Các hệ thống trí tuệ nhân tạo đang đưa ra các quyết định ảnh hưởng đến dòng tiền, kết quả y tế và hành động tự chủ, tuy nhiên, làm thế nào để xác minh trí tuệ nhân tạo có thực sự tính toán những gì nó tuyên bố rằng nó sẽ tính toán? Nó có sử dụng mô hình mà nó hứa hẹn sẽ sử dụng không? Nó có rò rỉ dữ liệu của bạn trong quá trình này không?
Có nhiều cách để thực hiện trí tuệ nhân tạo có thể xác minh, chẳng hạn như phần cứng đáng tin cậy, cơ chế đồng thuận và thực hiện lại trong khu vực an toàn, mỗi phương pháp đều có những ưu điểm riêng, nhưng phương pháp thú vị nhất là học máy không kiến thức (ZKML), nó giải quyết vấn đề xác minh thông qua toán học thuần túy và giả thuyết tin cậy tối thiểu.
Nội dung đại cương
Xác minh súc tích: khả năng tính toán mạnh mẽ, biên lai nhỏ
Quyền riêng tư: phần thực sự hữu ích của không biết
Tiền tệ có thể lập trình: tại sao các đại lý cần chứng minh
Tổng quan về miền: ai đang xây dựng cái gì
Giai đoạn đầu (2022-2023) bằng chứng khái niệm
Halo2 được áp dụng vào ZKML
Bùng nổ (2024-2025): chọn chiến binh của bạn
Thực tế công nghệ
Trường hợp ứng dụng: thực sự điều gì đáng để chứng minh?
Bộ lọc cơ bản
DeFi: trung tâm quỹ
Đại lý không cần lòng tin
Chăm sóc sức khỏe: quyền riêng tư và có thể kiểm toán
Trò chơi: tính công bằng có thể xác minh
Thị trường mô hình: xác minh dịch vụ máy học (MLaaS)
Ký ức AI
Năm 2025 còn thiếu gì
Dự đoán ZKML năm 2026
Cơn sóng phần cứng
Hệ thống chứng minh: toán học tối ưu hơn
Sự bùng nổ trong phạm vi bao phủ của toán tử
Sự thay đổi đường cong chi phí dẫn đến sự tiến hóa của các trường hợp sử dụng
Cuối cùng
Sự nhàm chán là điều tốt, sự nhàm chán có nghĩa là nó đang trở nên thực tế.
Nghe này, chúng ta sẽ bỏ qua phần cứng và phương pháp thực thi lại - TEE, cơ chế đồng thuận, v.v., không phải vì chúng không tốt, mà vì đối với tôi, câu hỏi thú vị là xác minh toán học thuần túy: áp dụng chứng minh không biết vào máy học - ZKML.
Ba năm trước, lĩnh vực này gần như không tồn tại trong "ngành", sau đó, Modulus Labs, EZKL, Tiến sĩ Daniel Kang, Tiến sĩ Cathie So và một số người khác đã xuất hiện, đề xuất "hãy làm cho trí tuệ nhân tạo có thể xác minh", ngay lập tức xuất hiện phản đối rõ ràng: chi phí của máy ảo không biết (zkVM) cao gấp 100,000 đến 1,000,000 lần so với máy ảo truyền thống, việc chạy suy luận trong chứng minh không biết giống như bơi trong bê tông.
Vậy tại sao phải làm điều đó?
Thực tế chứng minh rằng ZKML xứng đáng với nỗ lực có ba điểm.
Xác minh súc tích: khả năng tính toán mạnh mẽ, biên lai nhỏ
ZKML có hiệu quả chính là nhờ sự không đối xứng này: chi phí tính toán có thể rất cao, trong khi chi phí xác minh có thể rất thấp.
AWS sẽ chạy mô hình của bạn trên cụm GPU trong một giờ, sau đó, nó sẽ gửi cho điện thoại của bạn một biên lai mã hóa, quá trình xác minh chỉ mất 50 mili giây, điện thoại của bạn biết từ góc độ toán học - tức là biết - rằng tính toán đã được thực hiện đúng mà không cần bất kỳ lòng tin nào.
Điều này mở ra một lĩnh vực hoàn toàn mới: quy trình làm việc đại lý không cần lòng tin, đại lý trên điện thoại của bạn giao tiếp với đại lý trong trung tâm dữ liệu công ty, sau đó với đại lý trên Ethereum, cuối cùng là đại lý trên Solana, mỗi đại lý giống như một cuộc tiếp sức truyền thông tin mã hóa, thực hiện hoạt động kinh doanh đại lý không cần lòng tin, toàn bộ chuỗi suy luận có thể xác minh từ đầu đến cuối.
Nếu không có nó? Một đại lý bị tổn hại sẽ phá hủy toàn bộ quy trình làm việc, trong các hệ thống tự chủ như chuyển tiền hoặc quyết định y tế, đây không phải là một lỗ hổng - mà là một thảm họa đang đến.
Quyền riêng tư: phần thực sự hữu ích của không biết
ZKP trong zk biểu thị rằng chứng minh không rò rỉ bất kỳ thông tin nào.
Bệnh viện sử dụng dữ liệu bệnh nhân để chẩn đoán và tạo chứng minh, giờ đây, họ không cần tiết lộ bất kỳ hồ sơ bệnh nhân nào, mà có thể chứng minh với cơ quan quản lý rằng "chúng tôi đã sử dụng mô hình được FDA phê duyệt và đã đạt được kết quả này", dữ liệu vẫn được giữ bí mật trong khi chứng minh được công khai.
Hoặc: một ngân hàng chứng minh rằng mô hình phát hiện gian lận của mình đang hoạt động bình thường, nhưng không tiết lộ mô hình bản thân (lợi thế cạnh tranh) hoặc dữ liệu giao dịch (yêu cầu quy định), các kiểm toán viên xác minh và tất cả đều vui vẻ.
Chúng tôi cũng đang theo dõi xu hướng trí tuệ nhân tạo hướng tới thiết bị - Gemma, các mô hình nền tảng của Apple, và toàn bộ làn sóng suy luận địa phương, tất cả các mô hình này cuối cùng cần phải tương tác với thế giới bên ngoài, zkML có thể giúp mô hình chạy trên máy tính xách tay của bạn chứng minh rằng nó thực hiện tính toán mà không cần phải tải lên dữ liệu hoặc trọng số mô hình của bạn.
zkML có nhiều trường hợp ứng dụng cần bảo vệ quyền riêng tư, không phải tất cả các mã nguồn đều cung cấp bảo vệ quyền riêng tư - các nhà phát triển hãy lưu ý điều này!
Tiền tệ có thể lập trình: tại sao các đại lý cần chứng minh
Vào năm 2025, các chứng minh mã hóa có thể kiểm soát tiền tệ thực tế, điều này quan trọng hơn người ta nhận thức.
