Skip to main content

Apa itu zkML

Catatan: Dokumen ini adalah terjemahan otomatis dari versi asli bahasa Inggris.

Apa itu zkML

zkML (Zero-Knowledge Machine Learning) adalah teknik yang memakai bukti zero-knowledge untuk memverifikasi bahwa sebuah model machine learning menjalankan inferensi-nya dengan benar — tanpa mengungkap bobot model, data input, atau keduanya. Ia memberikan jaminan kriptografis: "output ini dihasilkan oleh model ini pada input ini," dan siapa pun dapat memverifikasi buktinya tanpa melihat informasi privatnya.

Singkatnya: zkML memungkinkan Anda membuktikan sebuah model AI berjalan dengan benar tanpa mengekspos model atau datanya. Ia adalah salah satu pendekatan menuju AI yang dapat diverifikasi yang memberikan jaminan matematis (trustless) atas inferensi yang benar, dan salah satu yang paling menantang secara teknis.

Analogi untuk pemula

Bayangkan ujian yang tersegel. Seorang siswa masuk ke ruangan, mengerjakan tes, dan menyerahkan lembar jawaban tersegel kepada pengawas. Pengawas dapat memverifikasi, melalui segel antirusak, bahwa siswa menjawab setiap soal memakai buku teks yang disetujui dan mengikuti semua aturan ujian — tanpa pernah melihat catatan siswa, materi belajarnya, atau proses berpikirnya. Pengawas tahu hasilnya sah, tetapi tidak mengetahui apa pun tentang bagaimana siswa mempersiapkan diri. zkML bekerja dengan cara yang sama: ia membuktikan AI "mengerjakan tes dengan benar" tanpa mengungkap model (materi belajar) atau data input (catatan siswa).

Masalah yang dipecahkannya

Dalam AI terdesentralisasi, kepercayaan adalah isu inti. Ketika inferensi berjalan di node jarak jauh, bagaimana peminta tahu bahwa model yang benar memang dipakai? Penyedia bisa saja menjalankan model yang lebih murah, mengembalikan hasil dari cache, atau melewati langkah-langkah komputasi sama sekali. Dalam AI terpusat, pengguna memercayai penyedia berdasarkan reputasi. Dalam sistem terdesentralisasi, reputasi saja tidak cukup — verifikasi kriptografis mengisi celah ini.

Masalah ini menjadi sangat penting ketika output AI menggerakkan keputusan berisiko tinggi. Jika protokol on-chain bergantung pada output model untuk memicu aksi smart contract — misalnya menyesuaikan parameter risiko atau menyetujui transaksi — harus ada cara untuk menjamin output-nya autentik. Tanpa verifikasi, sistem hanya sepercaya node-nya yang paling tidak jujur.

Cara kerjanya (disederhanakan)

Pipeline zkML mengikuti langkah-langkah umum berikut:

  1. Konversi model. Model ML (biasanya jaringan saraf) dikonversi menjadi sirkuit aritmetika — representasi matematis yang dapat diproses sistem bukti ZK. Langkah ini menerjemahkan operasi seperti perkalian matriks, fungsi aktivasi, dan lapisan normalisasi menjadi constraint sirkuit.
  2. Eksekusi model. Penyedia menjalankan model ML pada data input dan menghasilkan output (mis. klasifikasi, teks yang digenerasi, prediksi).
  3. Pembuatan bukti. Bersama output-nya, penyedia menghasilkan bukti zero-knowledge — objek matematis ringkas yang menyandikan klaim "output ini dihasilkan dengan menjalankan model spesifik ini pada input spesifik ini." Ini adalah langkah yang mahal secara komputasi: prover harus mendemonstrasikan bahwa setiap operasi dalam sirkuit dieksekusi dengan benar.
  4. Verifikasi bukti. Siapa pun (peminta, smart contract, pihak ketiga) dapat memverifikasi bukti itu. Verifikasi cepat dan murah dibandingkan menjalankan ulang model. Jika buktinya valid, output-nya dijamin benar.

