ما هو zkML

ملاحظة: هذا المستند هو ترجمة آلية للنسخة الإنجليزية الأصلية.

ما هو zkML

zkML (Zero-Knowledge Machine Learning) تقنية تستخدم إثباتات المعرفة الصفرية للتحقّق من أن نموذج تعلّم آلة أجرى استدلاله (inference) بشكل صحيح — دون كشف أوزان النموذج، أو بيانات المدخل، أو كليهما. توفّر ضمانًا تشفيريًا: "هذا المُخرَج أنتجه هذا النموذج على هذا المدخل"، ويمكن لأي شخص التحقّق من الإثبات دون رؤية المعلومات الخاصّة.

باختصار: يتيح zkML إثبات أن نموذج ذكاء اصطناعي عمل بشكل صحيح دون كشف النموذج أو البيانات. إنه أحد نهج الذكاء الاصطناعي القابل للتحقّق الذي يوفّر ضمانًا رياضيًا (دون ثقة) للاستدلال الصحيح، وأحدها الأكثر تحدّيًا تقنيًا.

تشبيه للمبتدئين

تخيّل امتحانًا مختومًا. يدخل طالب غرفةً، ويؤدّي اختبارًا، ويسلّم ورقة الإجابة المختومة لمراقب. يمكن للمراقب أن يتحقّق، عبر ختم مقاوم للعبث، من أن الطالب أجاب عن كل سؤال باستخدام الكتاب المدرسي المُعتمَد واتّبع كل قواعد الامتحان — دون أن يرى قط ملاحظات الطالب، أو مواد دراسته، أو عملية تفكيره. يعرف المراقب أن النتيجة مشروعة، لكنه لا يتعلّم شيئًا عن كيفية استعداد الطالب. يعمل zkML بالطريقة نفسها: يثبت أن الذكاء الاصطناعي "أدّى الاختبار بشكل صحيح" دون كشف النموذج (مواد الدراسة) أو بيانات المدخل (ملاحظات الطالب).

المشكلة التي يحلّها

في الذكاء الاصطناعي اللامركزي، الثقة مسألة جوهرية. عندما يعمل الاستدلال على عقدة بعيدة، كيف يعرف الطالب أن النموذج الصحيح استُخدِم فعلًا؟ يمكن للمزوّد أن يشغّل نموذجًا أرخص، أو يعيد نتيجةً مُخزَّنة، أو يتخطّى خطوات حوسبة كليًا. في الذكاء الاصطناعي المركزي، يثق المستخدمون بالمزوّد بالسمعة. في الأنظمة اللامركزية، لا تكفي السمعة وحدها — يملأ التحقّق التشفيري هذه الفجوة.

تصبح هذه المشكلة مهمّة بشكل خاص عندما تقود مُخرَجات الذكاء الاصطناعي قرارات عالية المخاطر. إذا اعتمد بروتوكول على السلسلة على مُخرَج نموذج لإطلاق إجراء عقد ذكي — كتعديل معامل مخاطرة أو الموافقة على معاملة — فلا بدّ من وجود طريقة لضمان أن المُخرَج أصيل. دون تحقّق، يكون النظام جديرًا بالثقة بقدر أقلّ عقده أمانة.

كيف يعمل (مبسَّط)

يتبع خط أنابيب zkML هذه الخطوات العامة:

1. تحويل النموذج. يُحوَّل نموذج تعلّم الآلة (عادةً شبكة عصبية) إلى دائرة حسابية — تمثيل رياضي يمكن لأنظمة إثبات ZK العمل به. تترجم هذه الخطوة عمليات مثل ضرب المصفوفات، ودوال التنشيط، وطبقات التطبيع إلى قيود دائرة.
2. تنفيذ النموذج. يشغّل المزوّد نموذج تعلّم الآلة على بيانات المدخل وينتج مُخرَجًا (مثل تصنيف، أو نصّ مُولَّد، أو تنبّؤ).
3. توليد الإثبات. إلى جانب المُخرَج، يولّد المزوّد إثبات معرفة صفرية — كائنًا رياضيًا مدمجًا يرمّز الادعاء "هذا المُخرَج أُنتِج بتشغيل هذا النموذج المحدّد على هذا المدخل المحدّد". هذه هي الخطوة المكلفة حوسبيًا: يجب على المُثبِت أن يبرهن أن كل عملية في الدائرة نُفِّذت بشكل صحيح.
4. التحقّق من الإثبات. يمكن لأي شخص (الطالب، أو عقد ذكي، أو طرف ثالث) التحقّق من الإثبات. التحقّق سريع ورخيص مقارنةً بإعادة تشغيل النموذج. إذا كان الإثبات صالحًا، فإن المُخرَج مضمون الصحّة.