Các tiêu chuẩn như X402 và ERC-8004 cho thanh toán giữa các đại lý đang nổi lên, chúng ta đang tiến tới kỷ nguyên kinh tế tự chủ, trong kỷ nguyên như vậy:
Các đại lý mua dữ liệu từ nhà cung cấp
Thực hiện suy luận trên nhiều mô hình
Mang lại kết quả cho khách hàng
Hoàn tất thanh toán - không cần can thiệp của con người
Mỗi bước đều cần chứng minh, bạn có sử dụng dữ liệu trả phí không? Bạn có chạy mô hình mà bạn tuyên bố không? Kết quả này thực sự được tạo ra từ phép tính đó không? zkML trả lời những câu hỏi này bằng công nghệ mã hóa.
Khi các nhà giao dịch đang xử lý tiền thật - không phải mã thông báo thử nghiệm - mà là giá trị thực tế, thì cơ chế an toàn dựa trên toán học là điều không thể thiếu, bạn cần chứng minh, hoặc bạn cần lòng tin, nếu bạn muốn xây dựng một hệ thống không cần lòng tin, thì sự lựa chọn là rõ ràng.
Năm 2025 - ZKML vẫn còn rất đắt đỏ, chi phí thực sự tồn tại, nhưng chi phí đang giảm (1 triệu lần → 100,000 lần → 10,000 lần), và giá trị của nó ngày càng rõ ràng.
zkPyTorch ra mắt vào tháng 3 năm 2025, thời gian chứng minh suy luận VGG-16 ngay lập tức giảm xuống còn 2.2 giây, DeepProve của Lagrange đã giải quyết vấn đề suy luận quy mô lớn LLM vào tháng 8, vào mùa thu, chúng tôi cũng đã quan sát thấy sự tăng tốc tương tự trong kho mã JOLT Atlas mà không cần sử dụng GPU, đã tăng tốc nhiều mô hình.
Vào năm 2025 - chúng ta đã rời xa giai đoạn đồ chơi, bây giờ, với công nghệ chứng minh không biết (ZKP), một số mô hình có thể được xác minh trong vài giây, với sự cải tiến liên tục của các công cụ phát triển, chúng ta có thể mong đợi vào năm 2026 thấy cơ sở hạ tầng đột phá này được ứng dụng thực tế trong nhiều dự án hơn.
Chi phí tính toán chỉ cần thanh toán một lần - có thể đạt được khả năng xác minh, bảo vệ quyền riêng tư và khả năng phối hợp đại lý qua các ranh giới tin cậy mà không cần trung gian, trong thế giới mà các đại lý trí tuệ nhân tạo sắp bắt đầu chuyển hàng tỷ đô la, đây không phải là hàng xa xỉ, mà là cơ sở hạ tầng thiết yếu.
Tổng quan về miền: ai đang xây dựng cái gì
zkML đã tiến từ "có thể thực hiện" vào năm 2022 đến "phát hành thực tế" vào năm 2025, đây là cách chúng tôi đã đến được đây và ai đang làm gì.
Giai đoạn đầu (2022-2023): bằng chứng khái niệm
Modulus Labs là người tiên phong trong phong trào này, Daniel Shorr và nhóm của ông tại Stanford đã công bố (Chi phí thông minh) - đây là bài kiểm tra chuẩn đầu tiên thực sự cho hệ thống chứng minh không biết của trí tuệ nhân tạo, lập luận của họ là: nếu tổng hợp không biết có thể giảm chi phí tính toán trên Ethereum, thì có thể đưa trí tuệ nhân tạo lên chuỗi.
Tiết lộ: thứ này đắt đỏ vô cùng, chỉ việc xác minh phần nhỏ nhất trong hợp đồng thông minh đã tốn 20 đô la cho mỗi giao dịch, nhưng nó đã thành công, họ đã phát triển RockyBot (trò chơi chiến đấu AI trên chuỗi) và Leela vs the World để xác minh khái niệm này, điều quan trọng hơn là họ đã chứng minh rằng có thể xác minh GPT-2 và thuật toán gợi ý của Twitter trong các điều kiện không biết.
Công nghệ cơ bản mà họ sử dụng là một giao thức được gọi là GKR, Vitalik gần đây đã làm một bài hướng dẫn về nó, vì vậy tôi sẽ không lặp lại chi tiết ở đây, nếu bạn quan tâm đến GKR, hãy xem bài viết đó, ý tưởng cốt lõi của GKR là cho phép bạn bỏ qua cam kết mã hóa ở lớp trung tâm, và các thao tác máy học trong môi trường này "cảm thấy" tự nhiên.
Chứng minh rằng phép nhân ma trận và một số phép toán quan trọng khác hiệu quả hơn khi sử dụng giao thức chuyên dụng (ví dụ như giao thức sumcheck và tham số tra cứu), Thaler đã giải thích rất sâu sắc lý do cốt lõi này trong tác phẩm của ông (Chứng minh, lập luận và không biết):
Xem trước: Các giao thức khác của MATMULT, một giao thức MATMULT tương tác khác được thực hiện bằng cách áp dụng giao thức GKR (sẽ được giới thiệu trong phần 4.6) vào mạch C tính toán tích của hai ma trận đầu vào A và B, thời gian chạy của xác minh viên trong giao thức này là O(n^2), thời gian chạy của chứng minh viên là O(S), trong đó S là số cổng trong mạch C.
Lợi thế của giao thức MATMULT được mô tả trong phần này thể hiện ở hai điểm, trước hết, nó không quan tâm đến cách chứng minh viên tìm ra câu trả lời đúng, so với đó, giao thức GKR yêu cầu chứng minh viên tính toán ma trận câu trả lời C theo cách quy định, tức là đánh giá mạch C từng cổng một; thứ hai, trong giao thức của phần này, chứng minh viên chỉ cần tìm ra câu trả lời đúng, sau đó thực hiện thêm O(n^2) công việc để chứng minh tính chính xác của nó, giả sử không tồn tại thuật toán nhân ma trận thời gian tuyến tính, thì O(n^2) này là một chi phí thêm thấp thứ bậc. So với đó, giao thức GKR ít nhất sẽ đưa ra một chi phí với hệ số hằng số cho chứng minh viên, trong thực tế, điều này thể hiện ở tốc độ chạy của chứng minh viên chậm hơn rất nhiều lần so với (không thể xác minh) thuật toán MATMULT, trong khi tốc độ chạy của chứng minh viên chỉ chậm hơn không đến 1%.
Thaler cũng là một trong những người đầu tiên ủng hộ việc sử dụng giao thức sumcheck như một trong các thành phần cốt lõi của ZK! (@SuccinctJT #tendsToBeRight)
Halo2 được áp dụng vào ZKML
Khoảng thời gian khoảng cùng thời điểm đó, Jason Morton đã thành lập EZKL, phương pháp của ông rất khác biệt - chấp nhận bất kỳ mô hình nào ở định dạng ONNX (tiêu chuẩn mở của mạng nơ-ron), chuyển đổi nó thành mạch Halo2, sau đó tạo chứng minh, điểm mạnh của ông là: bạn không cần phải trở thành chuyên gia mật mã, chỉ cần xuất mô hình PyTorch của bạn, để EZKL đọc, bạn sẽ nhận được chứng minh.
Bùng nổ (2024-2025): chọn chiến binh của bạn
* Nếu dự án của bạn nên được đưa vào danh sách, hoặc thông tin liên quan thay đổi vào năm 2025, hãy cho tôi biết!
