Sistem kecerdasan buatan sedang membuat keputusan yang mempengaruhi aliran dana, hasil medis, dan tindakan otonom, tetapi, bagaimana cara memverifikasi apakah kecerdasan buatan benar-benar menghitung apa yang diklaimnya? Apakah ia menggunakan model yang dijanjikannya? Apakah ia membocorkan data Anda dalam proses tersebut?
Ada banyak cara untuk mewujudkan metode kecerdasan buatan yang dapat diverifikasi, seperti perangkat keras tepercaya, mekanisme konsensus, dan pelaksanaan ulang di dalam area yang aman, masing-masing metode memiliki kelebihan, tetapi metode yang paling menarik adalah pembelajaran mesin pengetahuan nol (ZKML), yang menyelesaikan masalah verifikasi melalui matematika murni dan asumsi kepercayaan minimal.
Garis Besar Isi
Validasi Ringkas: Kemampuan komputasi yang andal untuk struk kecil.
Privasi: Bagian yang Benar-Benar Berguna dari Zero Knowledge
Uang yang Dapat Diprogram: Mengapa Agen Membutuhkan Bukti
Gambaran Umum Domain: Siapa yang membangun apa?
Tahap awal (2022-2023) Pembuktian konsep
Halo2 diterapkan pada ZKML
Ledakan (2024-2025): Pilih prajuritmu
Realitas Teknologi
Studi Kasus: Apa yang benar-benar layak dibuktikan?
Filter Dasar
DeFi: Pusat untuk Dana
Agen yang tidak dapat dipercaya
Pelayanan Kesehatan: Privasi dan Kemampuan Audit
Permainan: Keadilan yang Dapat Dibuktikan
Pasar Model: Validasi Pembelajaran Mesin sebagai Layanan (MLaaS)
Memori AI
Apa yang masih kurang di tahun 2025?
Prediksi ZKML untuk tahun 2026
Gelombang Perangkat Keras
Sistem Pembuktian: Matematika yang Lebih Baik
Cakupan operator meledak
Perubahan kurva biaya menyebabkan evolusi kasus penggunaan.
Akhirnya
Kebosanan adalah hal yang baik; itu berarti kebosanan itu menjadi nyata.
Dengar, kita akan melewati metode perangkat keras dan eksekusi ulang—TEE, mekanisme konsensus, dan sebagainya—bukan karena metode tersebut buruk, tetapi karena bagi saya, masalah yang menarik adalah verifikasi matematika murni: menerapkan bukti tanpa pengetahuan (zero-knowledge proofs) pada pembelajaran mesin—ZKML.
Tiga tahun lalu, bidang ini praktis tidak ada di "industri." Kemudian, Modulus Labs, EZKL, Dr. Daniel Kang, Dr. Cathie So, dan beberapa lainnya muncul, mengusulkan "Mari kita buat AI dapat diverifikasi." Keberatan langsung muncul dan jelas: biaya operasional mesin virtual bukti tanpa pengetahuan (zero-knowledge proof virtual machine/zkVM) adalah 100.000 hingga 1.000.000 kali lipat dari mesin virtual tradisional, dan menjalankan penalaran dalam bukti tanpa pengetahuan sama sulitnya dengan berenang di beton.
Jadi mengapa kita perlu melakukan itu?
Ada tiga alasan mengapa ZKML layak untuk diusahakan.
Validasi Ringkas: Kemampuan komputasi yang andal untuk struk kecil.
ZKML efektif justru karena asimetri ini: biaya komputasi bisa sangat tinggi, sementara biaya verifikasi bisa sangat rendah.
AWS akan menjalankan model Anda di klaster GPU-nya selama satu jam, lalu akan mengirimkan tanda terima terenkripsi ke ponsel Anda. Proses verifikasi hanya membutuhkan waktu 50 milidetik, dan ponsel Anda secara matematis mengetahui—yaitu, tahu—bahwa perhitungan telah selesai dengan benar, tanpa memerlukan kepercayaan apa pun.
Ini membuka bidang baru: alur kerja proksi tanpa kepercayaan. Proksi di ponsel Anda berkomunikasi dengan proksi di pusat data perusahaan, yang kemudian berkomunikasi dengan proksi di Ethereum, dan akhirnya dengan proksi di Solana. Setiap proksi meneruskan informasi terenkripsi seperti estafet, memungkinkan operasi bisnis proksi tanpa kepercayaan. Seluruh "rantai" inferensi dapat diverifikasi dari ujung ke ujung.
Bagaimana jika tidak ada sistem tersebut? Agen yang terkompromikan akan mengganggu seluruh alur kerja. Dalam sistem otonom seperti transfer dana atau pengambilan keputusan medis, ini bukan hanya kerentanan—tetapi bencana yang akan segera terjadi.
Privasi: Bagian yang Benar-Benar Berguna dari Zero Knowledge
Dalam ZKP, ZK menandakan bahwa bukti tersebut tidak mengungkapkan informasi apa pun.
Rumah sakit menggunakan data pasien untuk diagnosis dan menghasilkan sertifikasi. Sekarang, mereka dapat membuktikan kepada regulator, "Kami menggunakan model yang disetujui FDA dan memperoleh hasil ini," tanpa mengungkapkan catatan pasien apa pun. Data tetap bersifat pribadi, sementara sertifikasi dipublikasikan.
Alternatifnya: Sebuah bank membuktikan bahwa model deteksi penipuannya berfungsi dengan baik, tetapi tidak mengungkapkan model itu sendiri (keunggulan kompetitif) atau data transaksi (persyaratan peraturan). Setelah auditor memverifikasi hal ini, semua orang merasa senang.
Kami juga memperhatikan tren AI yang beralih ke perangkat – Gemma, Foundation Models dari Apple, dan seluruh gelombang inferensi lokal. Model-model ini pada akhirnya perlu berkomunikasi dengan dunia luar. zkML memungkinkan model yang berjalan di laptop Anda untuk membuktikan kepada sistem jarak jauh bahwa mereka memang telah melakukan komputasi tanpa mengunggah data atau bobot model Anda.
zkML memiliki banyak skenario aplikasi yang membutuhkan perlindungan privasi, dan tidak semua basis kode menyediakan perlindungan privasi - para pengembang harap perhatikan!
Uang yang Dapat Diprogram: Mengapa Agen Membutuhkan Bukti
Pada tahun 2025, bukti kriptografi akan mampu mengendalikan mata uang sebenarnya, yang jauh lebih penting daripada yang disadari orang.
Standar seperti X402 dan ERC-8004 untuk pembayaran antar lembaga sedang muncul, dan kita bergerak menuju era swasembada, di mana:
Agen membeli data dari penyedia.
Inferensi pada beberapa model
Memberikan hasil yang memuaskan bagi klien.
Penyelesaian pembayaran lengkap - tidak diperlukan campur tangan manusia selama seluruh proses.