Properti kuncinya: verifikator tidak mengetahui apa pun tentang bobot model atau data input di luar apa yang diungkap bukti. Privasi dan verifiabilitas berdampingan.

Apa yang membuat pembuatan bukti mahal

Biayanya berasal dari penerjemahan operasi ML ke dalam sirkuit ZK. Setiap perkalian atau penjumlahan dalam jaringan saraf menjadi sebuah constraint, dan prover harus menghasilkan witness kriptografis yang memenuhi semua constraint secara bersamaan. Untuk model dengan jutaan parameter, ini berarti jutaan constraint. Framework saat ini memakai sistem bukti yang berbeda (SNARK, STARK, dan pendekatan hibrida) dengan trade-off yang bervariasi antara ukuran bukti, waktu verifikasi, dan biaya prover.

Mengapa ini penting bagi DecAIHub

DecAIHub mengevaluasi apakah proyek AI kripto memiliki AI yang nyata dan dapat diverifikasi. zkML mewakili salah satu pendekatan untuk membuat klaim AI dapat dibuktikan secara kriptografis — proyek yang memakai zkML dapat membuktikan modelnya benar-benar berjalan, bukan sekadar mengklaimnya. Dalam kerangka DecAI Fit, verifikasi berbasis zkML berkontribusi pada dimensi Onchain necessity, menunjukkan hubungan bermakna antara pipeline AI dan blockchain. Proyek yang mengimplementasikan zkML muncul di berbagai kategori seperti AI/Inference dan AI/Compute.

Dari perspektif verifikasi DecAIHub, proyek zkML menampilkan profil bukti yang khas. Ketika proyek benar-benar mengimplementasikan zkML, ada artefak Tier-1 yang kuat untuk dievaluasi: sirkuit bukti, kontrak verifikasi on-chain, data benchmark waktu pembuktian, dan pipeline konversi model-ke-sirkuit yang terdokumentasi. Ini membuat klaim zkML relatif mudah diverifikasi dibandingkan klaim "AI" yang samar — bukti ZK-nya bekerja atau tidak.

Kaitan dengan AI yang dapat diverifikasi

zkML adalah salah satu dari beberapa pendekatan menuju inferensi yang dapat diverifikasi. Alternatif utamanya adalah:

Pendekatan Cara kerjanya Model kepercayaan Trade-off
zkML Bukti kriptografis bahwa inferensi berjalan dengan benar Jaminan matematis (trustless) Biaya komputasi tertinggi; jaminan matematis (trustless)
TEE (Trusted Execution Environment) Inferensi berjalan di enklave terisolasi perangkat keras yang mengatestasi kebenaran Kepercayaan pada produsen perangkat keras Biaya lebih rendah; bergantung pada asumsi keamanan perangkat keras
Konsensus / multi-penyedia Beberapa penyedia independen menjalankan inferensi yang sama; hasilnya dibandingkan Kepercayaan pada mayoritas yang jujur Komputasi redundan; jaminan lebih lemah terhadap kolusi
Verifikasi optimistik Hasil dianggap benar kecuali digugat dalam periode sengketa Kepercayaan pada insentif ekonomi Biaya rendah; bergantung pada pemantauan aktif dan aktor yang rasional

zkML menawarkan jaminan matematis (trustless) — kebenaran diverifikasi secara kriptografis, tanpa kepercayaan pada perangkat keras, mayoritas yang jujur, atau insentif ekonomi. Namun, ia datang dengan biaya komputasi tertinggi. Dalam praktiknya, banyak proyek menggabungkan pendekatan: memakai verifikasi optimistik untuk operasi rutin dan baru beralih ke bukti zkML ketika hasil digugat.

