zkML क्या है

नोट: यह दस्तावेज़ मूल अंग्रेजी संस्करण का स्वचालित अनुवाद है।

zkML क्या है

zkML (Zero-Knowledge Machine Learning) एक तकनीक है जो शून्य-ज्ञान प्रमाणों (zero-knowledge proofs) का उपयोग करके यह सत्यापित करती है कि किसी मशीन लर्निंग मॉडल ने अपना इन्फ़रेंस सही ढंग से चलाया — मॉडल वेट्स, इनपुट डेटा, या दोनों को उजागर किए बिना। यह एक क्रिप्टोग्राफ़िक गारंटी देती है: "यह आउटपुट इस मॉडल द्वारा इस इनपुट पर उत्पन्न किया गया," और कोई भी निजी जानकारी देखे बिना प्रमाण को सत्यापित कर सकता है।

संक्षेप में: zkML आपको यह सिद्ध करने देता है कि AI मॉडल सही ढंग से चला — मॉडल या डेटा को उजागर किए बिना। यह सत्यापन-योग्य AI के उन दृष्टिकोणों में से एक है जो सही इन्फ़रेंस की गणितीय (trustless) गारंटी देता है, और तकनीकी रूप से सबसे चुनौतीपूर्ण दृष्टिकोणों में से एक है।

शुरुआती लोगों के लिए उपमा

एक सीलबंद परीक्षा की कल्पना कीजिए। एक छात्र कमरे में आता है, परीक्षा देता है, और सीलबंद उत्तर-पत्रक निरीक्षक को सौंप देता है। निरीक्षक एक छेड़छाड़-रोधी सील के माध्यम से सत्यापित कर सकता है कि छात्र ने हर प्रश्न का उत्तर अनुमोदित पाठ्यपुस्तक से दिया और परीक्षा के सभी नियमों का पालन किया — छात्र के नोट्स, अध्ययन सामग्री या सोचने की प्रक्रिया को कभी देखे बिना। निरीक्षक जानता है कि परिणाम वैध है, लेकिन उसे यह कुछ भी पता नहीं चलता कि छात्र ने तैयारी कैसे की। zkML ठीक इसी तरह काम करता है: यह सिद्ध करता है कि AI ने "परीक्षा सही ढंग से दी" — मॉडल (अध्ययन सामग्री) या इनपुट डेटा (छात्र के नोट्स) को उजागर किए बिना।

यह किस समस्या को हल करता है

विकेंद्रीकृत AI में विश्वास एक केंद्रीय मुद्दा है। जब इन्फ़रेंस किसी दूरस्थ नोड पर चलता है, तो अनुरोधकर्ता को कैसे पता चले कि वास्तव में सही मॉडल का उपयोग हुआ? प्रदाता सस्ता मॉडल चला सकता है, कैश किया हुआ परिणाम लौटा सकता है, या संगणना के चरण पूरी तरह छोड़ सकता है। केंद्रीकृत AI में उपयोगकर्ता प्रतिष्ठा के आधार पर प्रदाता पर भरोसा करते हैं। विकेंद्रीकृत प्रणालियों में केवल प्रतिष्ठा पर्याप्त नहीं है — क्रिप्टोग्राफ़िक सत्यापन इस कमी को भरता है।

यह समस्या तब विशेष रूप से महत्वपूर्ण हो जाती है जब AI आउटपुट उच्च-दांव वाले निर्णयों को संचालित करते हैं। यदि कोई ऑन-चेन प्रोटोकॉल किसी स्मार्ट कॉन्ट्रैक्ट क्रिया को ट्रिगर करने के लिए मॉडल के आउटपुट पर निर्भर करता है — मान लीजिए, जोखिम पैरामीटर समायोजित करना या लेनदेन अनुमोदित करना — तो यह गारंटी देने का कोई तरीका होना चाहिए कि आउटपुट प्रामाणिक है। सत्यापन के बिना, प्रणाली केवल उतनी ही भरोसेमंद है जितना उसका सबसे कम ईमानदार नोड।