Setiap langkah membutuhkan bukti: Apakah Anda menggunakan data berbayar? Apakah Anda menjalankan model yang Anda klaim? Apakah hasilnya benar-benar berasal dari perhitungan tersebut? zkML menjawab pertanyaan-pertanyaan ini melalui kriptografi.
Ketika para pedagang berurusan dengan uang sungguhan – bukan token testnet – tetapi nilai sebenarnya, mekanisme keamanan berbasis matematika menjadi sangat penting. Anda membutuhkan bukti, atau Anda membutuhkan kepercayaan. Jika Anda membangun sistem tanpa kepercayaan, pilihannya sudah jelas.
2025 - ZKML masih mahal, dan memang ada biaya, tetapi biaya tersebut menurun (1 juta kali → 100.000 kali → 10.000 kali), dan proposisi nilainya semakin jelas.
zkPyTorch dirilis pada Maret 2025, langsung mengurangi waktu pembuktian untuk inferensi VGG-16 menjadi 2,2 detik. DeepProve dari Lagrange memecahkan masalah inferensi LLM skala besar pada bulan Agustus. Pada musim gugur, kami juga mengamati peningkatan kecepatan serupa dalam basis kode JOLT Atlas, dan peningkatan kecepatan ini dicapai untuk beberapa model tanpa menggunakan GPU.
Pada tahun 2025 – jauh melewati tahap mainan – beberapa model kini dapat diverifikasi dalam hitungan detik menggunakan teknologi bukti tanpa pengetahuan (zero-knowledge proof/ZKP). Dengan peningkatan berkelanjutan pada alat pengembangan, kita dapat mengharapkan infrastruktur inovatif ini diterapkan secara praktis dalam lebih banyak proyek pada tahun 2026.
Biaya komputasi adalah pembayaran satu kali – memberikan kemampuan verifikasi, perlindungan privasi, dan kemampuan untuk mengoordinasikan agen di seluruh batasan kepercayaan tanpa perantara. Di dunia di mana agen AI akan mulai mentransfer miliaran dolar, ini bukanlah kemewahan, melainkan infrastruktur yang penting.
Gambaran Umum Domain: Siapa yang membangun apa?
Dari "berpotensi tercapai" pada tahun 2022 hingga "rilis aktual" pada tahun 2025, berikut adalah bagaimana kita sampai pada titik ini dan siapa yang melakukan apa.
Tahap awal (2022-2023): Pembuktian konsep
Modulus Labs memelopori gerakan ini, dan Daniel Shorr beserta timnya di Universitas Stanford menerbitkan (The Cost of Intelligence) – tolok ukur yang benar-benar bermakna pertama untuk sistem bukti tanpa pengetahuan (zero-knowledge proof) untuk kecerdasan buatan. Argumen mereka adalah bahwa jika agregasi tanpa pengetahuan dapat mengurangi biaya komputasi Ethereum, maka mungkin juga dimungkinkan untuk membawa kecerdasan buatan ke blockchain.
Peringatan spoiler: Hal ini sangat mahal. Memverifikasi bagian terkecil dari kontrak pintar saja membutuhkan biaya $20 per transaksi. Tapi ini sukses. Mereka mengembangkan RockyBot (game pertarungan AI on-chain) dan Leela vs the World untuk memverifikasi konsep tersebut. Lebih penting lagi, mereka membuktikan bahwa GPT-2 dan algoritma rekomendasi Twitter dapat diverifikasi bahkan tanpa pengetahuan sebelumnya.
Teknologi dasar yang mereka gunakan adalah protokol bernama GKR. Vitalik baru-baru ini menulis tutorial tentangnya, jadi saya tidak akan membahas detailnya di sini. Jika Anda tertarik dengan GKR, Anda dapat membaca artikel tersebut. Ide inti dari GKR adalah memungkinkan Anda untuk melewati komitmen kriptografi di lapisan pusat, dan operasi pembelajaran mesin terasa alami dan lancar di lingkungan ini.
Ternyata perkalian matriks dan beberapa operasi kunci lainnya lebih efisien bila menggunakan protokol khusus (seperti protokol sumcheck dan parameter lookup), dan Thaler menjelaskan alasan utamanya secara sangat menyeluruh bertahun-tahun yang lalu dalam bukunya (Proofs, Arguments, and Zero Knowledge):
Pratinjau: Protokol lain untuk MATMULT. Protokol MATMULT interaktif lainnya diperoleh dengan menerapkan protokol GKR (yang akan diperkenalkan di Bagian 4.6) ke sirkuit C untuk menghitung hasil perkalian C dari dua matriks input A dan B. Verifikator dalam protokol ini memiliki waktu eksekusi O(n^2) dan pembukti memiliki waktu eksekusi O(S), di mana S adalah jumlah gerbang dalam sirkuit C.
Keunggulan protokol MATMULT yang dijelaskan di bagian ini ada dua. Pertama, protokol ini tidak mempermasalahkan bagaimana pembukti menemukan jawaban yang benar, sedangkan protokol GKR mengharuskan pembukti untuk menghitung matriks jawaban C dengan cara yang telah ditentukan, yaitu mengevaluasi rangkaian C gerbang demi gerbang. Kedua, pembukti dalam protokol ini hanya perlu menemukan jawaban yang benar dan kemudian melakukan operasi tambahan O(n^2) untuk membuktikan kebenarannya. Dengan asumsi tidak ada algoritma perkalian matriks waktu linear, istilah O(n^2) ini mewakili overhead tambahan tingkat rendah. Sebaliknya, protokol GKR memperkenalkan setidaknya faktor konstan overhead pada pembukti. Dalam praktiknya, ini terlihat sebagai pembukti yang berjalan berkali-kali lebih lambat daripada algoritma MATMULT (yang tidak dapat diverifikasi), sementara kecepatan berjalan pembukti hanya kurang dari satu persen lebih lambat.
Thaler juga merupakan salah satu orang pertama yang menganjurkan agar protokol sumcheck menjadi blok bangunan inti dari ZK! (@SuccinctJT #tendsToBeRight)
Halo2 diterapkan pada ZKML
Pada waktu yang hampir bersamaan, Jason Morton menciptakan EZKL, yang pendekatannya unik – ia menerima format ONNX apa pun (standar terbuka untuk jaringan saraf), mengubahnya menjadi sirkuit Halo2, dan kemudian menghasilkan bukti. Fitur andalannya adalah Anda tidak perlu menjadi seorang kriptografer; Anda cukup mengekspor model PyTorch Anda, membacanya dengan EZKL, dan mendapatkan buktinya.
Ledakan (2024-2025): Pilih prajuritmu
* Mohon beri tahu saya jika proyek Anda harus dimasukkan dalam daftar, atau jika informasi tersebut berubah pada tahun 2025!
