一览零知识机器学习ZKML的优势和挑战

区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数据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，指的是一种证明或交互过程，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信息。ML（机器学习，Machine Learning，下文简称 ML），是 AI 的分支领域。机器学习从输入数据中学习、总结形成模型并能做出预测和决策。

在这一背景下，结合两者的 ZKML（Zero-Knowledge Machine Learning 零知识机器学习）在近期蓬勃发展。ZKML 将零知识证明的隐私保护和验证能力与机器学习的数据处理和决策能力相结合，为区块链应用带来了全新的机遇和可能性。ZKML 为我们提供了一种同时保护数据隐私、验证模型准确性和提升算力效率的解决方案。

本文将深入介绍 ZKML，了解其技术原理和应用场景，与开发者们一起探索这个令人兴奋的交叉领域，揭秘 ZKML 如何构建隐私性更加完备、更具安全性和高效性的数字化未来！

零知识证明与机器学习能在区块链上结合的原因有二：

一方面，ZK 的零知识技术不仅希望能实现链上交易的高效验证，ZK 的开发者也更希望 ZK 能用在更广阔的生态领域中，ML 的强大 AI 支持，成为 ZK 应用生态扩展的极佳助力者。

金色晨讯 | 7月13日隔夜重要动态一览:21:00-7:00关键词：NFT、新西兰、以太坊、富达

1.美洲杯奖杯将被铸造为NFT；

2.Gemini联合创始人竞得美国职业棒球大联盟首个官方授权的NFT；

3.Coinbase Pro对英国用户开放Ren交易；

4.新西兰议会委员会计划对加密货币进行调查；

5.中关村科学城党工委委员：将加快建设区块链等重大创新平台及基础设施；

6.四项虚拟资产相关法案今日将在韩国国会上提出；

7.以太坊DeFi用户数量超过300万；

8.印度或在季风会议期间提交《2021年加密货币和官方数字货币法规》；

9.富达数字资产计划将服务扩展至以太坊。[2021/7/13 0:46:42]

另一方面，ML 模型从开发到使用的全流程都面临着信任证明问题，ZK 能帮助 ML 实现不泄露数据和信息的前提下实现有效性的证明，解决 ML 的信任困境。ZKML 的结合，是两者各取所需、双向奔赴，也将为区块链生态添加动能。

ML 有大量信任问题需要解决，各个工作流程的准确性、完整性、隐私性需要被证明。ZK 刚好能在确保隐私性的前提下有效验证任何类计算是否正确运行，很好地解决了机器学习长期存在的信任证明问题。模型的完整性是 ML 训练过程中的重要信任证明问题，但 ML 模型训练和使用的数据和信息的隐私保护同样重要。这使 ML 的训练难以通过第三方审计监管机构完成信任证明，去中心化的零知识属性的 ZK 是与 ML 具有极高匹配性的信任证明路径。

金色晚报 | 6月26日晚间重要动态一览:12:00-21:00关键词：摩根大通、以太坊2.0、特斯拉、BlockFi

1. BlockFi下调利息账户 (BIA) 的BTC等的利率，将于7月1日生效

2. 特斯拉Q2前瞻：比特币暴跌或影响净利润

3. 摩根大通调查：三成受访机构投资者认为比特币是“老鼠药”

4. 资产管理公司从CME比特币期货空头转为多头

5. 以太坊2.0合约已锁定590万枚ETH，占总流通量5.08%，达历史新高

6. Morgan Creek Digital完成第三只规模为8000万美元的加密投资基金募集

7. 人民银行数字货币研究所联合发起的上海金融科技有限公司揭牌[2021/6/26 0:08:28]

“AI 提升生产力，区块链优化生产关系”，ML 为 ZK 赛道注入更高的创新动能和服务质量、ZK 为 ML 提供可验证性与隐私保护，ZKML 双方在区块链环境中互补运行。