* Tất cả các tuyên bố dưới đây đều từ phía dự án trong bài viết blog của họ, đôi khi, những tuyên bố này có thể bị phóng đại! 😬😬
EZKL (từ năm 2023 đến nay)
ONNX → mạch Halo2
Các bài kiểm tra chuẩn cho thấy tốc độ của nó nhanh hơn RISC Zero 65 lần, nhanh hơn Orion 3 lần
Tiết kiệm 98% bộ nhớ so với RISC Zero
Nhược điểm: hiện tại chỉ hỗ trợ một số toán tử ONNX (họ đang thêm nhiều toán tử hơn)
Thách thức chính: định lượng, từ phép toán số thực sang phép toán số nguyên, độ chính xác sẽ giảm.
Có thể bảo vệ quyền riêng tư ✅
Lagrange DeepProve (ra mắt năm 2024, xác minh bằng GPT-2 vào đầu năm 2025)
Sự xuất hiện này diễn ra nhanh chóng, được cho là nhanh hơn EZKL từ 54-158 lần
Đầu tiên, phải chứng minh rằng GPT-2 có thể thực hiện suy luận hoàn chỉnh - không chỉ là suy luận một phần, mà là toàn bộ suy luận
Kết quả xác minh: tốc độ MLP tăng 671 lần, tốc độ CNN tăng 521 lần (thời gian xác minh giảm nửa giây)
Sử dụng giao thức sumcheck + tham số tra cứu (logup GKR)
Đang phát triển hỗ trợ LLAMA - GPT-2 và LLAMA rất giống nhau về kiến trúc, vì vậy chúng rất gần gũi
Có một mạng lưới chứng minh viên phi tập trung (chạy trên EigenLayer)
Khó có thể bảo vệ quyền riêng tư ❌
zkPyTorch (Polyhedra Network, tháng 3 năm 2025)
Đây là bước đột phá trong biến hình hiện đại
Chứng minh Llama-3 đầu tiên - mỗi token 150 giây
VGG-16 mất 2.2 giây
Tối ưu hóa ba lớp: tiền xử lý, định lượng thân thiện với ZK, tối ưu hóa mạch
Sử dụng DAG và thực thi song song qua các lõi
Tích hợp với động cơ xác minh Expander
Khó có thể bảo vệ quyền riêng tư ❌
ZKTorch (Daniel Kang, tháng 7 năm 2025)
"Chương trình tổng quát" - xử lý bất kỳ nhiệm vụ nào
GPT-J (60 triệu tham số): mất 20 phút để chạy trên 64 luồng
GPT-2: 10 phút (trước đó hơn 1 giờ)
Tài liệu chứng minh ResNet-50: 85KB (tài liệu chứng minh do Mystique tạo là 1.27GB)
Sử dụng phương pháp tích lũy chứng minh - hợp nhất nhiều chứng minh thành một chứng minh gọn gàng
Đây là vua tốc độ của zkML hiện tại
Mục tiêu học thuật hơn là công nghiệp
Jolt Atlas (NovaNet / ICME Labs, tháng 8 năm 2025)
Dựa trên JOLT zkVM của a16z và được sửa đổi cho ONNX
Phương pháp zkVM, nhưng thực tế rất nhanh
Những hiểu biết chính: Tải công việc máy học thích sử dụng bảng tra cứu, trong khi JOLT hỗ trợ bảng tra cứu
Không có đa thức thương mại, không có phân tích byte, không có khối lượng lớn - chỉ có tra cứu và kiểm tra tổng
Hỗ trợ định lượng linh hoạt - không tạo ra bảng tra cứu đầy đủ, vì vậy bạn sẽ không bị giới hạn trong một sơ đồ định lượng cụ thể
Về lý thuyết có thể mở rộng cho các phép toán số thực (hầu hết các phương thức toán học khác vẫn bị giới hạn trong phép toán số nguyên)
Rất thích hợp cho các trường hợp sử dụng của các đại lý cần đáp ứng đồng thời yêu cầu xác thực và bảo vệ quyền riêng tư
Có thể hỗ trợ tính toán không biết thực sự thông qua các sơ đồ gập (HyperNova / BlindFold) ✅
Thực tế công nghệ
Nỗi khổ định lượng: các mô hình máy học sử dụng phép toán số thực, trong khi chứng minh không biết sử dụng phép toán trên miền hữu hạn (về bản chất là số nguyên), bạn cần chuyển đổi, điều này sẽ làm mất độ chính xác, hầu hết các máy học không biết (ZKML) sẽ định lượng mô hình, vì vậy độ chính xác sẽ giảm một chút, nhưng mặt khác, nhiều mô hình máy học dành cho thiết bị nhỏ và môi trường sản xuất là các mô hình đã định lượng.
Mỗi khung xử lý khác nhau, một số khung sử dụng bề rộng bit lớn hơn (chính xác hơn nhưng chậm hơn), một số khung sử dụng bảng tra cứu, một số khung thì khéo léo áp dụng biểu diễn số nguyên, lý do Jolt Atlas thích phương pháp của chúng tôi là vì chúng tôi không cần phải tạo bảng tra cứu cho nhiều toán tử máy học.
Hiện tại vẫn chưa ai tìm ra giải pháp hoàn hảo, chỉ có thể thông qua sự lặp đi lặp lại liên tục, dần dần mở rộng các trường hợp sử dụng, đây cũng là lý do tại sao chúng tôi giữ được sự lạc quan về triển vọng phát triển gần đây của ZKML.
Phạm vi bao phủ của toán tử: ONNX có hơn 120 toán tử, hầu hết các khung zkML có thể chỉ hỗ trợ 50 đến 200, điều này có nghĩa là một số kiến trúc mô hình hiện không hoạt động bình thường, các nhóm đang chạy đua để thêm nhiều toán tử hơn, nhưng điều này không dễ dàng.
Mô hình sản xuất của bạn sử dụng các toán tử mà khung zkML không hỗ trợ, điều này phổ biến hơn bạn nghĩ.
Tiêu chuẩn ONNX bao gồm hơn 120 toán tử, hầu hết các khung zkML chỉ hỗ trợ 50 hoặc ít hơn, khoảng cách là:
Bạn đã viết một lớp tùy chỉnh cho trường hợp sử dụng cụ thể: không
Phương pháp chuẩn hóa đặc biệt (GroupNorm, biến thể của LayerNorm): có thể
Dòng điều khiển động (câu lệnh if, vòng lặp): thường không
Cơ chế chú ý: dự kiến sẽ được thêm vào các khung chính trong năm 2024-2025
Sáng kiến gần đây (hấp dẫn chớp nhoáng, nhúng xoay): có thể không
Khi bạn cố gắng xuất mô hình, bạn sẽ gặp vấn đề này, chuyển đổi ONNX thành công, nhưng nhập khung thì thất bại, "Không hỗ trợ toán tử: [bất kỳ toán tử nào]".
Bây giờ, bạn đang viết lại mô hình để chỉ sử dụng các toán tử được hỗ trợ, điều này không phải là một rắc rối nhỏ - đây là giới hạn kiến trúc mà bạn nên biết trước khi bắt đầu đào tạo, đây cũng là lý do chúng tôi thích phương pháp zkVM... vì mỗi toán tử dễ dàng được thực hiện plug and play hơn, trong khi phương pháp dựa trên biên dịch trước cần thao tác thủ công nhiều hơn 🫳🧶.