Keterbatasan saat ini

zkML adalah teknologi tahap awal dengan kendala praktis yang signifikan:

  • Biaya komputasi. Menghasilkan bukti ZK untuk inferensi model berkali-kali lipat lebih mahal daripada inferensinya sendiri. Untuk model besar, pembuatan bukti bisa memakan waktu bermenit-menit hingga berjam-jam. Ini membuat aplikasi real-time tidak praktis untuk apa pun di luar model kecil.
  • Batas ukuran model. Framework zkML saat ini bekerja dengan model yang relatif kecil (ribuan hingga jutaan rendah parameter). Menjalankan zkML pada LLM penuh dengan miliaran parameter belum praktis. Riset aktif berlangsung pada teknik seperti kuantisasi model, agregasi bukti, dan bukti rekursif untuk mendorong batas ini lebih tinggi.
  • Kematangan framework. Perkakas zkML (mis. EZKL, Modulus, Giza, Risc Zero for ML) masih dalam pengembangan aktif. API, dokumentasi, dan pengalaman pengembang berevolusi cepat, dan breaking change sering terjadi.
  • Deployment produksi terbatas. Sedikit proyek yang menjalankan zkML di produksi dalam skala besar. Sebagian besar implementasi adalah prototipe riset atau demonstrasi pada model kecil.
  • Trade-off akurasi. Mengonversi operasi ML floating-point ke aritmetika fixed-point (yang diperlukan sirkuit ZK) dapat menimbulkan perbedaan numerik kecil. Perbedaan ini biasanya dapat diabaikan untuk tugas klasifikasi tetapi bisa berarti bagi aplikasi yang sensitif terhadap presisi.

Keterbatasan-keterbatasan ini mendefinisikan garis depan saat ini. Teknologinya maju dengan cepat, dan kendala yang ada hari ini mungkin berkurang signifikan dalam beberapa tahun.

Keadaan praktis zkML hari ini

Terlepas dari keterbatasannya, zkML telah bergerak melampaui teori murni. Keadaan saat ini mencakup:

  • Bukti untuk model kecil sudah berfungsi. Model dengan hingga jutaan rendah parameter (classifier gambar, model bahasa kecil) sudah dapat dibuktikan. Pembuatan bukti memakan waktu dari detik hingga menit tergantung ukuran model.
  • Verifikasi on-chain bekerja. Kontrak verifikator ZK yang memeriksa bukti inferensi ML telah di-deploy di Ethereum dan chain lainnya.
  • Perkakas terus membaik. Framework seperti EZKL memungkinkan pengembang mengonversi model ONNX menjadi sirkuit ZK dengan relatif sedikit baris kode.
  • Pendekatan hibrida bermunculan. Sebagian proyek hanya membuktikan langkah-langkah inferensi yang paling kritis, atau menghasilkan bukti secara asinkron untuk verifikasi kemudian.

Apa yang tidak dibuktikan oleh zkML

  • Bahkan dengan bukti ZK yang valid, model di baliknya bisa saja buruk, bias, atau tidak relevan. zkML membuktikan model berjalan dengan benar — ia tidak membuktikan modelnya bagus.
  • zkML membuktikan integritas komputasi, bukan kualitas data. Jika data input-nya sampah, output-nya adalah sampah yang terverifikasi.
  • zkML tidak membuktikan token diperlukan. Proyek dapat mengimplementasikan zkML tanpa membutuhkan blockchain atau token agar verifikasinya bekerja.
  • zkML tidak membuktikan desentralisasi. Satu penyedia terpusat pun dapat menghasilkan bukti ZK untuk inferensinya sendiri. Desentralisasi berasal dari arsitektur sistem, bukan dari zkML itu sendiri.
  • zkML tidak membuktikan bahwa modelnya adalah yang diklaim kecuali komitmen model (hash dari bobot) dijangkarkan ke referensi tepercaya. Tanpa pengikatan ini, prover bisa memakai model apa pun.