ZKML 的主要技术优势实现了计算完整性、隐私保护性与启发式优化结合。从隐私角度上来看，ZKML 的优势在于：

实现透明验证

零知识证明（ZK）可以在不暴露模型内部细节的情况下评估模型性能，实现透明和无需信任的评估过程。

金色晚报 | 3月29日晚间重要动态一览:12:00-21:00关键词：Square、MOGO控股公司、FSCA、KILT Protocol

1. Square首席财务官：比特币投资占公司现金的5%

2. 4000枚BTC在未知地址间转移 价值约2.3亿美元

3. MOGO控股公司推出比特币返现抵押贷款

4. 乌克兰财政部长：加密货币有可能成为全球结算货币

5. 南非金融监管机构FSCA针对加密发出第二次警告

6. KILT Protocol赢得Rococo上第三个平行链插槽[2021/3/29 19:27:20]

数据隐私保障

ZK 可用于使用公共模型验证公共数据或使用私有模型验证私有数据，以此保证数据的隐私性和敏感性。

ZK 本身通过密码学协议，在保证隐私性的前提下确保了某个声明的正确性，很好的解决了计算正确性证明机器学习在隐私保护上、同态加密机器学习在隐私保护上的缺陷。将 ZK 融入 ML 过程中，创建了一个安全且保护隐私的平台，解决了传统机器学习的不足。这不仅鼓励隐私公司采用机器学习技术，Web2 开发人员也更有动力来探索 Web3 的技术潜力。

ML 上链的算力桎梏与 ZK-SNARKs

金色午报 | 1月5日午间重要动态一览:7:00-12:00关键词：法定数字货币、外汇管理局、漳州市长、BEAM

1.央行：2020年继续稳步推进法定数字货币研发。

2.国家外汇管理局：推进跨境金融区块链服务平台建设。

3.漳州市长刘远：漳州市将鼓励区块链技术应用落地。

4.爱尔兰研究人员提出利用区块链改善可再生能源交易的框架。

5.比特币安全专家：一旦再次发生金融危机，加密市场将率先崩溃。

6.加密货币 BEAM 首次产量减半已经完成。

7.加密货币总市值逼近2000亿美元关口。

8.比特币小幅上涨，最高涨至7479.79美元。[2020/1/5]

在链下已经较为成熟的 ML 之所以刚刚进军链上，是因为区块链的算力成本过高。很多机器学习项目因算力限制无法直接在以 EVM 为代表的区块链环境下运行。同时，虽然 ZK 的有效性验证比重复计算效率更高，但这种优势仅限于区块链原生的交易数据处理。当 ZK 本就复杂的密码学运算和交互面临 ML 的大量运算时，区块链的低 TPS 问题便暴露出来，区块链算力低下的问题成为阻碍 ML 上链的最大桎梏。

ZK-SNARKs 的出现缓解了 ML 的高算力需求问题。ZK-SNARKs 是一种零知识证明的密码学构造，其全称为"零知识可扩展非交互式参数论证"（Zero-Knowledge Succinct Non-Interactive Argument of Knowledge）。它是一种基于椭圆曲线密码学和同态加密的技术，用于实现高效的零知识证明。ZK-SNARK 具有高度紧凑性的特点，通过使用 ZK-SNARKs，证明者可以生成一个短而紧凑的证明，而验证者只需进行少量的计算即可验证证明的有效性，无需与证明者多次交互。这种仅需一次有证明者向验证者交互的性质，使 ZK-SNARKs 在实际应用中具有高效性和实用性，更加适配 ML 的链上算力需求。目前，ZK-SNARKs 是 ZKML 中 ZK 的主要形式。

金色午报 | 今日重要动态一览:1.按目前出块速度，以太坊预计在明早8点26分进行伊斯坦布尔升级；

2.微软发布基于区块链技术新工具以支持企业信赖AI；

3.以太坊DEX Uniswap已限制十个国家地区的用户访问其前端网页；

4.?姚前：区块链是目前最重要的研究热点，要对货币有敬畏之心；

5.暗网丝绸之路创始人Ross Ulbricht的赦免请愿书已有超过25万人签名；

6.深圳副市长王立新：区块链在金融、管理等各个领域必将有广泛应用；

7.深圳党组会议：积极拥抱区块链等新兴技术，为经济高质量发展注入新动力；

8.乌克兰批准反法最终版本，将根据FATF指导方针处理虚拟资产；

9.美国SEC要求Telegram前首席投资顾问作证并交出代币出售相关文件；

10.建行宁波市分行年初以来区块链业务交易额达36亿元。[2019/12/7]