* Pernyataan-pernyataan berikut ini berasal dari perkenalan diri tim proyek dalam postingan blog mereka, dan terkadang klaim-klaim ini mungkin dilebih-lebihkan! 😬😬
EZKL (2023 hingga sekarang)
Sirkuit ONNX → Halo2
Hasil uji benchmark menunjukkan bahwa performanya 65 kali lebih cepat daripada RISC Zero dan 3 kali lebih cepat daripada Orion.
Menghemat 98% memori dibandingkan dengan RISC Zero.
Kekurangan: Saat ini hanya beberapa operator ONNX yang didukung (mereka sedang menambahkan lebih banyak operator).
Tantangan utama: kuantisasi, karena akan ada sedikit kehilangan presisi saat beralih dari operasi floating-point ke operasi fixed-point.
Dapat melindungi privasi ✅
Lagrange DeepProve (dirilis pada tahun 2024, divalidasi oleh GPT-2 pada awal tahun 2025)
Ini tiba dengan sangat cepat, dilaporkan 54-158 kali lebih cepat daripada EZKL.
Pertama, kita harus membuktikan bahwa GPT-2 dapat melakukan penalaran lengkap – bukan hanya penalaran parsial, tetapi penalaran penuh.
Hasil validasi: Kecepatan MLP meningkat 671 kali, kecepatan CNN meningkat 521 kali (waktu validasi berkurang setengah detik).
Menggunakan protokol sumcheck + parameter pencarian (logup GKR)
Dukungan LLAMA sedang dalam pengembangan - GPT-2 dan LLAMA memiliki arsitektur yang serupa, sehingga keduanya sangat dekat.
Sistem ini memiliki jaringan pembuktian terdesentralisasi (berjalan di EigenLayer).
Kemungkinan besar hal itu tidak akan melindungi privasi ❌
zkPyTorch (Jaringan Polihedra, Maret 2025)
Ini adalah kemajuan terobosan dalam deformasi modern.
Pertama, buktikan Llama-3 - 150 detik per token.
VGG-16 membutuhkan waktu 2,2 detik.
Optimasi tiga lapis: pra-pemrosesan, kuantisasi ramah ZK, dan optimasi sirkuit.
Memanfaatkan DAG dan eksekusi paralel lintas inti.
Integrasi dengan mesin verifikasi Expander
Kemungkinan besar hal itu tidak akan melindungi privasi ❌
ZKTorch (Daniel Kang, Juli 2025)
Kompiler "universal" - menangani tugas apa pun
GPT-J (6 miliar parameter): membutuhkan waktu 20 menit untuk dijalankan pada 64 thread.
GPT-2: 10 menit (sebelumnya lebih dari 1 jam)
Berkas bukti ResNet-50: 85KB (Mystique menghasilkan berkas bukti sebesar 1,27GB)
Metode akumulasi bukti digunakan untuk menggabungkan beberapa bukti menjadi satu bukti yang ringkas.
Saat ini, ini adalah zkML serbaguna tercepat.
Tujuan akademis, bukan industri.
Jolt Atlas (NovaNet / ICME Labs, Agustus 2025)
JOLT zkVM berbasis a16z, dengan modifikasi untuk ONNX.
Metode zkVM, dan kenyataannya, metode ini sangat cepat.
Wawasan Utama: Beban kerja pembelajaran mesin sering menggunakan tabel pencarian, dan JOLT sendiri mendukung tabel pencarian.
Tidak ada polinomial hasil bagi, tidak ada dekomposisi byte, tidak ada produk besar - hanya pencarian dan pemeriksaan penjumlahan.
Dukungan kuantisasi yang fleksibel - Tidak ada tabel pencarian lengkap yang dihasilkan, sehingga Anda tidak dibatasi pada skema kuantisasi tertentu.
Secara teori, hal ini dapat diperluas ke operasi floating-point (sementara sebagian besar operasi lainnya masih terbatas pada operasi fixed-point).
Ideal untuk kasus penggunaan agen yang membutuhkan verifikasi identitas dan perlindungan privasi.
Komputasi tanpa pengetahuan (zero-knowledge computing) sejati dapat didukung melalui skema pelipatan (HyperNova / BlindFold). ✅
Realitas Teknologi
Dilema kuantisasi: Model pembelajaran mesin menggunakan operasi floating-point, sedangkan bukti zero-knowledge menggunakan operasi medan hingga (yang pada dasarnya adalah bilangan bulat). Anda perlu melakukan konversi, yang mengakibatkan hilangnya akurasi. Sebagian besar model pembelajaran mesin zero-knowledge (ZKML) dikuantisasi, sehingga akurasi akan sedikit menurun. Namun, di sisi lain, banyak model pembelajaran mesin yang digunakan pada perangkat kecil dan lingkungan produksi adalah model yang dikuantisasi.
Setiap kerangka kerja menangani hal ini secara berbeda. Beberapa kerangka kerja menggunakan lebar bit yang lebih besar (lebih akurat, tetapi lebih lambat), beberapa menggunakan tabel pencarian, dan beberapa secara cerdas memanfaatkan representasi titik tetap. Jolt Atlas menyukai pendekatan kami karena kami tidak perlu membuat instance tabel pencarian untuk banyak operator pembelajaran mesin.
Belum ada yang menemukan solusi sempurna. Kita hanya dapat secara bertahap meningkatkan skenario aplikasi melalui iterasi berkelanjutan, yang merupakan salah satu alasan mengapa kami tetap optimis tentang prospek pengembangan ZKML dalam waktu dekat.
Cakupan operator: ONNX memiliki lebih dari 120 operator, sementara sebagian besar kerangka kerja zkML mungkin hanya mendukung 50 hingga 200 operator. Ini berarti bahwa beberapa arsitektur model saat ini tidak berfungsi dengan baik, dan tim-tim berlomba untuk menambahkan lebih banyak operator, tetapi ini bukanlah tugas yang mudah.
Model produksi Anda menggunakan operator yang tidak didukung oleh kerangka kerja zkML, yang lebih umum daripada yang Anda bayangkan.
Spesifikasi ONNX berisi lebih dari 120 operator, sedangkan sebagian besar kerangka kerja zkML hanya mendukung 50 operator atau kurang. Perbedaannya terletak pada:
Lapisan kustom yang Anda tulis untuk kasus penggunaan tertentu: Tidak
Metode normalisasi khusus (varian dari GroupNorm dan LayerNorm): mungkin
Alur kontrol dinamis (pernyataan if, perulangan): biasanya tidak
Mekanisme perhatian: Diharapkan akan ditambahkan ke kerangka kerja utama pada tahun 2024-2025.
Inovasi terkini (daya tarik layar pembuka, penyematan berputar): tidak mungkin
Anda akan menemui masalah ini saat mencoba mengekspor model: Konversi ONNX berhasil, tetapi impor framework gagal dengan pesan kesalahan "Operator yang tidak didukung: [operator apa pun]".