Hàm kích hoạt: hãy chọn cẩn thận, trong máy học truyền thống, hàm kích hoạt là miễn phí, ReLU, sigmoid, tanh, GELU - chọn bất kỳ cái nào có hiệu quả.
Trong zkML, hàm kích hoạt là một phép toán tốn kém, có thể gây sập mạch.
Tại sao chi phí tính toán của hàm kích hoạt lại cao? Mạch ZK dựa trên phép toán đa thức - phép cộng và nhân trên miền hữu hạn, những phép toán này có chi phí rất thấp vì chúng có thể được ánh xạ trực tiếp vào các ràng buộc mạch, nhưng hàm kích hoạt là phi tuyến tính, không thể phân tách tốt thành phép toán miền.
ReLU cần tính "nếu x > 0 thì x, nếu không thì 0" - phép so sánh này cần nhiều ràng buộc để biểu diễn, Sigmoid cần 1/(1 + e^(-x)) thực hiện phép tính lũy thừa trên miền hữu hạn, điều này rất phức tạp, cần nhiều phép nhân và thường cần bảng tra cứu, Softmax kết hợp phép lũy thừa, phép cộng và phép chia, áp dụng cho toàn bộ vector, biến những phép toán đơn giản thành mạch phức tạp mà mỗi nơ-ron cần hàng trăm hoặc thậm chí hàng nghìn ràng buộc.
Rẻ tiền:
Tuyến tính (không cần kích hoạt): miễn phí
Cộng thêm quy mô: miễn phí cơ bản
Giữa các:
ReLU: cần so sánh, dễ quản lý
Hàm bước: chi phí tương tự như ReLU
Đắt đỏ:
Hàm sigmoid: phép toán lũy thừa trong mạch là rất khó khăn
Tanh: tệ hơn
Softmax: lũy thừa + chia + chuẩn hóa, thực sự đau đớn
GELU / SwiGLU: để đó đã (hiện tại... chúng tôi vẫn có việc phải làm)
Các Transformer hiện đại có xu hướng sử dụng GELU và các biến thể của nó, trong khi Transformer zkML chỉ có thể sử dụng các thuật toán gần đúng hoặc các giải pháp đơn giản hơn.
Đó là lý do tại sao các khung cần xây dựng bảng tra cứu không tuyến tính, tính toán trước các giá trị thông dụng, tham chiếu trực tiếp đến chúng thay vì tính toán lại, nhanh hơn, nhưng giá phải trả là tăng mức sử dụng bộ nhớ và giới hạn lựa chọn định lượng.
Trường hợp ứng dụng: thực sự điều gì đáng để chứng minh?
Bạn vừa đọc về chi phí cao gấp 10,000 lần, địa ngục định lượng và đường cong chi phí theo cấp số nhân, một câu hỏi hợp lý là: tại sao ai đó lại để bản thân chịu đựng sự đau khổ này?
Câu trả lời không phải là "tất cả mọi thứ đều nên sử dụng zkML", câu trả lời là: một số vấn đề cần tính xác minh một cách cấp bách, vì vậy việc phải trả giá thêm là xứng đáng.
Bộ lọc cơ bản
Trước khi đi sâu vào các trường hợp sử dụng, hãy làm một bài kiểm tra: chi phí thất bại lòng tin có cao hơn chi phí chứng minh không?
Nếu thuật toán gợi ý bạn chạy để hiển thị video mèo, thì sự thất bại lòng tin sẽ không gây ra bất kỳ thiệt hại nào, chỉ cần hiển thị video mèo là đủ, không ai quan tâm đến việc mô hình của bạn có phải là cái bạn tuyên bố hay không.
Nếu bạn điều hành một robot giao dịch quản lý tài sản 10 triệu đô la, cuộc khủng hoảng lòng tin sẽ là thảm họa, robot mất kiểm soát, vị trí bị thanh lý cưỡng chế, bạn còn phải giải thích cho các nhà đầu tư tại sao bạn lại tin tưởng một API không minh bạch.
zkML áp dụng trong các trường hợp sau:
Rủi ro cao: tiền, sức khỏe, quyết định pháp lý, an toàn
Khoảng cách lòng tin: các bên không tin tưởng lẫn nhau
Hạn chế quyền riêng tư: dữ liệu nhạy cảm không thể chia sẻ
Yêu cầu có thể kiểm toán: các cơ quan quản lý hoặc các bên liên quan cần bằng chứng
Môi trường đối kháng: có ai đó có động cơ gian lận
Nếu trường hợp sử dụng của bạn không phù hợp với ít nhất hai điều trên, thì bạn có thể tạm thời không cần zkML.
DeFi: trung tâm quỹ
DeFi là môi trường sinh thái tự nhiên của zkML, nó có những đặc điểm sau: giao dịch có giá trị cao cần thực hiện trên blockchain mà không cần lòng tin và xác minh đơn giản, đồng thời giữ cho người dùng minh bạch, các thế lực thù địch sẽ cố gắng tận dụng mọi lỗ hổng!
Giá cả dự đoán
Sản phẩm zkML thực sự đầu tiên là zkPredictor của Upshot + Modulus, vấn đề là: định giá NFT là do mô hình máy học độc quyền tính toán, làm thế nào để có thể tin tưởng thông tin giá này?
Mạng lưới dự đoán truyền thống: "Tin tưởng chúng tôi, đây là kết quả mà mô hình của chúng tôi đưa ra." Mạng lưới dự đoán zkML: "Đây có một chứng minh mã hóa, chứng minh rằng giá này đến từ mô hình này, chạy trên dữ liệu cụ thể này (dữ liệu có thể thuộc về dữ liệu riêng tư)."
Chứng minh này có nghĩa là bạn có thể xây dựng sản phẩm tài chính (cho vay, phái sinh) dựa trên những giá này mà không cần lòng tin vào Upshot, họ không thể thao túng giá mà không phá hủy chứng minh, dữ liệu vẫn được giữ bí mật nhưng quá trình tính toán có thể xác minh.
Mô hình này rất phổ biến: bất cứ khi nào giao thức DeFi cần dữ liệu ML phát sinh (ước lượng biến động, điểm số rủi ro, dự đoán lợi suất), zkML có thể chứng minh kết quả tính toán mà không tiết lộ mô hình.
Robot giao dịch và đại lý
Hãy tưởng tượng: bạn đã triển khai một đại lý tối ưu hóa lợi suất trên nhiều giao thức DeFi, nó quản lý các vị trí thanh khoản trên Uniswap, khai thác trên Curve, và thực hiện tái cân bằng trên Aave.
Làm thế nào để xác định rằng nó đang thực hiện chiến lược của bạn một cách chính xác? Làm thế nào để chứng minh với các đối tác hạn chế rằng tiền của họ được quản lý theo thuật toán mà bạn đã quảng bá?