यह कैसे काम करता है (सरलीकृत)

zkML पाइपलाइन इन सामान्य चरणों का पालन करती है:

1. मॉडल रूपांतरण। ML मॉडल (आमतौर पर एक न्यूरल नेटवर्क) को अंकगणितीय सर्किट में बदला जाता है — एक गणितीय निरूपण जिसके साथ ZK प्रमाण प्रणालियाँ काम कर सकती हैं। यह चरण मैट्रिक्स गुणन, एक्टिवेशन फ़ंक्शन और नॉर्मलाइज़ेशन परतों जैसे ऑपरेशनों को सर्किट बाधाओं में अनुवादित करता है।
2. मॉडल निष्पादन। प्रदाता इनपुट डेटा पर ML मॉडल चलाता है और आउटपुट देता है (जैसे वर्गीकरण, जनित टेक्स्ट, भविष्यवाणी)।
3. प्रमाण जनरेशन। आउटपुट के साथ प्रदाता एक शून्य-ज्ञान प्रमाण जनरेट करता है — एक संक्षिप्त गणितीय वस्तु जो इस दावे को कूटबद्ध करती है कि "यह आउटपुट इस विशिष्ट मॉडल को इस विशिष्ट इनपुट पर चलाकर उत्पन्न किया गया।" यह संगणनात्मक रूप से महँगा चरण है: प्रोवर को दिखाना होता है कि सर्किट का हर ऑपरेशन सही ढंग से निष्पादित हुआ।
4. प्रमाण सत्यापन। कोई भी (अनुरोधकर्ता, स्मार्ट कॉन्ट्रैक्ट, तृतीय पक्ष) प्रमाण को सत्यापित कर सकता है। मॉडल को दोबारा चलाने की तुलना में सत्यापन तेज़ और सस्ता है। यदि प्रमाण वैध है, तो आउटपुट के सही होने की गारंटी है।

मुख्य गुण: सत्यापनकर्ता को मॉडल वेट्स या इनपुट डेटा के बारे में प्रमाण द्वारा प्रकट की गई जानकारी से आगे कुछ पता नहीं चलता। गोपनीयता और सत्यापन-योग्यता साथ-साथ रहती हैं।

प्रमाण जनरेशन महँगा क्यों है

लागत ML ऑपरेशनों को ZK सर्किट में अनुवादित करने से आती है। न्यूरल नेटवर्क का हर गुणन या योग एक बाधा (constraint) बन जाता है, और प्रोवर को एक क्रिप्टोग्राफ़िक साक्षी (witness) जनरेट करना होता है जो सभी बाधाओं को एक साथ संतुष्ट करे। लाखों पैरामीटर वाले मॉडल के लिए इसका अर्थ है लाखों बाधाएँ। वर्तमान फ़्रेमवर्क अलग-अलग प्रमाण प्रणालियों (SNARKs, STARKs और हाइब्रिड दृष्टिकोण) का उपयोग करते हैं, जिनमें प्रमाण आकार, सत्यापन समय और प्रोवर लागत के बीच अलग-अलग समझौते होते हैं।

यह DecAIHub के लिए क्यों महत्वपूर्ण है

DecAIHub यह मूल्यांकन करता है कि क्रिप्टो AI प्रोजेक्ट्स के पास वास्तविक, सत्यापन-योग्य AI है या नहीं। zkML, AI दावों को क्रिप्टोग्राफ़िक रूप से सिद्ध-योग्य बनाने का एक दृष्टिकोण है — zkML का उपयोग करने वाला प्रोजेक्ट सिद्ध कर सकता है कि उसका मॉडल वास्तव में चला, न कि केवल दावा किया। DecAI Fit ढाँचे में zkML-आधारित सत्यापन Onchain necessity आयाम में योगदान देता है, जो AI पाइपलाइन और ब्लॉकचेन के बीच एक सार्थक संबंध प्रदर्शित करता है। zkML लागू करने वाले प्रोजेक्ट AI/Inference और AI/Compute जैसी श्रेणियों में दिखते हैं।