Sekarang Anda menulis ulang model Anda untuk hanya menggunakan operator yang didukung, yang bukanlah rintangan sepele—ini adalah keterbatasan arsitektur yang harus Anda sadari sebelum memulai pelatihan, dan salah satu alasan kami menyukai pendekatan zkVM…karena setiap operator lebih mudah diimplementasikan dengan fungsionalitas plug-and-play, sedangkan pendekatan yang berpusat pada pra-kompilasi membutuhkan lebih banyak intervensi manual 🫳🧶.
Fungsi aktivasi: Pilih dengan cermat. Dalam pembelajaran mesin tradisional, fungsi aktivasi bersifat bebas: ReLU, sigmoid, tanh, GELU - pilih salah satu yang efektif.
Dalam zkML, fungsi aktivasi merupakan operasi yang mahal dan dapat menyebabkan sirkuit mengalami kerusakan.
Mengapa fungsi aktivasi membutuhkan biaya komputasi yang tinggi? Sirkuit ZK didasarkan pada operasi polinomial – penjumlahan dan perkalian pada medan hingga – yang tidak mahal karena dapat dipetakan langsung ke batasan sirkuit. Namun, fungsi aktivasi bersifat nonlinier dan tidak dapat diuraikan dengan baik menjadi operasi medan.
ReLU membutuhkan perhitungan "jika x > 0 maka x adalah 0 jika tidak" - perbandingan ini membutuhkan banyak batasan untuk direpresentasikan. Sigmoid membutuhkan 1/(1 + e^(-x)) untuk melakukan eksponensiasi pada medan hingga, yang sangat rumit, membutuhkan banyak operasi perkalian, dan biasanya membutuhkan tabel pencarian. Softmax menggabungkan operasi eksponensiasi, penjumlahan, dan pembagian bersama-sama dan menerapkannya ke seluruh vektor, mengubah apa yang awalnya merupakan operasi sederhana menjadi sirkuit kompleks di mana setiap neuron membutuhkan ratusan atau bahkan ribuan batasan.
Murah:
Linear (tidak perlu aktivasi): Gratis
Penambahan skala: pada dasarnya gratis
Yang tengah:
ReLU: Membutuhkan perbandingan, mudah dikelola
Fungsi langkah: biaya serupa dengan ReLU
Mahal:
Fungsi sigmoid: Operasi eksponensial dalam rangkaian listrik rumit.
Tanh: Bahkan lebih buruk
Softmax: Eksponensiasi + Pembagian + Normalisasi, penderitaan yang sesungguhnya.
GELU / SwiGLU: Mari kita tinggalkan dulu (kita masih punya beberapa pekerjaan yang harus diselesaikan).
Transformer modern cenderung menggunakan GELU dan variannya, sedangkan Transformer zkML hanya dapat menggunakan algoritma perkiraan atau alternatif yang lebih sederhana.
Inilah mengapa kerangka kerja ini membangun tabel pencarian non-linier, menghitung terlebih dahulu nilai-nilai yang sering digunakan, dan langsung merujuknya alih-alih mengkompilasi ulang, yang lebih cepat, tetapi dengan mengorbankan peningkatan penggunaan memori dan opsi kuantisasi yang terbatas.
Studi Kasus: Apa yang benar-benar layak dibuktikan?
Anda baru saja membaca tentang biaya operasional 10.000x lipat, kesulitan kuantitatif, dan kurva biaya eksponensial, dan pertanyaan yang sangat wajar adalah: mengapa ada orang yang mau men subjecting diri mereka pada penderitaan seperti ini?
Jawabannya bukanlah "semuanya harus menggunakan zkML". Jawabannya adalah: beberapa masalah sangat membutuhkan verifikasi, jadi membayar biaya tambahan itu sepadan.
Filter Dasar
Sebelum membahas kasus-kasus penggunaannya, mari kita lakukan sebuah tes: Apakah biaya kegagalan untuk percaya lebih tinggi daripada biaya membuktikannya?
Jika algoritma rekomendasi Anda digunakan untuk menampilkan video kucing, maka kegagalan kepercayaan tidak akan menyebabkan kerugian apa pun. Cukup tampilkan video kucing; tidak ada yang akan peduli apakah model Anda sesuai dengan klaim Anda.
Jika Anda menjalankan bot perdagangan yang mengelola aset senilai $10 juta, krisis kepercayaan akan menjadi bencana. Bot akan kehilangan kendali, posisi akan dilikuidasi secara paksa, dan Anda harus menjelaskan kepada investor mengapa Anda mempercayai API yang tidak transparan.
zkML dapat diterapkan dalam situasi berikut:
Risiko tinggi: uang, kesehatan, keputusan hukum, keselamatan
Kesenjangan kepercayaan: Ketidakpercayaan timbal balik di antara banyak pihak
Pembatasan privasi: Data sensitif tidak dapat dibagikan.
Persyaratan auditabilitas: Badan pengatur atau pemangku kepentingan memerlukan bukti.
Lingkungan yang penuh persaingan: Sebagian orang memiliki motivasi untuk berbuat curang.
Jika kasus penggunaan Anda tidak memenuhi setidaknya dua kriteria di atas, maka Anda mungkin tidak memerlukan zkML untuk saat ini.
DeFi: Pusat untuk Dana
DeFi adalah habitat alami bagi zkML, yang dicirikan oleh fitur-fitur berikut: transaksi bernilai tinggi memerlukan eksekusi tanpa kepercayaan dan verifikasi sederhana di blockchain, sambil tetap menjaga transparansi bagi pengguna, dan pihak-pihak yang bermusuhan akan mencoba mengeksploitasi setiap kerentanan!
Peramal Harga
Produk zkML pertama yang benar-benar bermakna adalah zkPredictor dari Upshot + Modulus. Masalahnya adalah: bagaimana kita bisa mempercayai informasi harga ketika valuasi NFT dihitung oleh model pembelajaran mesin milik perusahaan?
Oracle tradisional: "Percayalah pada kami, ini adalah hasil dari model kami." Oracle zkML: "Berikut adalah bukti kriptografi bahwa harga ini berasal dari model ini, yang beroperasi pada data spesifik ini (yang mungkin merupakan data pribadi)."
Bukti ini berarti Anda dapat membangun produk keuangan (pinjaman, derivatif) berdasarkan harga-harga ini tanpa perlu mempercayai Upshot. Mereka tidak dapat memanipulasi harga tanpa merusak bukti tersebut; data tetap bersifat pribadi, tetapi proses perhitungannya dapat diverifikasi.
Model ini bersifat universal: setiap kali protokol DeFi membutuhkan data yang berasal dari ML (estimasi volatilitas, skor risiko, prediksi imbal hasil), zkML dapat membuktikan hasil perhitungan tanpa mengungkapkan modelnya.