Jangan bingung dengan

  • Inferensi — proses menjalankan model. zkML menambahkan lapisan verifikasi di atas inferensi; ia tidak menggantikannya.
  • ZK (bukti zero-knowledge) secara umum — ZK dipakai di seluruh kripto untuk privasi, penskalaan, dan identitas. zkML adalah penerapan spesifik ZK pada inferensi ML.
  • Inferensi sebagai AI component — menggambarkan bagaimana inferensi muncul di kartu proyek DecAIHub. zkML adalah salah satu mekanisme yang membuat inferensi dapat diverifikasi.
  • Enkripsi model — mengenkripsi model melindunginya dari dibaca, tetapi tidak membuktikan model berjalan dengan benar. zkML memberikan bukti eksekusi yang benar, yang merupakan jaminan yang berbeda secara fundamental.
  • Federated learning — teknik untuk melatih model di sumber data terdistribusi tanpa berbagi data mentah. Ia memecahkan masalah yang berbeda (privasi saat pelatihan, bukan verifikasi saat inferensi).

Pertanyaan yang sering diajukan

Bagaimana zkML bekerja?

zkML mengonversi model machine learning menjadi sirkuit matematis, menjalankan model untuk menghasilkan output, dan menghasilkan bukti kriptografis bahwa sirkuit itu dieksekusi dengan benar. Buktinya ringkas dan dapat diverifikasi dengan cepat oleh siapa pun — termasuk smart contract — tanpa menjalankan ulang model atau melihat bobot model maupun data input. Tantangan teknisnya adalah setiap operasi ML harus direpresentasikan sebagai constraint sirkuit, membuat pembuatan bukti mahal secara komputasi untuk model yang lebih besar.

Apakah zkML praktis hari ini?

Untuk model kecil hingga menengah (hingga jutaan rendah parameter), ya — pembuatan bukti bekerja dan verifikasi on-chain berfungsi. Untuk model besar seperti LLM modern dengan miliaran parameter, zkML belum praktis karena biaya komputasi pembuatan bukti yang sangat besar. Teknologinya maju dengan cepat: framework membaik, sistem bukti makin efisien, dan pendekatan hibrida (hanya membuktikan langkah-langkah kritis) memperluas jangkauan praktisnya. Untuk keperluan evaluasi DecAIHub, proyek yang mengimplementasikan zkML pada model kecil memiliki komponen AI yang dapat diverifikasi, meskipun pendekatan yang sama belum bisa diskalakan ke model-model terbesar.

Mengapa proyek kripto memakai zkML?

Motivasi utamanya adalah verifikasi trustless. Dalam sistem terdesentralisasi, tidak ada satu pihak pun yang boleh dipercaya secara buta. Jika output model AI memicu aksi on-chain (skoring risiko, persetujuan transaksi, distribusi imbalan), pengguna dan protokol membutuhkan jaminan bahwa model benar-benar berjalan seperti yang diklaim. zkML memberikan jaminan ini tanpa memerlukan kepercayaan pada penyedia komputasi. Motivasi sekunder mencakup privasi (membuktikan model berjalan tanpa mengekspos bobot proprietary) dan komposabilitas (smart contract lain dapat memverifikasi output AI on-chain dan membangun di atasnya). Dalam kerangka DecAI Fit, verifikasi berbasis zkML memperkuat dimensi AI reality sekaligus Onchain necessity.

Apakah zkML satu-satunya cara memverifikasi AI di kripto?

Tidak. Alternatifnya meliputi TEE (kepercayaan pada perangkat keras), verifikasi berbasis konsensus (kepercayaan pada mayoritas yang jujur), dan verifikasi optimistik (kepercayaan pada insentif ekonomi). Masing-masing punya asumsi kepercayaan, biaya, dan batas yang berbeda. Banyak proyek menggabungkan pendekatan. DecAIHub mencatat mekanisme verifikasi di kartu proyek sehingga pembaca dapat menilai model kepercayaannya sendiri.

Referensi eksternal

Lihat juga

No comments to display

Back to top