ML 的链上基础设施需求与对应项目

ZK 对 ML 的赋能主要体现在 ML 全过程的零知识证明上，是 ML 与链上功能的交互。这种交互所需解决的两大问题是将两者的数据形态对接并为 ZK 证明过程提供算力。

ZK 硬件加速：ML 的 ZK 证明较为复杂，这需要硬件辅助链上算力加速证明计算。这类项目包括：Cysic、Ulvetanna、Ingonyama、Supranational、Accseal。

ML 链上数据处理：将链上数据处理为可进入 ML 训练的数据形式，并帮助 ML 的输出结果更方便从链上访问。这类项目包括：Axiom、Herodotus、LAGRANGE、Hyper Oracle。

ML 计算电路化：ML 计算模式与 ZK 的链上电路化证明有所差异，ML 的上链必须将其计算模式转化为能被区块链 ZK 处理的电路形式。这类项目包括：Modulus Labs、Jason Morton、Giza。

ML 结果的 ZK 证明：ML 的信任证明问题，需要由链上 ZK 解决。基于 ZK-SNARKs 建构在 Risc Zero 或 Nil Foundation 上的应用就可以实现模型真实性证明。这类项目包括：RISC Zero、Axiom、Herodotus、Delphinus Lab、Hyper Oracle、Poseidon ZKP、IronMill。

ZK 解决 ML 的信任证明问题，并为 ML 提供了上链机会。很多 Web3 领域急需 AI ML 的生产力或决策支持，ZKML 使链上应用在保证去中心化与有效性的前提下，实现了 AI 的赋能。

DeFi

ZKML 可以帮助 DeFi 更加自动化，其一是链上协议参数更新的自动化；其二是交易策略的自动化。

Modulus Labs 推出了 RockyBot，其是有史以来第一个完全链上的人工智能交易机器人。

DID

ZKML 可以助力 Web3 去中心化身份 DID 的建设。此前，私钥、助记词等身份管理模式使 Web3 用户体验较差，真正的 DID 建设可以通过 ZKML 进行 Web3 主体生物信息的识别完成，同时，ZKML 能保证用户生物信息隐私的安全性。

Worldcoin 正在应用 ZKML 实现基于虹膜扫描的零知识 DID 验证。

游戏

ZKML 可以帮助 Web3 游戏实现全功能上链。ML 可以为游戏交互带来差异性的自动化，增加游戏的趣味性；而 ZK 可以使 ML 的交互决策上链。

Modulus Labs 推出了 ZKML 驱动的国际象棋游戏 @VsLeela；

AI ARENA 运用 ZKML 实现了链上 NFT 游戏的高交互性。

医疗保健与法律咨询

医疗保健与法律咨询是高隐私性且需要大量案例积累的领域，ZKML 可以帮助用户完成决策且保证用户的隐私不被泄露。

ZKML 目前正在蓬勃发展，但因其非原生于区块链且需要大量算力，ZKML 未来主要面临以下两大挑战：

ML 数据量化上链过程中的参数失真问题：

大多数 ML 采用浮点数表示模型的参数，而 ZK 电路需要使用定点数。在这一数字类型转化过程中，ML 的参数的精度会有所降低，一定程度导致 ML 输出结果的失真。

其大模型 ZK 证明的高算力要求问题：

目前区块链的算力无法应对大规模、高计算量的链上 ZKML，当下流行的 ZK-SNARKs 仅支持小规模、较小计算量的 ML 零知识证明。算力局限是影响 ZKML 区块链应用发展的关键因素。

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数据之间存在高度的关联性，导致这个过程难以分布式进行，其无法“可并行化”。将这个过程进行分布式处理，可能会引入额外的复杂性，甚至会降低整体性能。目前，解决 ZK 计算效率问题，主流的研究方向更多的是在算法优化和硬件加速。

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，如参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件加速等手段得到解决。随着 ZKML 项目的不断涌现和发展，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持。通过结合 ZK 的零知识性和 ML 的数据处理能力，我们一定能够开创更加开放、智能和可信赖的数字世界！

TinTinLand

个人专栏

阅读更多

金色早8点

Odaily星球日报

金色财经

Block unicorn

DAOrayaki

曼昆区块链法律

标签：区块链WEBWEB3NAR区块链害了多少人MetaWeb3Padweb3.0币狗狗币FLUNAR币

莱特币热门资讯