Skip to main content

Qué es zkML

Nota: Este documento es una traducción automática del original en inglés.

Qué es zkML

zkML (Zero-Knowledge Machine Learning) es una técnica que usa pruebas de conocimiento cero para verificar que un modelo de machine learning ejecutó su inferencia correctamente, sin revelar los pesos del modelo, los datos de entrada, o ambos. Proporciona una garantía criptográfica: "esta salida fue producida por este modelo sobre esta entrada", y cualquiera puede verificar la prueba sin ver la información privada.

En resumen: zkML te permite demostrar que un modelo de IA se ejecutó correctamente sin exponer el modelo ni los datos. Es uno de los enfoques de IA verificable que ofrece una garantía matemática (sin necesidad de confianza) de inferencia correcta, y uno de los más desafiantes técnicamente.

Analogía para principiantes

Imagina un examen sellado. Un estudiante entra en una sala, hace una prueba y entrega la hoja de respuestas sellada a un supervisor. El supervisor puede verificar, mediante un sello a prueba de manipulaciones, que el estudiante respondió cada pregunta usando el libro de texto aprobado y siguió todas las reglas del examen, sin ver nunca los apuntes del estudiante, sus materiales de estudio ni su proceso de pensamiento. El supervisor sabe que el resultado es legítimo, pero no aprende nada sobre cómo se preparó el estudiante. zkML funciona del mismo modo: demuestra que la IA "hizo el examen correctamente" sin revelar el modelo (los materiales de estudio) ni los datos de entrada (los apuntes del estudiante).

El problema que resuelve

En la IA descentralizada, la confianza es un problema central. Cuando la inferencia se ejecuta en un nodo remoto, ¿cómo sabe el solicitante que realmente se usó el modelo correcto? El proveedor podría ejecutar un modelo más barato, devolver un resultado en caché o saltarse pasos de computación por completo. En la IA centralizada, los usuarios confían en el proveedor por su reputación. En los sistemas descentralizados, la reputación por sí sola no es suficiente: la verificación criptográfica llena este vacío.

Este problema se vuelve especialmente importante cuando las salidas de la IA impulsan decisiones de alto riesgo. Si un protocolo on-chain depende de la salida de un modelo para activar una acción de un contrato inteligente —por ejemplo, ajustar un parámetro de riesgo o aprobar una transacción— debe haber una manera de garantizar que la salida es auténtica. Sin verificación, el sistema es solo tan confiable como su nodo menos honesto.

Cómo funciona (simplificado)

Un pipeline de zkML sigue estos pasos generales:

  1. Conversión del modelo. El modelo de ML (típicamente una red neuronal) se convierte en un circuito aritmético —una representación matemática con la que pueden trabajar los sistemas de pruebas ZK. Este paso traduce operaciones como multiplicaciones de matrices, funciones de activación y capas de normalización en restricciones del circuito.
  2. Ejecución del modelo. El proveedor ejecuta el modelo de ML sobre los datos de entrada y produce una salida (p. ej., una clasificación, un texto generado, una predicción).
  3. Generación de la prueba. Junto con la salida, el proveedor genera una prueba de conocimiento cero —un objeto matemático compacto que codifica la afirmación "esta salida fue producida ejecutando este modelo específico sobre esta entrada específica". Este es el paso computacionalmente costoso: el probador debe demostrar que cada operación del circuito se ejecutó correctamente.
  4. Verificación de la prueba. Cualquiera (el solicitante, un contrato inteligente, un tercero) puede verificar la prueba. La verificación es rápida y barata en comparación con volver a ejecutar el modelo. Si la prueba es válida, se garantiza que la salida es correcta.

La propiedad clave: el verificador no aprende nada sobre los pesos del modelo ni los datos de entrada más allá de lo que la prueba revela. La privacidad y la verificabilidad coexisten.

Qué hace cara la generación de pruebas

El coste proviene de traducir las operaciones de ML a circuitos ZK. Cada multiplicación o suma en una red neuronal se convierte en una restricción, y el probador debe generar un testigo (witness) criptográfico que satisfaga todas las restricciones simultáneamente. Para un modelo con millones de parámetros, esto significa millones de restricciones. Los marcos actuales usan diferentes sistemas de pruebas (SNARKs, STARKs y enfoques híbridos) con distintos compromisos entre tamaño de la prueba, tiempo de verificación y coste del probador.

Por qué importa para DecAIHub

DecAIHub evalúa si los proyectos de cripto-IA tienen IA real y verificable. zkML representa un enfoque para hacer que las afirmaciones de IA sean criptográficamente demostrables: un proyecto que usa zkML puede probar que su modelo realmente se ejecutó, no solo afirmarlo. En el marco de DecAI Fit, la verificación basada en zkML contribuye a la dimensión de Onchain necessity, demostrando una conexión significativa entre el pipeline de IA y la blockchain. Los proyectos que implementan zkML aparecen en categorías como AI/Inference y AI/Compute.