الخاصّية الأساسية: لا يتعلّم المُتحقِّق شيئًا عن أوزان النموذج أو بيانات المدخل بما يتجاوز ما يكشفه الإثبات. تتعايش الخصوصية والقابلية للتحقّق.

ما الذي يجعل توليد الإثبات مكلفًا

تأتي الكلفة من ترجمة عمليات تعلّم الآلة إلى دوائر ZK. يصبح كل ضرب أو جمع في شبكة عصبية قيدًا، ويجب على المُثبِت توليد شاهد تشفيري يحقّق كل القيود في آنٍ واحد. بالنسبة لنموذج بملايين المعاملات، يعني هذا ملايين القيود. تستخدم الأطر الحالية أنظمة إثبات مختلفة (SNARKs، وSTARKs، ونهج هجينة) بمقايضات متفاوتة بين حجم الإثبات، ووقت التحقّق، وكلفة المُثبِت.

لماذا يهمّ لـ DecAIHub

يقيّم DecAIHub ما إذا كانت مشاريع الذكاء الاصطناعي للعملات المشفرة تمتلك ذكاءً اصطناعيًا حقيقيًا وقابلًا للتحقّق. يمثّل zkML أحد نهج جعل ادعاءات الذكاء الاصطناعي قابلةً للإثبات تشفيريًا — مشروع يستخدم zkML يمكنه إثبات أن نموذجه عمل فعلًا، لا مجرّد ادّعاء ذلك. في إطار عمل DecAI Fit، يساهم التحقّق القائم على zkML في بُعد Onchain necessity، مُبرهنًا على صلة ذات معنى بين خط أنابيب الذكاء الاصطناعي والبلوك تشين. تظهر المشاريع التي تطبّق zkML عبر فئات مثل الذكاء الاصطناعي/الاستدلال والذكاء الاصطناعي/الحوسبة.

من منظور التحقّق في DecAIHub، تقدّم مشاريع zkML ملفًّا تعريفيًّا مميَّزًا للأدلّة. عندما يطبّق مشروع zkML بصدق، توجد أدلّة Tier-1 قوية للتقييم: دوائر الإثبات، وعقود التحقّق على السلسلة، وبيانات معايير قياس لأوقات الإثبات، وخطوط أنابيب موثَّقة لتحويل النموذج إلى دائرة. يجعل هذا ادعاءات zkML سهلة التحقّق نسبيًا مقارنةً بادعاءات "الذكاء الاصطناعي" الغامضة — فإمّا أن يعمل إثبات ZK أو لا.

الصلة بالذكاء الاصطناعي القابل للتحقّق

zkML أحد عدّة نهج للاستدلال القابل للتحقّق. البدائل الرئيسية هي:

النهج	كيف يعمل	نموذج الثقة	المقايضة
zkML	إثبات تشفيري على أن الاستدلال عمل بشكل صحيح	ضمان رياضي (دون ثقة)	أعلى كلفة حوسبية؛ ضمان رياضي (دون ثقة)
TEE (بيئة تنفيذ موثوقة)	يعمل الاستدلال في حاويات معزولة عتاديًا تشهد بالصحّة	الثقة بمصنّع العتاد	كلفة أقل؛ يعتمد على افتراضات أمان العتاد
الإجماع / متعدّد المزوّدين	يشغّل عدّة مزوّدين مستقلّين الاستدلال نفسه؛ وتُقارَن النتائج	الثقة بأغلبية أمينة	حوسبة زائدة؛ ضمان أضعف ضدّ التواطؤ
التحقّق التفاؤلي	تُفترَض النتائج صحيحةً ما لم تُتحدَّ خلال فترة نزاع	الثقة بالحوافز الاقتصادية	كلفة منخفضة؛ يعتمد على المراقبة النشطة والفاعلين العقلانيين

يقدّم zkML ضمانًا رياضيًا (دون ثقة) — تُتحقَّق الصحّة تشفيريًا، دون ثقة بالعتاد، أو بأغلبية أمينة، أو بحوافز اقتصادية. لكنه يأتي بأعلى كلفة حوسبية. عمليًا، تجمع كثير من المشاريع بين النهج: تستخدم التحقّق التفاؤلي للعمليات الروتينية وتلجأ إلى إثباتات zkML فقط عندما تُتحدَّى النتائج.

