Skip to main content

Was ist zkML

Hinweis: Dieses Dokument ist eine automatische Übersetzung des englischen Originals.

Was ist zkML

zkML (Zero-Knowledge Machine Learning) ist eine Technik, die Zero-Knowledge-Beweise nutzt, um zu verifizieren, dass ein Machine-Learning-Modell seine Inferenz korrekt ausgeführt hat — ohne die Modellgewichte, die Eingabedaten oder beides preiszugeben. Sie liefert eine kryptografische Garantie: „dieser Output wurde von diesem Modell auf diesem Input erzeugt“, und jeder kann den Beweis verifizieren, ohne die privaten Informationen zu sehen.

Kurz gesagt: zkML ermöglicht es dir zu beweisen, dass ein KI-Modell korrekt lief, ohne das Modell oder die Daten offenzulegen. Es ist einer der Ansätze für verifizierbare KI, der eine mathematische (trustless) Garantie korrekter Inferenz bietet, und einer der technisch anspruchsvollsten.

Analogie für Einsteiger

Stell dir eine versiegelte Prüfung vor. Ein Student betritt einen Raum, legt einen Test ab und übergibt das versiegelte Antwortblatt einem Aufsichtsführenden. Der Aufsichtsführende kann durch ein manipulationssicheres Siegel verifizieren, dass der Student jede Frage mit dem zugelassenen Lehrbuch beantwortet und alle Prüfungsregeln befolgt hat — ohne jemals die Notizen, Lernmaterialien oder den Gedankengang des Studenten zu sehen. Der Aufsichtsführende weiß, dass das Ergebnis legitim ist, erfährt aber nichts darüber, wie der Student sich vorbereitet hat. zkML funktioniert genauso: Es beweist, dass die KI „den Test korrekt abgelegt hat“, ohne das Modell (die Lernmaterialien) oder die Eingabedaten (die Notizen des Studenten) preiszugeben.

Das Problem, das es löst

In dezentraler KI ist Vertrauen ein Kernthema. Wenn Inferenz auf einem entfernten Node läuft, wie weiß der Anforderer, dass tatsächlich das korrekte Modell verwendet wurde? Der Anbieter könnte ein günstigeres Modell ausführen, ein zwischengespeichertes Ergebnis zurückgeben oder Rechenschritte ganz überspringen. In zentralisierter KI vertrauen Nutzer dem Anbieter aufgrund seiner Reputation. In dezentralen Systemen reicht Reputation allein nicht aus — kryptografische Verifizierung füllt diese Lücke.

Dieses Problem wird besonders wichtig, wenn KI-Outputs folgenreiche Entscheidungen antreiben. Wenn ein On-Chain-Protokoll sich auf den Output eines Modells verlässt, um eine Smart-Contract-Aktion auszulösen — etwa das Anpassen eines Risikoparameters oder das Genehmigen einer Transaktion — muss es eine Möglichkeit geben, zu garantieren, dass der Output authentisch ist. Ohne Verifizierung ist das System nur so vertrauenswürdig wie sein unehrlichster Node.

Wie es funktioniert (vereinfacht)

Eine zkML-Pipeline folgt diesen allgemeinen Schritten:

  1. Modellkonvertierung. Das ML-Modell (typischerweise ein neuronales Netz) wird in eine arithmetische Schaltung umgewandelt — eine mathematische Repräsentation, mit der ZK-Beweissysteme arbeiten können. Dieser Schritt übersetzt Operationen wie Matrixmultiplikationen, Aktivierungsfunktionen und Normalisierungsschichten in Schaltungsbeschränkungen.
  2. Modellausführung. Der Anbieter führt das ML-Modell auf den Eingabedaten aus und erzeugt einen Output (z. B. eine Klassifikation, einen generierten Text, eine Vorhersage).
  3. Beweiserzeugung. Zusammen mit dem Output generiert der Anbieter einen Zero-Knowledge-Beweis — ein kompaktes mathematisches Objekt, das die Behauptung „dieser Output wurde durch das Ausführen dieses spezifischen Modells auf diesem spezifischen Input erzeugt“ kodiert. Dies ist der rechnerisch teure Schritt: Der Prover muss nachweisen, dass jede Operation in der Schaltung korrekt ausgeführt wurde.
  4. Beweisverifizierung. Jeder (der Anforderer, ein Smart Contract, ein Dritter) kann den Beweis verifizieren. Die Verifizierung ist schnell und günstig im Vergleich zum erneuten Ausführen des Modells. Wenn der Beweis gültig ist, ist der Output garantiert korrekt.

