一覽零知識機器學習zkML 的優勢和挑戰

區塊鏈技術和機器學習作為兩個備受關注的領域，分別以其去中心化的特性和數據驅動的能力引領著技術的進步。區塊鏈技術中的ZK（零知識，Zero-Knowledge，下文簡稱ZK）是密碼學中的一個概念，指的是一種證明或交互過程，其中證明者能夠向驗證者證明某個陳述的真實性，而不洩露任何有關這個陳述的具體信息。ML（機器學習，Machine Learning，下文簡稱ML），是AI 的分支領域。機器學習從輸入數據中學習、總結形成模型並能做出預測和決策。

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數據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數據隱私、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，了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，揭秘ZKML 如何構建隱私性更加完備、更具安全性和高效性的數字化未來！

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 支持，成為ZK 應用生態擴展的極佳助力者。

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 實現不洩露數據和信息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，也將為區塊鏈生態添加動能。

ZK 與ML 的發展需求與能力互補

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運行，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 模型訓練和使用的數據和信息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運行。

ZKML 的技術優勢

圖源：https://worldcoin.org/blog/engineering/intro-to-zkml

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性能，實現透明和無需信任的評估過程。

數據隱私保障

ZK 可用於使用公共模型驗證公共數據或使用私有模型驗證私有數據，以此保證數據的隱私性和敏感性。

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聲明的正確性，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，創建了一個安全且保護隱私的平台，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 賦能ML：提供鏈上基礎設施

ML 上鍊的算力桎梏與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。很多機器學習項目因算力限制無法直接在以EVM 為代表的區塊鏈環境下運行。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數據處理。當ZK 本就複雜的密碼學運算和交互面臨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 上鍊的最大桎梏。

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「零知識可擴展非交互式參數論證」（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，無需與證明者多次交互。這種僅需一次有證明者向驗證者交互的性質，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項目

ZK 對ML 的賦能主要體現在ML 全過程的零知識證明上，是ML 與鏈上功能的交互。這種交互所需解決的兩大問題是將兩者的數據形態對接並為ZK 證明過程提供算力。

ZK 硬件加速： ML 的ZK 證明較為複雜，這需要硬件輔助鏈上算力加速證明計算。這類項目包括：Cysic、Ulvetanna、Ingonyama、Supranational、Accseal。
ML 鏈上數據處理：將鏈上數據處理為可進入ML 訓練的數據形式，並幫助ML 的輸出結果更方便從鏈上訪問。這類項目包括：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 的上鍊必須將其計算模式轉化為能被區塊鏈ZK 處理的電路形式。這類項目包括：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。這類項目包括：RISC Zero、Axiom、Herodotus、Delphinus Lab、Hyper Oracle、Poseidon ZKP、IronMill。

ML 賦能ZK：豐富Web3 應用場景

ZK 解決ML 的信任證明問題，並為ML 提供了上鍊機會。很多Web3 領域急需AI ML 的生產力或決策支持，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。

DeFi

ZKML 可以幫助DeFi 更加自動化，其一是鏈上協議參數更新的自動化；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能交易機器人。

DID

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 用戶體驗較差，真正的DID 建設可以通過ZKML 進行Web3 主體生物信息的識別完成，同時，ZKML 能保證用戶生物信息隱私的安全性。

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 遊戲實現全功能上鍊。ML 可以為遊戲交互帶來差異性的自動化，增加遊戲的趣味性；而ZK 可以使ML 的交互決策上鍊。

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 遊戲的高交互性。

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 可以幫助用戶完成決策且保證用戶的隱私不被洩露。

ZKML 面臨的挑戰

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 數據量化上鍊過程中的參數失真問題：

大多數ML 採用浮點數表示模型的參數，而ZK 電路需要使用定點數。在這一數字類型轉化過程中，ML 的參數的精度會有所降低，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 僅支持小規模、較小計算量的ML 零知識證明。算力局限是影響ZKML 區塊鏈應用發展的關鍵因素。

ZK 生成證明的階段計算複雜度較高，需要大量的算力資源。由於ZK 證明階段通常需要訪問和處理的數據之間存在高度的關聯性，導致這個過程難以分佈式進行，其無法「可並行化」。將這個過程進行分佈式處理，可能會引入額外的複雜性，甚至會降低整體性能。目前，解決ZK 計算效率問題，主流的研究方向更多的是在算法優化和硬件加速。