القيود الحالية

zkML تقنية في مرحلة مبكّرة بقيود عملية كبيرة:

• الكلفة الحوسبية. توليد إثبات ZK لاستدلال النموذج أكثر كلفةً بأوامر مقدارية من الاستدلال نفسه. بالنسبة للنماذج الكبيرة، يمكن أن يستغرق توليد الإثبات دقائق إلى ساعات. يجعل هذا التطبيقات الآنية غير عملية لأي شيء يتجاوز النماذج الصغيرة.
• حدود حجم النموذج. تعمل أطر zkML الحالية مع نماذج صغيرة نسبيًا (آلاف إلى ملايين قليلة من المعاملات). تشغيل zkML على نموذج لغوي كبير (LLM) كامل بمليارات المعاملات ليس عمليًا بعد. البحث نشط في تقنيات مثل تكميم النموذج، وتجميع الإثباتات، والإثباتات التكرارية لدفع هذه الحدود أعلى.
• نضج الأطر. أدوات zkML (مثل EZKL، وModulus، وGiza، وRisc Zero لتعلّم الآلة) قيد التطوير النشط. واجهات API، والوثائق، وتجربة المطوّر تتطوّر بسرعة، والتغييرات الجذرية شائعة.
• عمليات نشر إنتاجية محدودة. قلّة من المشاريع لديها zkML يعمل في الإنتاج على نطاق واسع. معظم التطبيقات نماذج بحثية أوّلية أو عروض توضيحية على نماذج صغيرة.
• مقايضات الدقّة. تحويل عمليات تعلّم الآلة ذات الفاصلة العائمة إلى حساب ذي فاصلة ثابتة (مطلوب لدوائر ZK) يمكن أن يُدخِل اختلافات رقمية صغيرة. هذه الاختلافات عادةً ما تكون مُهمَلة لمهام التصنيف لكنها قد تهمّ للتطبيقات الحسّاسة للدقّة.

تحدّد هذه القيود الحدّ الأمامي الحالي. تتقدّم التقنية بسرعة، وقد تُقلَّص القيود الموجودة اليوم بشكل كبير خلال بضع سنوات.

الحالة العملية لـ zkML اليوم

رغم القيود، تجاوز zkML النظرية الصرفة. تشمل الحالة الحالية:

• إثباتات النماذج الصغيرة عاملة. يمكن إثبات نماذج بمعاملات تصل إلى ملايين قليلة (مُصنِّفات صور، نماذج لغوية صغيرة). يستغرق توليد الإثبات ثوانيَ إلى دقائق حسب حجم النموذج.
• التحقّق على السلسلة يعمل. نُشِرت عقود مُتحقِّق ZK تفحص إثباتات استدلال تعلّم الآلة على Ethereum وسلاسل أخرى.
• الأدوات تتحسّن. تتيح أطر مثل EZKL للمطوّرين تحويل نماذج ONNX إلى دوائر ZK بأسطر كود قليلة نسبيًا.
• النهج الهجينة تظهر. تثبت بعض المشاريع خطوات الاستدلال الأكثر حرجًا فقط، أو تولّد إثباتات بشكل غير متزامن للتحقّق لاحقًا.

ما لا يثبته zkML

• حتى مع إثبات ZK صالح، قد يكون النموذج الأساسي سيّئًا أو متحيّزًا أو غير ذي صلة. يثبت zkML أن النموذج عمل بشكل صحيح — لا أن النموذج جيّد.
• يثبت zkML نزاهة الحوسبة، لا جودة البيانات. إذا كانت بيانات المدخل قمامة، فإن المُخرَج قمامة مُتحقَّق منها.
• zkML لا يثبت أن الرمز ضروري. يمكن لمشروع أن يطبّق zkML دون الحاجة إلى بلوك تشين أو رمز لكي يعمل التحقّق.
• zkML لا يثبت اللامركزية. يمكن لمزوّد مركزي واحد أن يولّد إثباتات ZK لاستدلاله الخاص. تأتي اللامركزية من معمارية النظام، لا من zkML نفسه.
• zkML لا يثبت أن النموذج هو النموذج المزعوم ما لم يكن التزام النموذج (تجزئة hash للأوزان) مُثبَّتًا في مرجع موثوق. دون هذا الربط، يمكن للمُثبِت استخدام أي نموذج.

لا تخلط بين

• الاستدلال — عملية تشغيل نموذج. يضيف zkML طبقة تحقّق فوق الاستدلال؛ ولا يحلّ محلّه.
• ZK (إثباتات المعرفة الصفرية) عمومًا — تُستخدَم ZK عبر العملات المشفرة للخصوصية، والتوسيع، والهوية. zkML هو التطبيق المحدّد لـ ZK على استدلال تعلّم الآلة.
• الاستدلال كمكوّن للذكاء الاصطناعي — يصف كيف يظهر الاستدلال في بطاقات مشاريع DecAIHub. zkML آلية واحدة تجعل الاستدلال قابلًا للتحقّق.
• تشفير النموذج — تشفير نموذج يحميه من القراءة، لكنه لا يثبت أنه عمل بشكل صحيح. يوفّر zkML إثباتًا على التنفيذ الصحيح، وهو ضمان مختلف جوهريًا.
• التعلّم الموحَّد (Federated learning) — تقنية لتدريب نماذج عبر مصادر بيانات موزّعة دون مشاركة البيانات الخام. يحلّ مشكلةً مختلفة (الخصوصية أثناء التدريب، لا التحقّق أثناء الاستدلال).