DecAIHub के सत्यापन दृष्टिकोण से, zkML प्रोजेक्ट एक विशिष्ट साक्ष्य प्रोफ़ाइल प्रस्तुत करते हैं। जब कोई प्रोजेक्ट सचमुच zkML लागू करता है, तो मूल्यांकन के लिए मज़बूत Tier-1 आर्टिफ़ैक्ट मौजूद होते हैं: प्रमाण सर्किट, ऑन-चेन सत्यापन कॉन्ट्रैक्ट, प्रूविंग समय के बेंचमार्क डेटा, और दस्तावेज़ीकृत मॉडल-से-सर्किट रूपांतरण पाइपलाइनें। इससे अस्पष्ट "AI" दावों की तुलना में zkML दावों का सत्यापन अपेक्षाकृत आसान हो जाता है — ZK प्रमाण या तो काम करता है या नहीं करता।

सत्यापन-योग्य AI से संबंध

zkML सत्यापन-योग्य इन्फ़रेंस के कई दृष्टिकोणों में से एक है। मुख्य विकल्प ये हैं:

दृष्टिकोण	यह कैसे काम करता है	विश्वास मॉडल	समझौता
zkML	क्रिप्टोग्राफ़िक प्रमाण कि इन्फ़रेंस सही ढंग से चला	गणितीय गारंटी (trustless)	उच्चतम संगणनात्मक लागत; गणितीय (trustless) गारंटी
TEE (Trusted Execution Environment)	इन्फ़रेंस हार्डवेयर-पृथक एनक्लेव में चलता है जो शुद्धता का सत्यापन करते हैं	हार्डवेयर निर्माता पर विश्वास	कम लागत; हार्डवेयर सुरक्षा मान्यताओं पर निर्भर
सर्वसम्मति / मल्टी-प्रोवाइडर	कई स्वतंत्र प्रदाता एक ही इन्फ़रेंस चलाते हैं; परिणामों की तुलना होती है	ईमानदार बहुमत पर विश्वास	अतिरेकी संगणना; मिलीभगत के विरुद्ध कमज़ोर गारंटी
आशावादी (optimistic) सत्यापन	परिणाम तब तक सही माने जाते हैं जब तक विवाद अवधि में चुनौती न मिले	आर्थिक प्रोत्साहनों पर विश्वास	कम लागत; सक्रिय निगरानी और तर्कसंगत कर्ताओं पर निर्भर

zkML एक गणितीय (trustless) गारंटी देता है — शुद्धता क्रिप्टोग्राफ़िक रूप से सत्यापित होती है, हार्डवेयर, ईमानदार बहुमत या आर्थिक प्रोत्साहनों पर विश्वास के बिना। हालाँकि, यह उच्चतम संगणनात्मक लागत पर आता है। व्यवहार में कई प्रोजेक्ट दृष्टिकोणों को जोड़ते हैं: नियमित संचालन के लिए आशावादी सत्यापन का उपयोग और परिणामों को चुनौती मिलने पर ही zkML प्रमाणों का सहारा।

वर्तमान सीमाएँ

zkML एक प्रारंभिक-चरण की तकनीक है जिसकी व्यावहारिक बाधाएँ महत्वपूर्ण हैं:

• संगणनात्मक लागत। मॉडल इन्फ़रेंस के लिए ZK प्रमाण जनरेट करना स्वयं इन्फ़रेंस से कई गुना अधिक महँगा है। बड़े मॉडलों के लिए प्रमाण जनरेशन में मिनटों से घंटों तक लग सकते हैं। इससे छोटे मॉडलों से आगे किसी भी चीज़ के लिए रीयल-टाइम एप्लिकेशन अव्यावहारिक हो जाते हैं।
• मॉडल आकार की सीमाएँ। वर्तमान zkML फ़्रेमवर्क अपेक्षाकृत छोटे मॉडलों (हज़ारों से कुछ लाख/निचले स्तर के मिलियन पैरामीटर) के साथ काम करते हैं। अरबों पैरामीटर वाले पूर्ण LLM पर zkML चलाना अभी व्यावहारिक नहीं है। इन सीमाओं को आगे बढ़ाने के लिए मॉडल क्वांटाइज़ेशन, प्रमाण एकत्रीकरण और पुनरावर्ती प्रमाणों जैसी तकनीकों पर शोध सक्रिय है।
• फ़्रेमवर्क की परिपक्वता। zkML टूलिंग (जैसे EZKL, Modulus, Giza, Risc Zero for ML) सक्रिय विकास में है। API, दस्तावेज़ीकरण और डेवलपर अनुभव तेज़ी से विकसित हो रहे हैं, और ब्रेकिंग परिवर्तन आम हैं।
• सीमित प्रोडक्शन तैनातियाँ। कुछ ही प्रोजेक्ट्स के पास बड़े पैमाने पर प्रोडक्शन में zkML चल रहा है। अधिकांश कार्यान्वयन शोध प्रोटोटाइप हैं या छोटे मॉडलों पर प्रदर्शन।
• सटीकता के समझौते। फ़्लोटिंग-पॉइंट ML ऑपरेशनों को फ़िक्स्ड-पॉइंट अंकगणित में बदलना (ZK सर्किट के लिए आवश्यक) छोटे संख्यात्मक अंतर पैदा कर सकता है। ये अंतर वर्गीकरण कार्यों के लिए आमतौर पर नगण्य हैं, लेकिन परिशुद्धता-संवेदनशील एप्लिकेशनों के लिए मायने रख सकते हैं।

ये सीमाएँ वर्तमान सीमांत को परिभाषित करती हैं। तकनीक तेज़ी से आगे बढ़ रही है, और आज की बाधाएँ कुछ वर्षों में काफ़ी घट सकती हैं।

आज zkML की व्यावहारिक स्थिति

सीमाओं के बावजूद, zkML शुद्ध सिद्धांत से आगे बढ़ चुका है। वर्तमान स्थिति में शामिल है:

• छोटे मॉडलों के प्रमाण कार्यात्मक हैं। कुछ लाख/निचले मिलियन पैरामीटर तक के मॉडलों (छवि क्लासिफ़ायर, छोटे भाषा मॉडल) को सिद्ध किया जा सकता है। मॉडल आकार के आधार पर प्रमाण जनरेशन में सेकंड से मिनट लगते हैं।
• ऑन-चेन सत्यापन काम करता है। ML इन्फ़रेंस प्रमाणों की जाँच करने वाले ZK वेरिफ़ायर कॉन्ट्रैक्ट Ethereum और अन्य चेनों पर तैनात किए जा चुके हैं।
• टूलिंग बेहतर हो रही है। EZKL जैसे फ़्रेमवर्क डेवलपरों को अपेक्षाकृत कम पंक्तियों के कोड से ONNX मॉडलों को ZK सर्किट में बदलने देते हैं।
• हाइब्रिड दृष्टिकोण उभर रहे हैं। कुछ प्रोजेक्ट केवल सबसे महत्वपूर्ण इन्फ़रेंस चरणों को सिद्ध करते हैं, या बाद के सत्यापन के लिए प्रमाणों को असिंक्रोनस रूप से जनरेट करते हैं।