Die Schlüsseleigenschaft: Der Verifizierer erfährt über die Modellgewichte oder die Eingabedaten nichts hinaus, was der Beweis offenlegt. Privatsphäre und Verifizierbarkeit koexistieren.

Was die Beweiserzeugung teuer macht

Die Kosten entstehen durch das Übersetzen von ML-Operationen in ZK-Schaltungen. Jede Multiplikation oder Addition in einem neuronalen Netz wird zu einer Beschränkung, und der Prover muss einen kryptografischen Zeugen (Witness) erzeugen, der alle Beschränkungen gleichzeitig erfüllt. Für ein Modell mit Millionen von Parametern bedeutet das Millionen von Beschränkungen. Aktuelle Frameworks verwenden verschiedene Beweissysteme (SNARKs, STARKs und hybride Ansätze) mit unterschiedlichen Kompromissen zwischen Beweisgröße, Verifizierungszeit und Prover-Kosten.

Warum es für DecAIHub wichtig ist

DecAIHub bewertet, ob Krypto-KI-Projekte echte, verifizierbare KI haben. zkML stellt einen Ansatz dar, KI-Behauptungen kryptografisch beweisbar zu machen — ein Projekt, das zkML nutzt, kann beweisen, dass sein Modell tatsächlich lief, statt es nur zu behaupten. Im DecAI Fit-Rahmenwerk trägt zkML-basierte Verifizierung zur Dimension Onchain necessity bei und demonstriert eine sinnvolle Verbindung zwischen der KI-Pipeline und der Blockchain. Projekte, die zkML implementieren, erscheinen in Kategorien wie AI/Inference und AI/Compute.

Aus der DecAIHub-Verifizierungsperspektive weisen zkML-Projekte ein charakteristisches Evidenzprofil auf. Wenn ein Projekt zkML wirklich implementiert, gibt es starke Tier-1-Artefakte zu bewerten: Beweis-Schaltungen, Verifizierungsverträge on-chain, Benchmark-Daten für Beweiszeiten und dokumentierte Pipelines zur Modell-zu-Schaltung-Konvertierung. Das macht zkML-Behauptungen relativ leicht verifizierbar im Vergleich zu vagen „KI“-Behauptungen — entweder der ZK-Beweis funktioniert oder nicht.

Verbindung zu verifizierbarer KI

zkML ist einer von mehreren Ansätzen für verifizierbare Inferenz. Die wichtigsten Alternativen sind:

Ansatz Wie es funktioniert Vertrauensmodell Kompromiss
zkML Kryptografischer Beweis, dass Inferenz korrekt lief Mathematische Garantie (trustless) Höchste Rechenkosten; mathematische (trustless) Garantie
TEE (Trusted Execution Environment) Inferenz läuft in hardware-isolierten Enklaven, die Korrektheit attestieren Vertrauen in den Hardwarehersteller Geringere Kosten; hängt von Annahmen zur Hardwaresicherheit ab
Konsens / Multi-Provider Mehrere unabhängige Anbieter führen dieselbe Inferenz aus; Ergebnisse werden verglichen Vertrauen in eine ehrliche Mehrheit Redundante Berechnung; schwächere Garantie gegen Kollusion
Optimistische Verifizierung Ergebnisse werden als korrekt angenommen, sofern sie nicht innerhalb einer Anfechtungsfrist angefochten werden Vertrauen in ökonomische Anreize Niedrige Kosten; beruht auf aktiver Überwachung und rationalen Akteuren

zkML bietet eine mathematische (trustless) Garantie — Korrektheit wird kryptografisch verifiziert, ohne Vertrauen in Hardware, eine ehrliche Mehrheit oder ökonomische Anreize. Allerdings ist dies mit den höchsten Rechenkosten verbunden. In der Praxis kombinieren viele Projekte Ansätze: Sie nutzen optimistische Verifizierung für Routineoperationen und greifen nur dann auf zkML-Beweise zurück, wenn Ergebnisse angefochten werden.