Sử dụng zkML, các đại lý sẽ tạo một chứng minh cho mỗi thao tác, "Tôi đã chuyển 50 ETH từ quỹ A sang quỹ B, vì mô hình của tôi dự đoán lợi nhuận cao hơn, đây là chứng minh tôi đã sử dụng chiến lược mà bạn đã phê duyệt."
Giza chính là nền tảng Starknet xây dựng chức năng này, khung LuminAIR của họ (sử dụng trình chứng minh STWO của StarkWare) cho phép bạn xây dựng các đại lý có thể xác minh cho DeFi, một đại lý có thể tái cân bằng các vị trí Uniswap V3 có thể chứng minh rằng mỗi quyết định tái cân bằng đều xuất phát từ mô hình đã cam kết, trọng số mô hình là bí mật, chiến lược giao dịch là bí mật, trong khi quá trình chứng minh là công khai.
Điều này cho phép tương tác giữa các đại lý, đại lý của bạn có thể hợp tác với các đại lý khác mà không cần lòng tin, vì cả hai bên đều đang tạo ra kết quả tính toán có thể xác minh, không cần trung gian đáng tin cậy, chỉ có toán học thuần túy.
Mô hình rủi ro và điểm số tín dụng
Các ngân hàng sử dụng máy học để ra quyết định tín dụng, các giao thức DeFi sử dụng máy học để thiết lập tỷ lệ thế chấp, vấn đề là: làm thế nào để chứng minh mô hình rủi ro của bạn đã được áp dụng một cách nhất quán?
Hệ thống truyền thống: "Tin vào ngân hàng." Hệ thống zkML: "Mỗi quyết định cho vay đều kèm theo chứng minh, chứng minh rằng mô hình cụ thể này đã đánh giá dữ liệu của người nộp đơn dựa trên các tham số cố định này."
Điều này rất quan trọng vì:
Tuân thủ quy định: chứng minh rằng bạn không phân biệt đối xử
Kiểm toán công bằng: chứng minh rằng cùng một mô hình áp dụng cho mọi người
Giải quyết tranh chấp: nếu ai đó đặt câu hỏi về một quyết định, bạn có thể cung cấp bằng chứng mã hóa về diễn biến của sự kiện
Mô hình có thể giữ bí mật, dữ liệu có thể giữ kín, bằng chứng cho thấy toàn bộ quy trình là công bằng.
Đại lý không cần lòng tin
Còn nhớ lúc đầu không? Các đại lý như một cuộc tiếp sức truyền tải thông tin mã hóa?
Hãy tưởng tượng một kịch bản như vậy - một hệ sinh thái đại lý, trong đó:
Đại lý A trên điện thoại đã phân tích lịch của bạn và quyết định bạn cần đặt vé máy bay
Đại lý B (dịch vụ đặt vé) tìm kiếm chuyến bay và giá cả
Đại lý C (nhà xử lý thanh toán) thực hiện giao dịch
Đại lý D (theo dõi chi phí) sẽ ghi lại điều đó cho kế toán công ty của bạn
Mỗi bước đều cần xác minh bước trước, nếu phân tích của đại lý A có gian lận, đại lý B sẽ không thực hiện thao tác, nếu báo giá của đại lý B bị thay đổi, đại lý C sẽ không thanh toán, nếu giao dịch của đại lý C đáng ngờ, đại lý D sẽ không ghi lại.
Nếu không có zkML: hoặc mỗi đại lý đều hoạt động trong khu vực tin cậy, hoặc tất cả các đại lý đều tin tưởng lẫn nhau, cả hai phương pháp này đều không thể mở rộng.
Sử dụng zkML: mỗi đại lý tạo một chứng minh, đại lý B xác minh chứng minh của đại lý A, đại lý C xác minh chứng minh của đại lý B, toàn bộ quy trình không cần lòng tin, một đại lý có thể chạy trên AWS, một đại lý khác chạy trên điện thoại của bạn, và một đại lý khác chạy trên Ethereum, điều đó không quan trọng - nguyên lý toán học sẽ kết nối chúng.
Tương lai của x402 và ERC-8004
Những tiêu chuẩn mới nổi này định nghĩa cách các đại lý AI thanh toán trực tiếp cho nhau, toàn bộ quá trình không cần can thiệp của con người, nhưng việc thanh toán cần lòng tin.
Nếu đại lý A tuyên bố "Tôi đã thực hiện phân tích này, hãy trả tiền cho tôi", đại lý B sẽ cần bằng chứng, nếu đại lý B quản lý quỹ mà đại lý A nói dối, đó là trộm cắp, zkML cung cấp lớp bằng chứng.
Chúng ta đang tiến tới kỷ nguyên kinh tế đại lý tự chủ, các đại lý thuê lẫn nhau hoàn thành các nhiệm vụ con, các đại lý chứng minh kết quả công việc của mình thông qua công nghệ mã hóa, thanh toán tự động dựa trên tình trạng hoàn thành đã được xác minh, không có tổ chức trung ương nào kiểm soát toàn bộ quy trình làm việc.
Jolt Atlas của NovaNet chính là để làm điều này, nó vừa bảo vệ quyền riêng tư vừa xác minh, đại lý này không cần tiết lộ đầu vào, đầu ra hoặc trạng thái trung gian để chứng minh tính chính xác của tính toán của nó, điều này hoàn hảo cho các đại lý thương mại có thông tin rất nhạy cảm.
Chăm sóc sức khỏe: quyền riêng tư và có thể kiểm toán
Ngành chăm sóc sức khỏe đang bị ngập tràn bởi máy học nhưng lại lo sợ về việc rò rỉ quyền riêng tư, HIPAA, GDPR, các quy định khu vực - mỗi khu vực pháp lý đều có quy định riêng về dữ liệu bệnh nhân.
Mô hình chẩn đoán
Một bệnh viện đang vận hành một mô hình chẩn đoán máy học, mô hình này đã được FDA phê duyệt và được xác minh toàn diện, sau khi bệnh nhân nhập viện, mô hình phân tích dữ liệu hình ảnh và đưa ra các đề xuất điều trị.
Cơ quan quản lý hỏi: "Bạn thực sự sử dụng mô hình được FDA phê duyệt phải không? Hay đã sử dụng mô hình đã được chỉnh sửa? Bạn có thể chứng minh không?"
Câu trả lời truyền thống: "Tin vào nhật ký của chúng tôi." Câu trả lời zkML: "Đây có một chứng minh mã hóa, chứng minh mô hình này (trọng số đã xác định) chạy trên dữ liệu của bệnh nhân này và tạo ra kết quả này."
Dữ liệu bệnh nhân sẽ không bao giờ rời khỏi bệnh viện, trọng số mô hình cũng được bảo mật nghiêm ngặt (được bảo vệ bằng quyền sở hữu trí tuệ), nhưng chứng minh liên quan sẽ được cung cấp cho các cơ quan quản lý, công ty bảo hiểm và bất kỳ tổ chức nào cần xác minh.
Nghiên cứu hợp tác thiếu chia sẻ dữ liệu
Nhiều bệnh viện muốn sử dụng dữ liệu bệnh nhân của mình để đào tạo một mô hình, nhưng do các quy định về quyền riêng tư, họ không thể chia sẻ dữ liệu, đồng thời, do họ cạnh tranh, họ cũng không thể xây dựng lòng tin với nhau.