Robot dan agen perdagangan
Bayangkan ini: Anda telah menerapkan agen yang dioptimalkan untuk menghasilkan imbal hasil di berbagai protokol DeFi, mengelola posisi likuiditas di Uniswap, melakukan penambangan di Curve, dan melakukan penyeimbangan ulang di Aave.
Bagaimana Anda dapat memastikan bahwa strategi Anda dijalankan dengan benar? Bagaimana Anda dapat membuktikan kepada mitra terbatas bahwa dana mereka dikelola sesuai dengan algoritma yang Anda iklankan?
Dengan menggunakan zkML, agen tersebut menghasilkan bukti untuk setiap operasi: "Saya mentransfer 50 ETH dari pool A ke pool B karena model saya memprediksi pengembalian yang lebih tinggi, dan ini adalah bukti bahwa saya menggunakan strategi yang Anda setujui."
Giza membangun fungsionalitas ini di atas Starknet. Kerangka kerja LuminAIR mereka (menggunakan pembukti STWO dari StarkWare) memungkinkan Anda untuk membangun proxy yang dapat diverifikasi untuk DeFi. Sebuah proxy yang dapat menyeimbangkan kembali posisi Uniswap V3 dapat membuktikan bahwa setiap keputusan penyeimbangan kembali berasal dari model yang telah disepakati, dengan bobot model dan strategi perdagangan dirahasiakan, sementara proses pembuktiannya bersifat publik.
Hal ini memungkinkan interaksi antar agen cerdas, memungkinkan agen Anda untuk berkolaborasi dengan agen lain tanpa perlu saling percaya, karena kedua pihak menghasilkan hasil komputasi yang dapat diverifikasi tanpa memerlukan perantara tepercaya, hanya melibatkan operasi matematika murni.
Model Risiko dan Penilaian Kredit
Bank menggunakan pembelajaran mesin untuk pengambilan keputusan kredit, dan protokol DeFi menggunakan pembelajaran mesin untuk menetapkan rasio jaminan. Pertanyaannya adalah: bagaimana Anda membuktikan bahwa model risiko Anda diterapkan secara konsisten?
Sistem tradisional: "Percayalah pada bank." Sistem zkML: "Setiap keputusan pinjaman disertai bukti bahwa model spesifik tersebut mengevaluasi data pemohon berdasarkan parameter tetap ini."
Hal ini penting karena:
Kepatuhan terhadap peraturan: Membuktikan bahwa Anda tidak melakukan diskriminasi
Audit keadilan: Membuktikan bahwa model yang sama berlaku untuk semua orang
Penyelesaian Sengketa: Jika seseorang menggugat suatu keputusan, Anda dapat memberikan bukti terenkripsi tentang apa yang terjadi.
Model tersebut dapat tetap menjadi hak milik, data dapat tetap bersifat pribadi, dan bukti menunjukkan bahwa seluruh proses tersebut adil.
Agen yang tidak dapat dipercaya
Apakah kamu ingat awalnya? Para agen meneruskan kode itu seperti lomba estafet?
Bayangkan sebuah skenario seperti ini – sebuah ekosistem agen cerdas, di mana:
Agen A di ponsel Anda menganalisis kalender Anda dan menentukan bahwa Anda perlu memesan penerbangan.
Agen B (layanan pemesanan perjalanan) menemukan penerbangan dan harga.
Agen C (pemroses pembayaran) mengeksekusi transaksi
Agen D (Pelacakan Pengeluaran) akan mencatat ini untuk keperluan akuntansi perusahaan Anda.
Setiap langkah memerlukan verifikasi terhadap langkah sebelumnya. Jika analisis Agen A curang, Agen B tidak akan menjalankan operasi tersebut. Jika penawaran harga Agen B dimanipulasi, Agen C tidak akan melakukan pembayaran. Jika transaksi Agen C mencurigakan, Agen D tidak akan mencatatnya.
Tanpa zkML: setiap agen berjalan di zona tepercaya, atau semua agen saling mempercayai satu sama lain, yang keduanya tidak dapat diskalakan.
Dengan menggunakan zkML: Setiap agen menghasilkan bukti, agen B memverifikasi bukti agen A, agen C memverifikasi bukti agen B, seluruh proses bersifat tanpa kepercayaan (trustless), satu agen dapat berjalan di AWS, agen lain di ponsel Anda, dan agen lainnya lagi di Ethereum, itu tidak masalah - prinsip-prinsip matematika menghubungkan mereka.
Masa Depan x402 dan ERC-8004
Standar-standar baru ini mendefinisikan bagaimana agen AI dapat saling membayar secara langsung tanpa campur tangan manusia, tetapi pembayaran tersebut membutuhkan kepercayaan.
Jika Agen A mengklaim, "Saya yang melakukan analisis ini, bayar saya," Agen B membutuhkan bukti. Jika Agen B mengelola dana dan Agen A berbohong, itu adalah pencurian. zkML menyediakan lapisan pembuktian.
Kita sedang menuju era ekonomi agen otonom, di mana agen saling mempekerjakan untuk menyelesaikan sub-tugas, agen membuktikan hasil kerja mereka melalui teknologi kriptografi, dan pembayaran dilakukan secara otomatis berdasarkan penyelesaian yang terverifikasi, tanpa lembaga terpusat yang mengendalikan seluruh alur kerja.
Jolt Atlas dari NovaNet dirancang untuk tujuan ini, menyeimbangkan privasi dan verifikasi. Agen ini dapat membuktikan kebenaran komputasinya tanpa mengungkapkan input, output, atau status perantara, menjadikannya pilihan yang sempurna untuk agen komersial di mana semua informasi sangat sensitif.
Pelayanan Kesehatan: Privasi dan Kemampuan Audit
Industri perawatan kesehatan dibanjiri oleh pembelajaran mesin, namun juga khawatir akan pelanggaran privasi, dengan adanya HIPAA, GDPR, dan peraturan regional—setiap yurisdiksi memiliki aturannya sendiri mengenai data pasien.
Model diagnostik
Sebuah rumah sakit menjalankan model diagnostik pembelajaran mesin yang telah disetujui oleh FDA dan divalidasi sepenuhnya. Setelah pasien dirawat, model tersebut menganalisis data pencitraan dan memberikan rekomendasi pengobatan.
Badan pengatur tersebut bertanya, "Apakah Anda benar-benar menggunakan model yang disetujui FDA, atau model yang dimodifikasi? Dapatkah Anda membuktikannya?"
Jawaban tradisional: "Percayai log kami." Jawaban zkML: "Berikut adalah bukti kriptografi bahwa model ini (dengan bobot yang telah ditentukan) dijalankan pada data pasien ini dan menghasilkan hasil ini."
Data pasien tidak akan pernah keluar dari rumah sakit, dan bobot model bersifat sangat rahasia (dilindungi oleh hak kekayaan intelektual), tetapi dokumentasi yang relevan akan diberikan kepada badan pengatur, perusahaan asuransi, dan organisasi lain yang memerlukan verifikasi.
