被洩露。

ZKML 面临的挑战

ZKML 目前正在蓬勃發展，但因其非原生於區塊鏈且需要大量算力，ZKML 未來主要面臨以下兩大挑戰：

• ML 資料量化上鏈過程中的引數失真問題：
• 大多數 ML 採用浮點數表示模型的引數，而 ZK 電路需要使用定點數。在這一數位型別轉化過程中，ML 的引數的精確度會有所降低，一定程度導致 ML 輸出結果的失真。
• 其大模型 ZK 證明的高算力要求問題：
• 目前區塊鏈的算力無法應對大規模、高計算量的鏈上 ZKML， 當下流行的 ZK-SNARKs 僅支援小規模、較小計算量的 ML 零知識證明。 算力侷限是影響 ZKML 區塊鏈應用發展的關鍵因素。
• ZK 生成证明的阶段计算复杂度较高，需要大量的算力资源。由于ZK 证明阶段通常需要访问和处理的资料之间存在高度的关联性，导致这个过程难以分散式进行，其无法「可并行化」。将这个过程进行分散式处理，可能会引入额外的复杂性，甚至会降低整体效能。目前，解决ZK 计算效率问题，主流的研究方向更多的是在演算法优化和硬体加速。

ZKML 是零知识证明与机器学习的双向奔赴，近期不断发展的区块链技术ZK 帮助ML 解决信任证明问题并为ML 提供链上环境；成熟的AI 技术ML 帮助ZK 实现Web3 生态拓展与应用创新。

ZKML 的发展面临一些挑战，如引数失真问题和大模型的高算力要求，但这些问题可以通过技术创新和硬体加速等手段得到解决。随着ZKML 专案的不断涌现和发展，我们可以预见它在DeFi、DID、游戏、医疗保健等领域将为Web3 生态带来更多创新和价值。

在未来，ZKML 有望成为真正解锁Web3 + AI 交叉融合的钥匙，为进一步构建安全、隐私保护和高效的区块链应用提供强有力的支援。通过结合ZK 的零知识性和ML 的资料处理能力，我们一定能够开创更加开放、智慧和可信赖的数位世界！