Lợi thế của zkML là: mỗi bệnh viện đều có thể chứng minh rằng đào tạo cục bộ của họ được thực hiện đúng trên dữ liệu hiệu quả, tất cả các chứng minh được tổng hợp lại, mọi người đều có thể nhận được mô hình tốt hơn, và không ai có thể thấy dữ liệu của các bệnh viện khác.
Trò chơi: tính công bằng có thể xác minh
Trò chơi không cần zkML để hiển thị video mèo, nhưng nếu đó là trò chơi cạnh tranh với tiền thật thì sao? Thì lại là chuyện khác.
Đối thủ AI
Bạn đang chơi bài poker với AI máy tính, làm thế nào để bạn biết AI không gian lận bằng cách nhìn vào lá bài của bạn? Làm thế nào để bạn biết rằng bạn đã trả tiền mua đúng là độ khó "khó" chứ không phải là độ khó "trung bình" đã đổi tên?
zkML: máy chủ trò chơi sẽ chứng minh rằng mỗi quyết định AI đều đến từ mô hình đã nộp, không thể gian lận, cũng không thể thay thế bằng mô hình yếu hơn, chứng minh được tạo ra cho mỗi trò chơi, và được xác minh bởi khách hàng.
Modulus phát triển RockyBot (một trò chơi chiến đấu AI) và Leela vs the World (một trò chơi cờ vua trên chuỗi) như một bằng chứng khái niệm, hành vi của AI là có thể xác minh, người chơi có thể xác nhận rằng họ đang đối mặt với một AI thực sự.
Ghép cặp công bằng
Hệ thống ghép cặp xếp hạng sử dụng công nghệ máy học để ghép cặp người chơi, nếu thuật toán không minh bạch, các thuyết âm mưu sẽ nảy sinh: "Họ cố tình ghép tôi với đồng đội kém!" "Họ đang thao túng trò chơi!"
zkML: chứng minh thuật toán ghép cặp hoạt động chính xác, chứng minh rằng mỗi người chơi đều được đánh giá bằng cùng một mô hình, như vậy, những thuyết âm mưu đó không còn đứng vững.
Thị trường mô hình: xác minh dịch vụ máy học (MLaaS)
Bạn đã trả tiền để truy cập vào API cấp độ GPT-4, làm thế nào để bạn biết rằng bạn thực sự đã nhận được GPT-4 chứ không phải GPT-3.5 đã đổi tên?
Hiện tại: tin tưởng vào nhà cung cấp.
Sử dụng zkML, mỗi phản hồi API sẽ kèm theo một chứng minh: "Đầu ra này đến từ mô hình X với tham số Y." Nếu nhà cung cấp cố gắng sử dụng mô hình rẻ hơn, chứng minh sẽ không còn hiệu lực.
Điều này đã tạo ra thị trường mô hình cạnh tranh khốc liệt, vì các nhà cung cấp không thể gian lận ở cấp độ mô hình! Người dùng có thể xác minh tính tuân thủ của thỏa thuận mức độ dịch vụ (SLA), và giá cả liên quan đến khả năng tính toán đã được xác minh (bạn chỉ cần trả tiền cho khả năng tính toán thực tế mà bạn nhận được).
Ký ức AI
Một trường hợp sử dụng cốt lõi của ICME Labs là các mô hình nhúng, những mô hình này có thể chạy trong trình duyệt, hiện nay là mục tiêu thực tế của ZKML, hãy tưởng tượng, người dùng duyệt mã nguồn bằng tiếng Anh, trong khi người tiêu dùng mua và truy vấn bằng tiếng Nhật - họ không thể tiến hành kiểm toán, vì vậy cần phải có lòng tin mã hóa.
Hoặc là thuê một bộ nhớ - tin tôi đi, anh bạn, "trong ký ức AI của tôi có điều này..." mô hình phân loại hiện có thể được sử dụng để giải quyết vấn đề lòng tin này và tạo ra một nền kinh tế ký ức AI mới ™️.
Năm 2025 còn thiếu gì
Hãy đối diện với những điểm mà hiện tại chưa hoạt động:
Thực hiện một mô hình ngôn ngữ lớn như GPT-5 trong zkML? Không thể: có thể sử dụng GPT-2 làm mẫu (zkPyTorch đã chứng minh hiệu suất của Llama-3, nhưng mỗi token cần 150 giây), suy luận mô hình ngôn ngữ lớn tiên tiến thực sự có thể thực hiện được... nhưng sẽ rất chậm và tiêu tốn nhiều bộ nhớ.
Hệ thống thời gian thực: nếu bạn cần tốc độ suy luận dưới 100 mili giây và cung cấp chứng minh, thì bạn chỉ có thể chọn các mô hình nhỏ hơn hoặc các mô hình phân loại trực tiếp hơn, liệu xe tự lái có cần chứng minh tính chính xác của mỗi quyết định không? Hiện tại, zkML vẫn chưa thể thực hiện được.
Về đào tạo: chúng tôi có thể chứng minh khả năng suy luận, nhưng không thể chứng minh khả năng đào tạo quy mô lớn, nếu bạn cần xác minh xem mô hình có được đào tạo bằng dữ liệu cụ thể và phương pháp cụ thể hay không, zkML hiện chưa đáp ứng được nhu cầu.
Kiến trúc phức tạp: cơ chế chú ý vừa mới trở thành khả thi, mô hình hỗn hợp chuyên gia? Mạng nơ-ron đồ thị? Mô hình khuếch tán? Những điều này vẫn là lĩnh vực nghiên cứu.
Dự đoán ZKML năm 2026
Dưới đây là một số suy đoán cơ bản về việc mở khóa nội dung 10 lần vào năm 2026.
Cơn sóng phần cứng
Mở khóa chip silicon là công bằng.
Tăng tốc GPU (đã ra mắt): tất cả các khung zkML chính đều đã hỗ trợ hoặc đang thêm hỗ trợ GPU, EZKL, Lagrange, zkPyTorch, Jolt - tất cả đều chạy trên CUDA, nhưng hỗ trợ GPU vào năm 2025 chỉ đơn giản là "nó có thể chạy trên GPU", trong khi năm 2026 sẽ là "nó đã được tối ưu hóa cho GPU".
Sự khác biệt là rất quan trọng, cách thực hiện hiện tại là di chuyển thuật toán CPU sang GPU, trong khi cách thực hiện thế hệ tiếp theo sẽ thiết kế lại thuật toán xung quanh nguyên lý GPU, xử lý song song quy mô lớn, truyền dữ liệu qua bộ nhớ GPU, hợp nhất lõi để tạo ra chứng minh.
Tác động mong đợi: tốc độ tải công việc hiện có tăng 5-10 lần, mô hình ban đầu cần 30 giây có thể chỉ cần 3-5 giây để hoàn thành, đây là sự khác biệt giữa "thích hợp cho xử lý theo lô" và "thích hợp cho ứng dụng tương tác".
Chứng minh đa máy (tầng điều phối)
zkML mới nhất: một máy mạnh mẽ có thể tạo ra chứng minh của bạn.