Penelitian kolaboratif yang kurang berbagi data
Beberapa rumah sakit ingin menggunakan data pasien mereka sendiri untuk melatih sebuah model, tetapi mereka tidak dapat berbagi data karena undang-undang privasi, dan mereka juga tidak dapat membangun kepercayaan satu sama lain karena persaingan.
Keunggulan zkML adalah setiap rumah sakit dapat membuktikan bahwa pelatihan lokal mereka telah dilakukan dengan benar pada data yang valid. Ketika semua bukti digabungkan, setiap orang dapat memperoleh model yang lebih baik. Selain itu, tidak ada yang dapat melihat data dari rumah sakit lain.
Permainan: Keadilan yang Dapat Dibuktikan
Gim tidak memerlukan zkML untuk menampilkan gambar kucing, tetapi bagaimana dengan gim kompetitif yang melibatkan uang sungguhan? Itu cerita yang berbeda.
Musuh AI
Anda bermain poker melawan AI komputer. Bagaimana Anda tahu bahwa AI tidak curang dengan melihat kartu hole Anda? Bagaimana Anda tahu bahwa Anda benar-benar membayar untuk tingkat kesulitan "Sulit", dan bukan hanya tingkat kesulitan "Sedang" yang diganti namanya?
zkML: Server game membuktikan bahwa setiap keputusan AI berasal dari model yang diajukan, tidak dapat dicurangi, dan tidak dapat diganti dengan model yang lebih lemah. Bukti ini dihasilkan untuk setiap game dan diverifikasi oleh klien.
Modulus mengembangkan RockyBot (sebuah game pertarungan AI) dan Leela vs the World (sebuah game catur on-chain) sebagai bukti konsep, yang menunjukkan bahwa perilaku AI dapat diverifikasi dan pemain dapat memastikan bahwa mereka menghadapi AI yang asli.
Pencocokan yang Adil
Sistem perjodohan peringkat menggunakan pembelajaran mesin untuk memasangkan pemain, dan jika algoritmanya tidak transparan, teori konspirasi akan muncul: "Mereka sengaja memasangkan saya dengan rekan satu tim yang buruk!" "Mereka memanipulasi permainan!"
zkML: Ini membuktikan bahwa algoritma pencocokan bekerja dengan benar dan setiap pemain dinilai oleh model yang sama, sehingga membantah teori konspirasi.
Pasar Model: Validasi Pembelajaran Mesin sebagai Layanan (MLaaS)
Anda telah membayar untuk akses API level GPT-4, jadi bagaimana Anda tahu bahwa Anda benar-benar mendapatkan GPT-4 dan bukan GPT-3.5 yang telah diganti namanya?
Sekarang: Percayalah pada pemasok.
Dengan menggunakan zkML, setiap respons API disertai dengan bukti: "Output ini berasal dari model X dengan parameter Y." Jika penyedia mencoba menggunakan model yang lebih murah, bukti tersebut menjadi tidak valid.
Hal ini memungkinkan terbentuknya pasar model yang sangat kompetitif, karena vendor tidak dapat berbuat curang di tingkat model! Pengguna dapat memverifikasi kepatuhan terhadap Perjanjian Tingkat Layanan (SLA), dan harga dikaitkan dengan daya komputasi yang terverifikasi (Anda hanya membayar untuk daya komputasi yang benar-benar Anda terima).
Memori AI
Salah satu kasus penggunaan inti ICME Labs adalah model tertanam yang dapat dijalankan di peramban. Ini saat ini merupakan target aplikasi praktis untuk ZKML. Bayangkan seorang pengguna menelusuri kode sumber dalam bahasa Inggris, sementara konsumen membeli dan melakukan pencarian dalam bahasa Jepang – mereka tidak dapat memverifikasi informasi tersebut, sehingga diperlukan kepercayaan terenkripsi.
Atau sewa memori – percayalah, bro, “Aku punya ini di memori AI-ku…” Model klasifikasi sekarang dapat digunakan untuk menyelesaikan masalah kepercayaan ini dan menciptakan ekonomi memori AI™️ yang baru.
Apa yang masih kurang di tahun 2025?
Mari kita jujur tentang hal-hal yang belum berjalan dengan baik:
Menerapkan model bahasa besar seperti GPT-5 di zkML? Mustahil: GPT-2 mungkin dapat digunakan sebagai demonstrasi (zkPyTorch telah mendemonstrasikan kinerja Llama-3, tetapi membutuhkan waktu 150 detik per leksikal), tetapi inferensi model bahasa besar yang benar-benar mutakhir dimungkinkan... tetapi akan sangat lambat dan menghabiskan banyak memori.
Sistem waktu nyata: Jika Anda membutuhkan kecepatan inferensi kurang dari 100 milidetik dan memberikan bukti, maka Anda hanya dapat memilih model yang lebih kecil atau model klasifikasi yang lebih sederhana. Apakah kendaraan otonom perlu membuktikan kebenaran setiap keputusan? zkML saat ini tidak dapat mencapai hal ini.
Mengenai pelatihan: Kami dapat membuktikan kemampuan inferensi, tetapi kami tidak dapat membuktikan kemampuan pelatihan skala besar. Jika Anda perlu memverifikasi apakah suatu model dilatih menggunakan data dan metode tertentu, ZKML saat ini belum dapat memenuhi kebutuhan Anda.
Arsitektur kompleks: Mekanisme perhatian baru saja dimungkinkan, model hibrida ahli? Jaringan saraf graf? Model difusi? Ini masih merupakan bidang penelitian.
Prediksi ZKML untuk tahun 2026
Berikut beberapa prediksi dasar tentang peningkatan 10 kali lipat dalam jumlah konten yang dapat diakses di sisa tahun 2026.
Gelombang Perangkat Keras
Membuka kunci chip silikon itu adil.
Akselerasi GPU (sudah tersedia): Semua kerangka kerja zkML utama sudah mendukung atau sedang menambahkan dukungan GPU, termasuk EZKL, Lagrange, zkPyTorch, dan Jolt - yang semuanya berjalan di CUDA. Namun, dukungan GPU pada tahun 2025 hanya akan berarti "dapat dijalankan di GPU", sedangkan pada tahun 2026 akan berarti "dioptimalkan untuk GPU".
Perbedaan ini sangat penting. Implementasi saat ini memindahkan algoritma CPU ke GPU, sedangkan implementasi generasi berikutnya akan mendesain ulang algoritma tersebut berdasarkan primitif GPU, melakukan pemrosesan paralel besar-besaran, mentransfer data melalui memori GPU, dan menggunakan fusi kernel untuk menghasilkan bukti.