zkML क्या सिद्ध नहीं करता

• वैध ZK प्रमाण के साथ भी अंतर्निहित मॉडल खराब, पक्षपाती या अप्रासंगिक हो सकता है। zkML सिद्ध करता है कि मॉडल सही ढंग से चला — यह सिद्ध नहीं करता कि मॉडल अच्छा है।
• zkML संगणना की अखंडता सिद्ध करता है, डेटा गुणवत्ता नहीं। यदि इनपुट डेटा कचरा है, तो आउटपुट सत्यापित कचरा है।
• zkML यह सिद्ध नहीं करता कि टोकन आवश्यक है। कोई प्रोजेक्ट zkML लागू कर सकता है, और सत्यापन के काम करने के लिए उसे ब्लॉकचेन या टोकन की आवश्यकता न हो।
• zkML विकेंद्रीकरण सिद्ध नहीं करता। एक अकेला केंद्रीकृत प्रदाता अपने ही इन्फ़रेंस के लिए ZK प्रमाण जनरेट कर सकता है। विकेंद्रीकरण प्रणाली के आर्किटेक्चर से आता है, zkML से नहीं।
• zkML यह सिद्ध नहीं करता कि मॉडल वही है जिसका दावा किया गया, जब तक मॉडल की प्रतिबद्धता (वेट्स का हैश) किसी विश्वसनीय संदर्भ से एंकर न हो। इस बंधन के बिना प्रोवर कोई भी मॉडल उपयोग कर सकता है।

भ्रमित न हों

• इन्फ़रेंस — मॉडल चलाने की प्रक्रिया। zkML इन्फ़रेंस के ऊपर एक सत्यापन परत जोड़ता है; वह उसे प्रतिस्थापित नहीं करता।
• सामान्य रूप में ZK (शून्य-ज्ञान प्रमाण) — ZK का उपयोग क्रिप्टो में गोपनीयता, स्केलिंग और पहचान के लिए होता है। zkML, ZK का ML इन्फ़रेंस पर विशिष्ट अनुप्रयोग है।
• AI component के रूप में इन्फ़रेंस — बताता है कि इन्फ़रेंस DecAIHub प्रोजेक्ट कार्ड्स में कैसे दिखता है। zkML उन तंत्रों में से एक है जो इन्फ़रेंस को सत्यापन-योग्य बनाते हैं।
• मॉडल एन्क्रिप्शन — मॉडल को एन्क्रिप्ट करना उसे पढ़े जाने से बचाता है, लेकिन यह सिद्ध नहीं करता कि वह सही ढंग से चला। zkML सही निष्पादन का प्रमाण देता है, जो मौलिक रूप से भिन्न गारंटी है।
• फ़ेडरेटेड लर्निंग — कच्चा डेटा साझा किए बिना वितरित डेटा स्रोतों पर मॉडलों को प्रशिक्षित करने की तकनीक। यह एक अलग समस्या हल करती है (प्रशिक्षण के दौरान गोपनीयता, इन्फ़रेंस के दौरान सत्यापन नहीं)।

अक्सर पूछे जाने वाले प्रश्न

zkML कैसे काम करता है?

zkML मशीन लर्निंग मॉडल को गणितीय सर्किट में बदलता है, आउटपुट उत्पन्न करने के लिए मॉडल चलाता है, और एक क्रिप्टोग्राफ़िक प्रमाण जनरेट करता है कि सर्किट सही ढंग से निष्पादित हुआ। प्रमाण संक्षिप्त है और कोई भी — स्मार्ट कॉन्ट्रैक्ट सहित — मॉडल को दोबारा चलाए बिना या मॉडल वेट्स या इनपुट डेटा देखे बिना उसे तेज़ी से सत्यापित कर सकता है। तकनीकी चुनौती यह है कि हर ML ऑपरेशन को सर्किट बाधा के रूप में निरूपित करना पड़ता है, जिससे बड़े मॉडलों के लिए प्रमाण जनरेशन संगणनात्मक रूप से महँगा हो जाता है।

क्या zkML आज व्यावहारिक है?