Năm 2026 zkML: việc tạo ra chứng minh được thực hiện song song trên các cụm, chia mạch, phân phối cho nhiều chứng minh viên (nhiều gập), tập hợp kết quả.
Lagrange đã bắt đầu nghiên cứu vấn đề này, Polyhedra cũng đã đề cập đến điều này trong lộ trình zkPyTorch của họ, công nghệ liên quan đã có sẵn (chứng minh đệ quy, tổng hợp chứng minh, tiếp tục), lớp cơ sở hạ tầng của chúng tôi NovaNet tập trung vào cách các chứng minh viên hợp tác (thông qua sơ đồ gập) xử lý nhiệm vụ này, và vấn đề kỹ thuật thì rất khó khăn (phân phối công việc, khả năng chịu lỗi, tối ưu hóa chi phí).
Khi công nghệ này được đưa vào sử dụng: sẽ chạy chứng minh trên 10 máy cùng lúc, thời gian tính toán của GPT-2 có thể giảm từ 10 phút xuống 1 phút, trong khi chứng minh Llama-3 sẽ chuyển từ "tò mò" sang "thực sự khả dụng".
Hệ thống chứng minh: toán học tối ưu hơn
Phần cứng giúp ích, nhưng thuật toán tốt hơn giúp lớn hơn.
Số học miền
Hiện tại, hầu hết các giải pháp chứng minh không biết (ZKML) đều sử dụng BN254 hoặc các miền lớn tương tự, một số nhóm đang khám phá miền Mersenne-31 và các miền nhỏ hơn khác, tốc độ tính toán của những miền này có thể nhanh hơn, được ước tính rằng chỉ việc chuyển đổi miền có thể mang lại hiệu suất gấp 10 lần, hệ thống dựa trên đường cong ellip tiếp tục hưởng lợi từ tính thưa thớt (ví dụ: Twist và Shout).
Dựa trên các chứng minh không biết của Lattice, chúng ta có thể tận dụng các miền nhỏ hơn, đồng thời hưởng lợi từ sự thưa thớt và tính đồng nhất, Lattice cũng hỗ trợ thanh toán theo bit và có thể có các đặc điểm an toàn sau lượng tử, điểm nổi bật cuối cùng là - có thể tạo ra các tham số công cộng một cách động.
Tầm quan trọng: Tính toán miền là vòng lặp bên trong sâu nhất trong việc tạo ra chứng minh, tăng tốc độ tính toán miền 10 lần có nghĩa là tốc độ của tất cả các quy trình chứng minh đều được cải thiện 10 lần, mô hình ban đầu cần 10 giây để hoàn thành chứng minh, giờ chỉ cần 1 giây.
Jolt Atlas đã hưởng lợi từ điều này - kiến trúc dựa trên tra cứu rất phù hợp với tính thưa thớt - một số thao tác máy học có tính thưa thớt cao.
Tích lũy chứng minh / sơ đồ gập
ZKTorch đã áp dụng phương pháp này: không tạo ra chứng minh độc lập cho mỗi lớp, mà là hợp nhất nhiều chứng minh thành một bộ tích lũy, chứng minh cuối cùng rất nhỏ, không phụ thuộc vào độ sâu của mô hình.
Đây là lĩnh vực của sao chổi / siêu mới / sao neutron ⭐💥, SNARK đệ quy, cho phép bạn chứng minh "tôi đã chứng minh A, sau đó tôi chứng minh B, sau đó tôi chứng minh C", mà không dẫn đến sự bùng nổ quy mô chứng minh.
Dự đoán năm 2026: điều này sẽ trở thành tiêu chuẩn, mỗi khung zkML sẽ thêm chức năng gập, kích thước tài liệu chứng minh của ResNet-50 sẽ giảm từ 1.27GB (phiên bản cũ Mystique) xuống dưới 100KB (hệ thống mới dựa trên gập), vì kích thước tài liệu chứng minh không còn mở rộng cùng với độ dài chuỗi, các mô hình loại GPT sẽ trở nên khả thi.
Gập cũng giúp giải quyết vấn đề thiếu bộ nhớ của chứng minh viên, bạn có thể chạy zkML trên nhiều thiết bị khác nhau và chọn bước khớp với thông số kỹ thuật máy.
Cuối cùng, việc gập cũng có thể được sử dụng để đưa lại không biết (ZK) cho các giao thức không có chức năng bảo vệ quyền riêng tư, có một mẹo tuyệt vời trong tài liệu của HyperNova cho thấy cách làm điều này.
Chứng minh phát trực tuyến
Giới hạn hiện tại: để chứng minh một LLM tạo ra 100 token, bạn cần chứng minh token 1 trước, sau đó là token 2, sau đó là token 3... mỗi chứng minh đều độc lập, điều này sẽ dẫn đến sự gia tăng đáng kể mức sử dụng bộ nhớ, bạn có thể kiểm soát sự gia tăng bộ nhớ thông qua gập hoặc xử lý phát trực tuyến.
Hiện tại vẫn đang trong giai đoạn nghiên cứu, nhưng sẽ được phát hành vào năm 2026, khi đó: suy luận LLM trong zkML sẽ chuyển từ "chứng minh trên máy lớn" sang "chứng minh ở bất cứ đâu".
Sự bùng nổ trong phạm vi bao phủ của toán tử
Xin lưu ý: ONNX có hơn 120 toán tử, hầu hết các khung chỉ hỗ trợ khoảng 50 toán tử.
Khoảng cách đang nhanh chóng thu hẹp, không phải vì các khung đang từng cái một thực hiện toán tử, mà vì chúng đang xây dựng trình biên dịch toán tử và nguyên lý zkVM chung để xử lý hàng loạt toán tử quy mô lớn.
Cơ sở nguyên tố Transformer
Cơ chế chú ý gần như không thể đạt được vào năm 2024, đến cuối năm 2025, nhiều khung sẽ hỗ trợ chúng, đến năm 2026, chúng sẽ được tối ưu hóa.
Mạch chuyên dụng:
Chú ý tích lũy điểm
Chú ý nhiều đầu
Mã hóa vị trí
Chuẩn hóa lớp (kẻ giết Transformer trong zkML đầu tiên)
Kết hợp với chứng minh phát trực tuyến, điều này có nghĩa rằng: các mô hình dựa trên Transformer trở thành công dân hạng nhất trong zkML, không chỉ là "chúng tôi có thể từ từ chứng minh GPT-2", mà là "chúng tôi có thể chứng minh kiến trúc Transformer hiện đại với chi phí hợp lý".
Điều này sẽ mở khóa các bộ chuyển đổi thị giác, mô hình âm thanh, mô hình đa phương tiện, tất cả các kiến trúc hỗ trợ máy học hiện đại giờ đây đều có thể xác minh.
Sự thay đổi đường cong chi phí dẫn đến sự tiến hóa của các trường hợp sử dụng
Cải tiến công nghệ bản thân không quan trọng, điều quan trọng là chúng có thể mang lại gì.
Đại lý DeFi: từ xử lý theo lô đến thời gian thực
Năm 2025: các đại lý sẽ tái cân bằng danh mục đầu tư của bạn mỗi giờ, mỗi lần tái cân bằng sẽ tạo ra một tài liệu chứng minh trong nền, và trong lần giao dịch tiếp theo, tài liệu chứng minh trước đó đã sẵn sàng.