Aktuelle Einschränkungen

zkML ist eine Technologie im Frühstadium mit erheblichen praktischen Beschränkungen:

  • Rechenkosten. Einen ZK-Beweis für Modellinferenz zu erzeugen ist um Größenordnungen teurer als die Inferenz selbst. Für große Modelle kann die Beweiserzeugung Minuten bis Stunden dauern. Das macht Echtzeitanwendungen für alles jenseits kleiner Modelle unpraktisch.
  • Modellgrößen-Limits. Aktuelle zkML-Frameworks arbeiten mit relativ kleinen Modellen (Tausende bis niedrige Millionen von Parametern). zkML auf einem vollständigen LLM mit Milliarden von Parametern auszuführen ist noch nicht praktikabel. Es wird aktiv an Techniken wie Modellquantisierung, Beweisaggregation und rekursiven Beweisen geforscht, um diese Grenzen weiter nach oben zu verschieben.
  • Framework-Reife. zkML-Tooling (z. B. EZKL, Modulus, Giza, Risc Zero für ML) befindet sich in aktiver Entwicklung. APIs, Dokumentation und Developer Experience entwickeln sich rasant, und Breaking Changes sind häufig.
  • Begrenzte Produktions-Deployments. Wenige Projekte haben zkML in großem Maßstab in Produktion laufen. Die meisten Implementierungen sind Forschungsprototypen oder Demonstrationen an kleinen Modellen.
  • Genauigkeits-Kompromisse. Das Umwandeln von Gleitkomma-ML-Operationen in Festkommaarithmetik (erforderlich für ZK-Schaltungen) kann kleine numerische Differenzen einführen. Diese Differenzen sind für Klassifikationsaufgaben meist vernachlässigbar, können aber für präzisionssensitive Anwendungen von Bedeutung sein.

Diese Einschränkungen definieren die aktuelle Grenze. Die Technologie schreitet rasant voran, und Beschränkungen, die heute existieren, könnten innerhalb weniger Jahre erheblich reduziert werden.

Praktischer Stand von zkML heute

Trotz der Einschränkungen hat zkML die reine Theorie hinter sich gelassen. Der aktuelle Stand umfasst:

  • Beweise für kleine Modelle sind funktional. Modelle mit bis zu niedrigen Millionen von Parametern (Bildklassifikatoren, kleine Sprachmodelle) können bewiesen werden. Die Beweiserzeugung dauert je nach Modellgröße Sekunden bis Minuten.
  • On-Chain-Verifizierung funktioniert. ZK-Verifizierungsverträge, die ML-Inferenzbeweise prüfen, wurden auf Ethereum und anderen Chains deployt.
  • Tooling verbessert sich. Frameworks wie EZKL ermöglichen es Entwicklern, ONNX-Modelle mit relativ wenigen Codezeilen in ZK-Schaltungen umzuwandeln.
  • Hybride Ansätze entstehen. Manche Projekte beweisen nur die kritischsten Inferenzschritte oder generieren Beweise asynchron zur späteren Verifizierung.

Was zkML nicht beweist

  • Selbst mit einem gültigen ZK-Beweis könnte das zugrunde liegende Modell schlecht, voreingenommen oder irrelevant sein. zkML beweist, dass das Modell korrekt lief — es beweist nicht, dass das Modell gut ist.
  • zkML beweist Berechnungsintegrität, nicht Datenqualität. Wenn die Eingabedaten Müll sind, ist der Output verifizierter Müll.
  • zkML beweist nicht, dass ein Token notwendig ist. Ein Projekt kann zkML implementieren, ohne dass eine Blockchain oder ein Token erforderlich ist, damit die Verifizierung funktioniert.
  • zkML beweist nicht Dezentralisierung. Ein einzelner zentralisierter Anbieter kann ZK-Beweise für seine eigene Inferenz erzeugen. Die Dezentralisierung kommt aus der Systemarchitektur, nicht aus zkML selbst.
  • zkML beweist nicht, dass das Modell das behauptete ist, es sei denn, die Modell-Festlegung (ein Hash der Gewichte) ist an eine vertrauenswürdige Referenz verankert. Ohne diese Bindung könnte der Prover ein beliebiges Modell verwenden.