छोटे से मध्यम मॉडलों (कुछ लाख/निचले मिलियन पैरामीटर तक) के लिए हाँ — प्रमाण जनरेशन काम करता है और ऑन-चेन सत्यापन कार्यात्मक है। अरबों पैरामीटर वाले आधुनिक LLM जैसे बड़े मॉडलों के लिए zkML अभी व्यावहारिक नहीं है, क्योंकि प्रमाण जनरेशन की संगणनात्मक लागत बहुत बड़ी है। तकनीक तेज़ी से आगे बढ़ रही है: फ़्रेमवर्क सुधर रहे हैं, प्रमाण प्रणालियाँ अधिक दक्ष हो रही हैं, और हाइब्रिड दृष्टिकोण (केवल महत्वपूर्ण चरणों को सिद्ध करना) व्यावहारिक दायरा बढ़ा रहे हैं। DecAIHub मूल्यांकन के उद्देश्यों के लिए, जो प्रोजेक्ट छोटे मॉडल पर zkML लागू करता है, उसके पास सत्यापन-योग्य AI घटक है — भले ही वही दृष्टिकोण अभी सबसे बड़े मॉडलों तक न पहुँच सके।

कोई क्रिप्टो प्रोजेक्ट zkML का उपयोग क्यों करे?

प्राथमिक प्रेरणा trustless सत्यापन है। विकेंद्रीकृत प्रणाली में किसी एक पक्ष पर आँख मूँदकर भरोसा नहीं किया जाना चाहिए। यदि AI मॉडल का आउटपुट ऑन-चेन कार्रवाइयाँ (जोखिम स्कोरिंग, लेनदेन अनुमोदन, पुरस्कार वितरण) ट्रिगर करता है, तो उपयोगकर्ताओं और प्रोटोकॉल को गारंटी चाहिए कि मॉडल वास्तव में दावे के अनुसार चला। zkML यह गारंटी कंप्यूट प्रदाता पर भरोसे की आवश्यकता के बिना देता है। द्वितीयक प्रेरणाओं में गोपनीयता (स्वामित्व वाले वेट्स उजागर किए बिना यह सिद्ध करना कि मॉडल चला) और कंपोज़ेबिलिटी (अन्य स्मार्ट कॉन्ट्रैक्ट AI आउटपुट को ऑन-चेन सत्यापित करके उन पर निर्माण कर सकते हैं) शामिल हैं। DecAI Fit ढाँचे में zkML-आधारित सत्यापन AI reality और Onchain necessity दोनों आयामों को मज़बूत करता है।

क्या zkML क्रिप्टो में AI सत्यापन का एकमात्र तरीका है?

नहीं। विकल्पों में TEE (हार्डवेयर पर विश्वास), सर्वसम्मति-आधारित सत्यापन (ईमानदार बहुमत पर विश्वास) और आशावादी सत्यापन (आर्थिक प्रोत्साहनों पर विश्वास) शामिल हैं। प्रत्येक की विश्वास मान्यताएँ, लागत और सीमाएँ अलग हैं। कई प्रोजेक्ट दृष्टिकोणों को जोड़ते हैं। DecAIHub प्रोजेक्ट कार्ड में सत्यापन तंत्र दर्ज करता है ताकि पाठक विश्वास मॉडल का स्वयं आकलन कर सकें।

बाहरी संदर्भ

• Zero-knowledge proofs — Ethereum.org — शून्य-ज्ञान प्रमाण अवधारणाओं और ब्लॉकचेन में उनके अनुप्रयोगों की बुनियादी व्याख्या।
• An introduction to zkML — Worldcoin Engineering Blog — मशीन लर्निंग इन्फ़रेंस पर शून्य-ज्ञान प्रमाण कैसे लागू होते हैं, इसका तकनीकी अवलोकन।
• EZKL documentation — ML मॉडलों को ZK सर्किट में बदलने के अग्रणी ओपन-सोर्स फ़्रेमवर्कों में से एक का दस्तावेज़ीकरण।

यह भी देखें

• इन्फ़रेंस क्या है
• AI component के रूप में इन्फ़रेंस
• AI/Inference श्रेणी
• LLM क्या है
• कैसे पता करें कि किसी प्रोजेक्ट में वाकई AI है
• Tier-1, Tier-2 और Tier-3 साक्ष्य
• AI-washing, onchain-washing और token-washing
• DecAI Fit क्या है