Năm 2026: các đại lý sẽ tái cân bằng theo thời gian thực dựa trên tình trạng thị trường, thời gian tạo chứng minh từ 1-5 giây, các đại lý sẽ chạy trong vòng lặp liên tục: quan sát thị trường → tính toán quyết định → tạo chứng minh → thực hiện giao dịch, chứng minh có thể có được trước khi xác nhận trong khối tiếp theo.
Điều này thay đổi luật chơi, bạn có thể xây dựng các đại lý phản ứng, không chỉ là các đại lý theo lịch trình, bảo vệ sự sụp đổ chớp nhoáng, phòng ngừa MEV, và tự động chênh lệch giá với sự đảm bảo mã hóa.
Chăm sóc sức khỏe: từ nhật ký kiểm toán đến xác minh thời gian thực
Năm 2025: các bệnh viện thực hiện chẩn đoán, mô hình tạo ra kết quả, bệnh viện sau đó gửi tài liệu chứng minh cho cơ quan quản lý, việc tạo chứng minh chỉ mất vài phút và hoàn thành ngoại tuyến.
Năm 2026: tốc độ tạo ra kết quả xác minh đủ nhanh để hoàn thành trong quy trình làm việc lâm sàng, bác sĩ đưa ra chỉ định kiểm tra, mô hình chạy, kết quả xác minh được tạo song song, khi bác sĩ xem xét kết quả, kết quả xác minh đã được gửi cùng với kết quả.
Điều này đã thực hiện: tuân thủ kiểm toán thời gian thực, ủy quyền bảo hiểm xác minh tức thì, và quy trình làm việc giữa các cơ quan, trong đó mỗi bước đều phải được xác minh trước khi bắt đầu bước tiếp theo.
Đại lý không cần lòng tin: từ trình diễn đến sản xuất
Năm 2025: quy trình làm việc của đại lý khả thi, nhưng tương đối phức tạp, mỗi lần tương tác giữa các đại lý đều cần tạo chứng minh, tốn từ vài giây đến vài phút, quy trình làm việc phức tạp chạy chậm.
Năm 2026: đối với các mô hình đơn giản, tốc độ chứng minh có thể đạt dưới một giây, đối với các mô hình phức tạp, tốc độ chứng minh có thể được song song hóa, sự tương tác giữa các đại lý sẽ tự nhiên và mượt mà hơn, đại lý A gọi đại lý B, đợi 0.5 giây để xác minh chứng minh, sau đó tiếp tục thực hiện, mặc dù độ trễ gây khó chịu, nhưng tốt hơn nhiều so với thao tác thủ công 🤪.
Đây mới thực sự là thời điểm mà mạng lưới đại lý không cần lòng tin có thể mở rộng quy mô, không phải là dự án nghiên cứu, mà là hệ thống sản xuất, trong đó hàng trăm đại lý hợp tác lẫn nhau, mỗi đại lý chứng minh công việc của mình thông qua mã hóa.
Tầm nhìn của x402 / ERC-8004 trở thành hiện thực: các đại lý thuê đại lý, thanh toán bằng tiền điện tử, tất cả điều này được điều hòa thông qua chứng minh.
Trò chơi: từ theo lượt sang thời gian thực
Năm 2025: ứng dụng zkML trong trò chơi sẽ chỉ giới hạn trong các tình huống theo lượt, chẳng hạn như robot poker, động cơ cờ vua, và các trò chơi chiến lược có thể chịu đựng việc tạo chứng minh từ 1-5 giây cho mỗi bước.
Năm 2026: tốc độ đủ để đáp ứng nhu cầu AI thời gian thực của một số loại trò chơi, ví dụ, trong các trò chơi chiến đấu, mỗi quyết định của đối thủ AI cần được xác minh, và trong các trò chơi RTS, quyết định chiến lược (không phải tìm đường cấp đơn vị, mà là chiến thuật cấp cao) cần phải được xác minh.
Đối với các trò chơi bắn súng góc nhìn thứ nhất hoặc các cơ chế trò chơi cần tốc độ phản ứng, tốc độ vẫn chưa đủ nhanh, nhưng không gian thiết kế khả thi đã mở rộng đáng kể.
Thị trường mô hình: từ thị trường ngách đến thị trường chính
Năm 2025: việc xác minh phản hồi API rất tuyệt, nhưng phạm vi ứng dụng hạn chế, chỉ có các ứng dụng có giá trị cao mới xứng đáng với chi phí bổ sung như vậy.
Năm 2026: chi phí giảm mạnh, đối với bất kỳ API nào tính phí trên 0.01 đô la cho mỗi lần gọi, việc xác minh sẽ trở thành quy trình tiêu chuẩn, nhà cung cấp mô hình sẽ cạnh tranh dựa trên khả năng xác minh, "suy luận chưa được xác minh" sẽ trở thành dịch vụ cấp độ đầu vào.
Điều này cho phép thực hiện: thực thi thỏa thuận mức độ dịch vụ (SLA) bằng mật mã, cung cấp chứng minh khối lượng công việc cho dịch vụ trí tuệ nhân tạo, và hệ thống uy tín dựa trên lịch sử tính toán đã được xác minh.
Ký ức AI có thể xác minh: tạo ra giá trị chia sẻ
Năm 2025: chúng ta đã sử dụng ZKML vào năm 2025 để chứng minh các khía cạnh liên quan đến nhúng và phân loại trong cơ sở dữ liệu vector, trường hợp sử dụng này sẽ đạt được quy mô lớn vào năm 2026.
Năm 2026: AI chia sẻ bộ nhớ không cần lòng tin chính thức ra mắt, trợ lý AI của bạn không còn có một bộ nhớ duy nhất - nó sẽ phối hợp nhiều bộ nhớ đã được xác minh, bao gồm bộ nhớ cá nhân, bộ nhớ công ty và kiến thức chuyên môn.
Cuối cùng
Lập kế hoạch từng bước, và thỉnh thoảng thực hiện những bước nhảy cách mạng - hãy đăng ký để biết về những bước nhảy này!
Bữa tiệc zkML đã bắt đầu - chúng ta đã chứng minh rằng việc sử dụng chứng minh không biết (ZKP) để xác minh máy học là khả thi, bây giờ, chúng ta đang bước vào giai đoạn có phần nhàm chán: các kỹ sư và nhà nghiên cứu đang nỗ lực để làm cho nó nhanh hơn, rẻ hơn và đáng tin cậy hơn.
Tại một sự kiện, tôi nghe một nhà đầu tư mạo hiểm tiền điện tử nói rằng "Năm nay ZK thật nhàm chán"!
Sự nhàm chán là điều tốt, nhàm chán có nghĩa là nó đang trở nên thực tế.
Tác giả: Wyatt Benno (Người sáng lập Kinic)
Dịch: Catherine
Nội dung IC mà bạn quan tâm
Tiến bộ công nghệ | Thông tin dự án | Các sự kiện toàn cầu
Theo dõi bộ sưu tập IC Binance
Nắm bắt thông tin mới nhất