Dampak yang diharapkan: Beban kerja yang ada akan 5-10 kali lebih cepat. Model yang sebelumnya membutuhkan waktu 30 detik mungkin hanya membutuhkan waktu 3-5 detik untuk diselesaikan. Inilah perbedaan antara "cocok untuk pemrosesan batch" dan "cocok untuk aplikasi interaktif".
Verifikasi multi-mesin (lapisan koordinasi)
zkML terbaru: Hasilkan bukti Anda hanya dengan mesin yang andal.
2026 zkML: Pembuatan bukti diparalelkan pada klaster, sirkuit dibagi, didistribusikan ke beberapa pembukti (beberapa lipatan), dan hasilnya diagregasi.
Lagrange telah mulai mengerjakan masalah ini, dan Polyhedra juga menyebutkannya dalam peta jalan zkPyTorch mereka. Teknologi yang relevan sudah ada (pembuktian rekursif, agregasi bukti, kelanjutan). Lapisan infrastruktur kami, NovaNet, berfokus pada bagaimana pembukti kolaboratif (melalui skema pelipatan) dapat menangani tugas ini, yang sangat sulit dari perspektif rekayasa (alokasi pekerjaan, toleransi kesalahan, optimasi biaya).
Ketika teknologi ini diterapkan, akan terbukti bahwa dengan berjalan secara simultan pada 10 mesin, waktu komputasi GPT-2 dapat dikurangi dari 10 menit menjadi 1 menit, dan Llama-3 akan beralih dari "sekadar rasa ingin tahu" menjadi "kegunaan nyata".
Sistem Pembuktian: Matematika yang Lebih Baik
Perangkat keras membantu, tetapi algoritma yang lebih baik jauh lebih membantu.
Aritmatika Lapangan
Sebagian besar skema bukti tanpa pengetahuan (ZKML) saat ini menggunakan bidang besar seperti BN254, sementara beberapa tim sedang mengeksplorasi bidang Mersenne-31 dan bidang yang lebih kecil lainnya yang mungkin lebih cepat. Diperkirakan bahwa pergantian bidang saja dapat memberikan peningkatan kinerja hingga 10 kali lipat. Sistem berbasis kurva eliptik terus mendapatkan manfaat dari sparsity (misalnya, Twist dan Shout).
Skema pembuktian tanpa pengetahuan berbasis kisi memungkinkan kita untuk memanfaatkan bidang-bidang yang lebih kecil ini sekaligus mendapatkan manfaat dari kelangkaan dan homomorfisme. Kisi juga mendukung penetapan harga per bit dan mungkin memiliki fitur keamanan pasca-kuantum. Terakhir, yang menjadi sorotan adalah kemampuan untuk menghasilkan parameter publik secara dinamis.
Pentingnya: Operasi domain adalah siklus terdalam dalam pembuatan bukti. Peningkatan kecepatan operasi domain sebanyak 10 kali lipat berarti kecepatan seluruh proses pembuktian dapat ditingkatkan sebanyak 10 kali. Model yang awalnya membutuhkan waktu 10 detik untuk menyelesaikan pembuktian kini dapat diselesaikan hanya dalam 1 detik.
Jolt Atlas telah memperoleh manfaat dari hal ini – arsitektur yang berpusat pada pencarian (lookup-centric) bekerja dengan baik dengan kondisi sparsity – dan beberapa operasi pembelajaran mesin sangat intensif terhadap sparsity.
Buktikan skema kumulatif/lipatan
ZKTorch menggunakan pendekatan ini: alih-alih menghasilkan bukti independen untuk setiap lapisan, ia menggabungkan beberapa bukti ke dalam satu akumulator, menghasilkan bukti yang sangat kecil dan independen dari kedalaman model.
Ini adalah ranah nova / supernova / neutron nova ⭐💥, SNARK rekursif yang memungkinkan Anda membuktikan "Saya membuktikan A, lalu saya membuktikan B, lalu saya membuktikan C" tanpa menyebabkan ledakan ukuran bukti.
Prediksi 2026: Ini akan menjadi standar, dengan setiap kerangka kerja zkML menambahkan fungsionalitas pelipatan (folding). Ukuran file bukti untuk ResNet-50 akan menyusut dari 1,27 GB (Mystique lama) menjadi kurang dari 100 KB (sistem berbasis pelipatan baru). Model tipe GPT akan menjadi layak karena ukuran file bukti tidak lagi bertambah seiring dengan panjang sekuens.
Folding juga membantu mengatasi masalah kurangnya memori bukti. Anda dapat menjalankan ZKML pada berbagai perangkat dan memilih ukuran langkah yang sesuai dengan spesifikasi mesin.
Terakhir, folding juga dapat digunakan untuk memperkuat kembali protokol zero-knowledge (ZK) yang kurang memiliki fitur perlindungan privasi, dan ada trik hebat dalam makalah HyperNova yang menunjukkan cara melakukannya.
Bukti streaming
Keterbatasan saat ini: Untuk membuktikan LLM yang menghasilkan 100 token, Anda perlu membuktikan token 1 terlebih dahulu, kemudian token 2, kemudian token 3, dan seterusnya. Setiap bukti bersifat independen, yang menyebabkan peningkatan tajam dalam penggunaan memori. Anda dapat mengontrol pertumbuhan memori dengan menggunakan folding atau streaming.
Saat ini masih dalam tahap penelitian, tetapi akan dirilis pada tahun 2026. Pada saat itu, inferensi LLM di zkML akan berubah dari "pembuktian pada mesin besar" menjadi "pembuktian di mana saja".
Cakupan operator meledak
Harap diingat: ONNX memiliki lebih dari 120 operator, sedangkan sebagian besar framework hanya mendukung sekitar 50.
Kesenjangan tersebut menyempit dengan cepat, bukan karena kerangka kerja mengimplementasikan operator satu per satu, tetapi karena mereka membangun kompiler operator dan primitif zkVM generik untuk menangani sejumlah besar operator dalam skala besar.
Transformator primitif
Mekanisme perhatian hampir tidak mungkin diimplementasikan pada tahun 2024, tetapi pada akhir tahun 2025, beberapa kerangka kerja akan mendukungnya, dan pada tahun 2026, mekanisme tersebut akan dioptimalkan.
Sirkuit khusus:
Meningkatkan Perhatian Produk Titik
Perhatian multi-kepala
Pengkodean lokasi
Normalisasi lapisan (sebuah fitur yang sangat merugikan Transformer di zkML versi awal)
Dikombinasikan dengan pembuktian streaming, ini berarti bahwa model berbasis Transformer menjadi warga negara kelas satu di zkML, yang berarti tidak hanya "kita dapat secara perlahan membuktikan GPT-2", tetapi juga "kita dapat membuktikan arsitektur Transformer modern dengan biaya yang wajar".
Ini akan membuka akses ke konverter visual, model audio, model multimodal, dan semua arsitektur yang mendukung pembelajaran mesin modern, yang semuanya kini dapat diverifikasi.