Desde la perspectiva de verificación de DecAIHub, los proyectos de zkML presentan un perfil de evidencia distintivo. Cuando un proyecto implementa zkML de forma genuina, hay sólidos artefactos Tier-1 para evaluar: circuitos de prueba, contratos de verificación on-chain, datos de benchmark sobre tiempos de prueba y pipelines documentados de conversión de modelo a circuito. Esto hace que las afirmaciones de zkML sean relativamente fáciles de verificar en comparación con afirmaciones vagas de "IA": o la prueba ZK funciona o no funciona.

Conexión con la IA verificable

zkML es uno de varios enfoques para la inferencia verificable. Las principales alternativas son:

Enfoque Cómo funciona Modelo de confianza Compromiso
zkML Prueba criptográfica de que la inferencia se ejecutó correctamente Garantía matemática (sin necesidad de confianza) El mayor coste computacional; garantía matemática (sin necesidad de confianza)
TEE (Trusted Execution Environment) La inferencia se ejecuta en enclaves aislados por hardware que atestiguan la corrección Confianza en el fabricante del hardware Menor coste; depende de los supuestos de seguridad del hardware
Consenso / multiproveedor Varios proveedores independientes ejecutan la misma inferencia; los resultados se comparan Confianza en una mayoría honesta Computación redundante; garantía más débil frente a la colusión
Verificación optimista Los resultados se asumen correctos a menos que se impugnen dentro de un periodo de disputa Confianza en los incentivos económicos Bajo coste; depende de la monitorización activa y de actores racionales

zkML ofrece una garantía matemática (sin necesidad de confianza) —la corrección se verifica criptográficamente, sin confianza en el hardware, en una mayoría honesta o en incentivos económicos. Sin embargo, conlleva el mayor coste computacional. En la práctica, muchos proyectos combinan enfoques: usan verificación optimista para operaciones rutinarias y recurren a pruebas zkML solo cuando los resultados se impugnan.

Limitaciones actuales

zkML es una tecnología en etapa temprana con limitaciones prácticas significativas:

  • Coste computacional. Generar una prueba ZK para la inferencia de un modelo es órdenes de magnitud más caro que la propia inferencia. Para modelos grandes, la generación de la prueba puede tardar minutos u horas. Esto hace que las aplicaciones en tiempo real sean impracticables para cualquier cosa que vaya más allá de modelos pequeños.
  • Límites de tamaño del modelo. Los marcos actuales de zkML trabajan con modelos relativamente pequeños (de miles a unos pocos millones de parámetros). Ejecutar zkML sobre un LLM completo con miles de millones de parámetros aún no es práctico. Hay investigación activa en técnicas como la cuantización de modelos, la agregación de pruebas y las pruebas recursivas para empujar estos límites más arriba.
  • Madurez de los marcos. El instrumental de zkML (p. ej., EZKL, Modulus, Giza, Risc Zero para ML) está en desarrollo activo. Las APIs, la documentación y la experiencia del desarrollador evolucionan rápidamente, y los cambios disruptivos son comunes.
  • Despliegues en producción limitados. Pocos proyectos tienen zkML funcionando en producción a escala. La mayoría de las implementaciones son prototipos de investigación o demostraciones sobre modelos pequeños.
  • Compromisos de precisión. Convertir operaciones de ML en coma flotante a aritmética de coma fija (requerida para los circuitos ZK) puede introducir pequeñas diferencias numéricas. Estas diferencias suelen ser insignificantes para tareas de clasificación, pero pueden importar en aplicaciones sensibles a la precisión.

Estas limitaciones definen la frontera actual. La tecnología avanza rápidamente, y las restricciones que existen hoy pueden reducirse significativamente en pocos años.

Estado práctico de zkML hoy

A pesar de las limitaciones, zkML ha ido más allá de la pura teoría. El estado actual incluye:

  • Las pruebas de modelos pequeños son funcionales. Los modelos con hasta unos pocos millones de parámetros (clasificadores de imágenes, modelos de lenguaje pequeños) pueden probarse. La generación de la prueba tarda de segundos a minutos según el tamaño del modelo.
  • La verificación on-chain funciona. Se han desplegado contratos verificadores ZK que comprueban pruebas de inferencia de ML en Ethereum y otras cadenas.
  • El instrumental está mejorando. Marcos como EZKL permiten a los desarrolladores convertir modelos ONNX en circuitos ZK con relativamente pocas líneas de código.
  • Están surgiendo enfoques híbridos. Algunos proyectos prueban solo los pasos de inferencia más críticos, o generan pruebas de forma asíncrona para su verificación posterior.