الأسئلة الشائعة

كيف يعمل zkML؟

يحوّل zkML نموذج تعلّم آلة إلى دائرة رياضية، ويشغّل النموذج لإنتاج مُخرَج، ويولّد إثباتًا تشفيريًا على أن الدائرة نُفِّذت بشكل صحيح. الإثبات مدمج ويمكن لأي شخص التحقّق منه بسرعة — بما في ذلك عقد ذكي — دون إعادة تشغيل النموذج أو رؤية أوزان النموذج أو بيانات المدخل. التحدّي التقني هو أن كل عملية تعلّم آلة يجب تمثيلها بوصفها قيد دائرة، ما يجعل توليد الإثبات مكلفًا حوسبيًا للنماذج الأكبر.

هل zkML عملي اليوم؟

بالنسبة للنماذج الصغيرة إلى المتوسّطة (حتى ملايين قليلة من المعاملات)، نعم — توليد الإثبات يعمل والتحقّق على السلسلة عامل. بالنسبة للنماذج الكبيرة مثل نماذج LLM الحديثة بمليارات المعاملات، zkML ليس عمليًا بعد بسبب الكلفة الحوسبية الهائلة لتوليد الإثبات. تتقدّم التقنية بسرعة: الأطر تتحسّن، وأنظمة الإثبات تصبح أكثر كفاءة، والنهج الهجينة (إثبات الخطوات الحرجة فقط) توسّع النطاق العملي. لأغراض تقييم DecAIHub، مشروع يطبّق zkML على نموذج صغير لديه مكوّن ذكاء اصطناعي قابل للتحقّق، حتى لو لم يستطع النهج نفسه التوسّع بعد إلى أكبر النماذج.

لماذا قد يستخدم مشروع عملات مشفرة zkML؟

الدافع الأساسي هو التحقّق دون ثقة. في نظام لامركزي، لا ينبغي الوثوق بطرف واحد عمياء. إذا أطلق مُخرَج نموذج ذكاء اصطناعي إجراءات على السلسلة (تسجيل مخاطر، الموافقة على معاملة، توزيع مكافآت)، فإن المستخدمين والبروتوكول بحاجة إلى ضمان أن النموذج عمل فعلًا كما زُعِم. يوفّر zkML هذا الضمان دون اشتراط الثقة بمزوّد الحوسبة. تشمل الدوافع الثانوية الخصوصية (إثبات أن نموذجًا عمل دون كشف الأوزان المملوكة) والقابلية للتركيب (يمكن لعقود ذكية أخرى التحقّق من مُخرَجات الذكاء الاصطناعي على السلسلة والبناء عليها). في إطار عمل DecAI Fit، يعزّز التحقّق القائم على zkML بُعدَي AI reality وOnchain necessity معًا.

هل zkML الطريقة الوحيدة للتحقّق من الذكاء الاصطناعي في العملات المشفرة؟

لا. تشمل البدائل بيئات التنفيذ الموثوقة TEE (الثقة بالعتاد)، والتحقّق القائم على الإجماع (الثقة بأغلبية أمينة)، والتحقّق التفاؤلي (الثقة بالحوافز الاقتصادية). لكلٍّ افتراضات ثقة وكلفة وحدود مختلفة. تجمع كثير من المشاريع بين النهج. يسجّل DecAIHub آلية التحقّق في بطاقة المشروع ليتمكّن القرّاء من تقييم نموذج الثقة بأنفسهم.

مراجع خارجية

• إثباتات المعرفة الصفرية — Ethereum.org — شرح تأسيسي لمفاهيم إثبات المعرفة الصفرية وتطبيقاتها في البلوك تشين.
• مقدّمة إلى zkML — مدوّنة هندسة Worldcoin — نظرة تقنية عامة على كيفية تطبيق إثباتات المعرفة الصفرية على استدلال تعلّم الآلة.
• وثائق EZKL — وثائق أحد الأطر الرائدة مفتوحة المصدر لتحويل نماذج تعلّم الآلة إلى دوائر ZK.

انظر أيضًا

• ما هو الاستدلال (inference)
• الاستدلال كمكوّن للذكاء الاصطناعي
• فئة الذكاء الاصطناعي/الاستدلال
• ما هو LLM
• كيف تعرف إن كان المشروع يمتلك ذكاءً اصطناعيًا فعلًا
• Tier-1 وTier-2 وTier-3 من الأدلّة
• AI-washing وonchain-washing وtoken-washing
• ما هو DecAI Fit