Perubahan kurva biaya menyebabkan evolusi kasus penggunaan.
Peningkatan teknologi itu sendiri tidak penting; yang penting adalah apa yang dihasilkannya.
Proksi DeFi: Dari Pemrosesan Batch ke Waktu Nyata
2025: Agen akan menyeimbangkan kembali portofolio Anda setiap jam, menghasilkan sertifikat di latar belakang untuk setiap penyeimbangan kembali. Sertifikat sebelumnya akan siap saat transaksi berikutnya dieksekusi.
2026: Agen melakukan penyeimbangan ulang secara real-time berdasarkan kondisi pasar. Waktu pembuatan bukti adalah 1-5 detik. Agen beroperasi dalam siklus berkelanjutan: mengamati pasar → menghitung keputusan → menghasilkan bukti → mengeksekusi transaksi. Bukti dapat diperoleh sebelum blok berikutnya dikonfirmasi.
Ini adalah terobosan besar; Anda dapat membangun proxy responsif, bukan hanya proxy berbasis waktu, dengan perlindungan terhadap crash yang sangat cepat, pertahanan terhadap MEV, dan arbitrase otomatis dengan jaminan kriptografi.
Pelayanan Kesehatan: Dari Log Audit hingga Validasi Waktu Nyata
2025: Rumah sakit melakukan diagnosis, model menghasilkan hasil, dan rumah sakit kemudian mengirimkan dokumentasi pendukung ke badan pengatur. Pembuatan dokumentasi hanya membutuhkan beberapa menit dan dapat diselesaikan secara offline.
2026: Kecepatan pembuatan hasil validasi cukup cepat untuk diselesaikan dalam alur kerja klinis. Dokter mengeluarkan perintah tes, model dijalankan, dan hasil validasi dihasilkan secara paralel. Ketika dokter meninjau hasilnya, hasil validasi dikirimkan bersamaan dengan hasil tersebut.
Hal ini memungkinkan: audit kepatuhan secara real-time, verifikasi instan pra-otorisasi asuransi, dan alur kerja lintas lembaga di mana setiap langkah diverifikasi sebelum melanjutkan ke langkah berikutnya.
Agen Tanpa Kepercayaan: Dari Demo ke Produksi
2025: Alur kerja proksi dapat diterapkan tetapi rumit. Setiap interaksi proksi memerlukan pembuatan bukti, yang memakan waktu beberapa detik hingga beberapa menit. Alur kerja yang kompleks berjalan lambat.
2026: Untuk model sederhana, kecepatan pembuktian dapat mencapai level di bawah satu detik; untuk model kompleks, kecepatan pembuktian dapat diparalelkan; interaksi antar agen akan lebih alami dan lancar. Agen A memanggil agen B, menunggu 0,5 detik untuk verifikasi bukti, lalu melanjutkan eksekusi. Meskipun penundaan ini menjengkelkan, ini jauh lebih baik daripada operasi manual 🤪.
Di sinilah jaringan agen tanpa kepercayaan benar-benar dapat berkembang, bukan dalam proyek penelitian, tetapi dalam sistem produksi di mana ratusan agen berkolaborasi, masing-masing mengautentikasi pekerjaan mereka dengan cara kriptografis.
Visi x402 / ERC-8004 telah menjadi kenyataan: agen merekrut agen, pembayaran dilakukan dalam mata uang kripto, dan semua ini dimediasi melalui bukti.
Permainan: Dari Permainan Berbasis Giliran hingga Permainan Waktu Nyata
2025: Penerapan zkML dalam game akan terbatas pada skenario berbasis giliran, seperti bot poker, mesin catur, dan game strategi yang dapat mentolerir pembuktian selama 1-5 detik per langkah.
2026: Kecepatan yang cukup untuk memenuhi persyaratan AI waktu nyata dari jenis permainan tertentu, seperti dalam permainan pertarungan di mana setiap keputusan yang dibuat oleh lawan AI perlu divalidasi, dan dalam permainan RTS di mana keputusan strategis (bukan pencarian jalur tingkat unit, tetapi taktik tingkat tinggi) perlu divalidasi.
Meskipun kecepatannya masih belum cukup cepat untuk game first-person shooter atau mekanisme game yang membutuhkan refleks cepat, hal ini sangat memperluas kemungkinan desain.
Model Pasar: Dari Pasar Niche ke Pasar Mainstream
2025: Memverifikasi respons API itu keren, tetapi penerapannya terbatas, dan hanya aplikasi bernilai tinggi yang sepadan dengan biaya tambahannya.
2026: Biaya akan turun secara signifikan, dan verifikasi akan menjadi prosedur standar untuk setiap API yang mengenakan biaya lebih dari $0,01 per panggilan. Penyedia model akan membedakan diri berdasarkan kemampuan verifikasi, dan "inferensi tanpa verifikasi" akan menjadi layanan tingkat pemula.
Hal ini memungkinkan: penyediaan bukti kerja untuk layanan AI dengan menegakkan perjanjian tingkat layanan (SLA) melalui kriptografi, dan sistem reputasi berdasarkan riwayat komputasi yang terverifikasi.
Memori AI yang Dapat Diverifikasi: Menciptakan Nilai Bersama
2025: Kami telah mendemonstrasikan berbagai hal tentang penyematan dan klasifikasi basis data vektor menggunakan ZKML pada tahun 2025, dan kasus penggunaan ini akan ditingkatkan ke skala besar pada tahun 2026.
2026: Memori AI bersama tanpa perlu saling percaya mulai beroperasi, dan asisten AI Anda tidak lagi hanya memiliki satu memori – ia akan mengoordinasikan berbagai sumber memori terverifikasi, termasuk memori pribadi, memori perusahaan, dan keahlian.
Akhirnya
Kembangkan rencana bertahap dan sesekali lakukan lompatan revolusioner – berlangganan untuk mempelajari tentang lompatan-lompatan tersebut!
Pesta ZKML telah dimulai – kita telah membuktikan bahwa verifikasi pembelajaran mesin menggunakan bukti tanpa pengetahuan (ZKP) adalah hal yang layak, dan sekarang kita memasuki fase yang agak membosankan: para insinyur dan peneliti bekerja keras untuk membuatnya lebih cepat, lebih murah, dan lebih andal.
Di sebuah acara, saya mendengar seorang investor modal ventura mata uang kripto berkata, "ZK membosankan tahun ini!"
Kebosanan adalah hal yang baik; itu berarti kebosanan itu menjadi nyata.
Penulis: Wyatt Benno (Pendiri Kinic)
Terjemahan oleh: Catherine
Konten IC yang Anda pedulikan
Kemajuan Teknologi | Informasi Proyek | Acara Global
Ikuti dan tandai saluran IC Binance.
Tetaplah mengikuti informasi terbaru.