Qué no demuestra zkML

  • Incluso con una prueba ZK válida, el modelo subyacente podría ser malo, sesgado o irrelevante. zkML prueba que el modelo se ejecutó correctamente, no prueba que el modelo sea bueno.
  • zkML prueba la integridad de la computación, no la calidad de los datos. Si los datos de entrada son basura, la salida es basura verificada.
  • zkML no demuestra que un token sea necesario. Un proyecto puede implementar zkML sin necesitar una blockchain ni un token para que la verificación funcione.
  • zkML no demuestra la descentralización. Un único proveedor centralizado puede generar pruebas ZK para su propia inferencia. La descentralización proviene de la arquitectura del sistema, no de zkML en sí.
  • zkML no demuestra que el modelo sea el que se afirma, a menos que el compromiso del modelo (un hash de los pesos) esté anclado a una referencia de confianza. Sin esta vinculación, el probador podría usar cualquier modelo.

No confundir con

  • Inferencia — el proceso de ejecutar un modelo. zkML añade una capa de verificación encima de la inferencia; no la reemplaza.
  • ZK (pruebas de conocimiento cero) en general — ZK se usa en todo el ámbito cripto para privacidad, escalado e identidad. zkML es la aplicación específica de ZK a la inferencia de ML.
  • Inferencia como AI component — describe cómo aparece la inferencia en las fichas de proyecto de DecAIHub. zkML es uno de los mecanismos que hacen verificable la inferencia.
  • Cifrado de modelos — cifrar un modelo lo protege de ser leído, pero no prueba que se ejecutó correctamente. zkML proporciona una prueba de ejecución correcta, que es una garantía fundamentalmente diferente.
  • Aprendizaje federado (federated learning) — una técnica para entrenar modelos a través de fuentes de datos distribuidas sin compartir datos en bruto. Resuelve un problema diferente (privacidad durante el entrenamiento, no verificación durante la inferencia).

Preguntas frecuentes

¿Cómo funciona zkML?

zkML convierte un modelo de machine learning en un circuito matemático, ejecuta el modelo para producir una salida y genera una prueba criptográfica de que el circuito se ejecutó correctamente. La prueba es compacta y puede verificarse rápidamente por cualquiera —incluido un contrato inteligente— sin volver a ejecutar el modelo ni ver los pesos del modelo o los datos de entrada. El reto técnico es que cada operación de ML debe representarse como una restricción del circuito, lo que hace que la generación de la prueba sea computacionalmente costosa para modelos más grandes.

¿Es práctico zkML hoy?

Para modelos de tamaño pequeño a mediano (hasta unos pocos millones de parámetros), sí: la generación de pruebas funciona y la verificación on-chain es funcional. Para modelos grandes como los LLM modernos con miles de millones de parámetros, zkML aún no es práctico debido al enorme coste computacional de la generación de pruebas. La tecnología avanza rápidamente: los marcos están mejorando, los sistemas de pruebas se vuelven más eficientes y los enfoques híbridos (probar solo pasos críticos) están ampliando el rango práctico. Para los fines de evaluación de DecAIHub, un proyecto que implementa zkML sobre un modelo pequeño tiene un AI component verificable, aunque el mismo enfoque aún no pueda escalar a los modelos más grandes.

¿Por qué usaría zkML un proyecto cripto?

La motivación principal es la verificación sin necesidad de confianza. En un sistema descentralizado, ninguna parte individual debería ser confiada ciegamente. Si la salida de un modelo de IA activa acciones on-chain (puntuación de riesgo, aprobación de transacciones, distribución de recompensas), los usuarios y el protocolo necesitan una garantía de que el modelo realmente se ejecutó como se afirma. zkML proporciona esta garantía sin requerir confianza en el proveedor de cómputo. Las motivaciones secundarias incluyen la privacidad (probar que un modelo se ejecutó sin exponer pesos propietarios) y la componibilidad (otros contratos inteligentes pueden verificar salidas de IA on-chain y construir sobre ellas). En el marco de DecAI Fit, la verificación basada en zkML fortalece tanto la dimensión de AI reality como la de Onchain necessity.

¿Es zkML la única forma de verificar IA en cripto?

No. Las alternativas incluyen los TEE (confianza en el hardware), la verificación basada en consenso (confianza en una mayoría honesta) y la verificación optimista (confianza en los incentivos económicos). Cada una tiene diferentes supuestos de confianza, costes y límites. Muchos proyectos combinan enfoques. DecAIHub registra el mecanismo de verificación en la ficha del proyecto para que los lectores puedan evaluar el modelo de confianza por sí mismos.

Referencias externas

Véase también

No comments to display

Back to top