Nicht verwechseln mit

  • Inferenz — der Prozess, ein Modell auszuführen. zkML fügt der Inferenz eine Verifizierungsebene hinzu; es ersetzt sie nicht.
  • ZK (Zero-Knowledge-Beweise) im Allgemeinen — ZK wird in Krypto für Privatsphäre, Skalierung und Identität verwendet. zkML ist die spezifische Anwendung von ZK auf ML-Inferenz.
  • Inferenz als AI component — beschreibt, wie Inferenz in DecAIHub-Projektkarten erscheint. zkML ist ein Mechanismus, der Inferenz verifizierbar macht.
  • Modellverschlüsselung — das Verschlüsseln eines Modells schützt es davor, gelesen zu werden, beweist aber nicht, dass es korrekt lief. zkML liefert einen Beweis korrekter Ausführung, was eine grundlegend andere Garantie ist.
  • Federated Learning — eine Technik zum Trainieren von Modellen über verteilte Datenquellen hinweg, ohne Rohdaten zu teilen. Sie löst ein anderes Problem (Privatsphäre während des Trainings, nicht Verifizierung während der Inferenz).

Häufig gestellte Fragen

Wie funktioniert zkML?

zkML wandelt ein Machine-Learning-Modell in eine mathematische Schaltung um, führt das Modell aus, um einen Output zu erzeugen, und generiert einen kryptografischen Beweis, dass die Schaltung korrekt ausgeführt wurde. Der Beweis ist kompakt und kann von jedem — einschließlich eines Smart Contracts — schnell verifiziert werden, ohne das Modell erneut auszuführen oder die Modellgewichte oder Eingabedaten zu sehen. Die technische Herausforderung besteht darin, dass jede ML-Operation als Schaltungsbeschränkung dargestellt werden muss, was die Beweiserzeugung für größere Modelle rechnerisch teuer macht.

Ist zkML heute praktikabel?

Für kleine bis mittlere Modelle (bis zu niedrigen Millionen von Parametern) ja — die Beweiserzeugung funktioniert und die On-Chain-Verifizierung ist funktional. Für große Modelle wie moderne LLMs mit Milliarden von Parametern ist zkML aufgrund der enormen Rechenkosten der Beweiserzeugung noch nicht praktikabel. Die Technologie schreitet rasant voran: Frameworks verbessern sich, Beweissysteme werden effizienter, und hybride Ansätze (nur kritische Schritte zu beweisen) erweitern den praktischen Bereich. Für DecAIHub-Bewertungszwecke hat ein Projekt, das zkML auf einem kleinen Modell implementiert, eine verifizierbare AI component, selbst wenn derselbe Ansatz noch nicht auf die größten Modelle skalieren kann.

Warum würde ein Krypto-Projekt zkML nutzen?

Die primäre Motivation ist trustless Verifizierung. In einem dezentralen System sollte keiner einzelnen Partei blind vertraut werden. Wenn der Output eines KI-Modells On-Chain-Aktionen auslöst (Risiko-Scoring, Transaktionsgenehmigung, Belohnungsverteilung), benötigen die Nutzer und das Protokoll eine Garantie, dass das Modell tatsächlich wie behauptet lief. zkML liefert diese Garantie, ohne Vertrauen in den Compute-Anbieter zu erfordern. Sekundäre Motivationen umfassen Privatsphäre (zu beweisen, dass ein Modell lief, ohne proprietäre Gewichte offenzulegen) und Komponierbarkeit (andere Smart Contracts können KI-Outputs on-chain verifizieren und darauf aufbauen). Im DecAI-Fit-Rahmenwerk stärkt zkML-basierte Verifizierung sowohl die AI-reality- als auch die Onchain-necessity-Dimension.

Ist zkML der einzige Weg, KI in Krypto zu verifizieren?

Nein. Alternativen umfassen TEEs (Vertrauen in Hardware), konsensbasierte Verifizierung (Vertrauen in eine ehrliche Mehrheit) und optimistische Verifizierung (Vertrauen in ökonomische Anreize). Jede hat unterschiedliche Vertrauensannahmen, Kosten und Grenzen. Viele Projekte kombinieren Ansätze. DecAIHub erfasst den Verifizierungsmechanismus in der Projektkarte, damit Leser das Vertrauensmodell selbst beurteilen können.

Externe Referenzen

Siehe auch

No comments to display

Back to top