Skip to main content

Che cos'è lo zkML

Nota: Questo documento è una traduzione automatica della versione originale in inglese.

Che cos'è lo zkML

Lo zkML (Zero-Knowledge Machine Learning) è una tecnica che usa prove a conoscenza zero per verificare che un modello di machine learning abbia eseguito correttamente la sua inferenza — senza rivelare i pesi del modello, i dati di input o entrambi. Fornisce una garanzia crittografica: "questo output è stato prodotto da questo modello su questo input", e chiunque può verificare la prova senza vedere le informazioni private.

In breve: lo zkML permette di dimostrare che un modello AI è stato eseguito correttamente senza esporre il modello o i dati. È uno degli approcci all'AI verificabile che fornisce una garanzia matematica (trustless) di inferenza corretta, ed è uno dei più impegnativi dal punto di vista tecnico.

Analogia per principianti

Immagina un esame sigillato. Uno studente entra in un'aula, sostiene una prova e consegna il foglio delle risposte sigillato a un sorvegliante. Il sorvegliante può verificare, tramite un sigillo antimanomissione, che lo studente abbia risposto a ogni domanda usando il libro di testo approvato e abbia seguito tutte le regole dell'esame — senza mai vedere gli appunti dello studente, i suoi materiali di studio o il suo processo mentale. Il sorvegliante sa che il risultato è legittimo, ma non apprende nulla su come lo studente si sia preparato. Lo zkML funziona allo stesso modo: dimostra che l'AI ha "sostenuto l'esame correttamente" senza rivelare il modello (i materiali di studio) o i dati di input (gli appunti dello studente).

Il problema che risolve

Nell'AI decentralizzata, la fiducia è una questione centrale. Quando l'inferenza viene eseguita su un nodo remoto, come fa il richiedente a sapere che è stato effettivamente usato il modello corretto? Il fornitore potrebbe eseguire un modello più economico, restituire un risultato dalla cache o saltare del tutto dei passaggi di calcolo. Nell'AI centralizzata, gli utenti si fidano del fornitore per reputazione. Nei sistemi decentralizzati, la sola reputazione non è sufficiente — la verifica crittografica colma questa lacuna.

Il problema diventa particolarmente importante quando gli output dell'AI guidano decisioni ad alto rischio. Se un protocollo on-chain si affida all'output di un modello per attivare un'azione di smart contract — per esempio regolare un parametro di rischio o approvare una transazione — deve esserci un modo per garantire che l'output sia autentico. Senza verifica, il sistema è affidabile solo quanto il suo nodo meno onesto.

Come funziona (semplificato)

Una pipeline zkML segue questi passaggi generali:

  1. Conversione del modello. Il modello ML (tipicamente una rete neurale) viene convertito in un circuito aritmetico — una rappresentazione matematica con cui i sistemi di prova ZK possono lavorare. Questo passaggio traduce operazioni come le moltiplicazioni di matrici, le funzioni di attivazione e i layer di normalizzazione in vincoli del circuito.
  2. Esecuzione del modello. Il fornitore esegue il modello ML sui dati di input e produce un output (per esempio una classificazione, un testo generato, una previsione).
  3. Generazione della prova. Insieme all'output, il fornitore genera una prova a conoscenza zero — un oggetto matematico compatto che codifica l'affermazione "questo output è stato prodotto eseguendo questo specifico modello su questo specifico input". Questo è il passaggio computazionalmente costoso: il prover deve dimostrare che ogni operazione nel circuito è stata eseguita correttamente.
  4. Verifica della prova. Chiunque (il richiedente, uno smart contract, una terza parte) può verificare la prova. La verifica è rapida ed economica rispetto alla riesecuzione del modello. Se la prova è valida, l'output è garantito come corretto.

La proprietà chiave: il verificatore non apprende nulla sui pesi del modello o sui dati di input oltre a ciò che la prova rivela. Privacy e verificabilità coesistono.

Cosa rende costosa la generazione della prova

Il costo deriva dalla traduzione delle operazioni ML in circuiti ZK. Ogni moltiplicazione o addizione in una rete neurale diventa un vincolo, e il prover deve generare un witness crittografico che soddisfi tutti i vincoli simultaneamente. Per un modello con milioni di parametri, ciò significa milioni di vincoli. I framework attuali usano diversi sistemi di prova (SNARK, STARK e approcci ibridi) con compromessi variabili tra dimensione della prova, tempo di verifica e costo del prover.

Perché è importante per DecAIHub

DecAIHub valuta se i progetti di AI cripto abbiano un'AI reale e verificabile. Lo zkML rappresenta un approccio per rendere le affermazioni AI crittograficamente dimostrabili — un progetto che usa lo zkML può dimostrare che il suo modello è stato effettivamente eseguito, non solo dichiararlo. Nel framework DecAI Fit, la verifica basata su zkML contribuisce alla dimensione Onchain necessity, dimostrando una connessione significativa tra la pipeline AI e la blockchain. I progetti che implementano lo zkML compaiono in categorie come AI/Inference e AI/Compute.

Dal punto di vista della verifica di DecAIHub, i progetti zkML presentano un profilo di evidenza caratteristico. Quando un progetto implementa genuinamente lo zkML, esistono solidi artefatti Tier-1 da valutare: circuiti di prova, contratti di verifica on-chain, dati di benchmark sui tempi di generazione delle prove e pipeline documentate di conversione da modello a circuito. Ciò rende le affermazioni zkML relativamente facili da verificare rispetto a vaghe affermazioni di "AI" — la prova ZK o funziona o non funziona.

Collegamento con l'AI verificabile

Lo zkML è uno dei diversi approcci all'inferenza verificabile. Le principali alternative sono:

Approccio Come funziona Modello di fiducia Compromesso
zkML Prova crittografica che l'inferenza è stata eseguita correttamente Garanzia matematica (trustless) Costo computazionale più alto; garanzia matematica (trustless)
TEE (Trusted Execution Environment) L'inferenza viene eseguita in enclave isolate a livello hardware che ne attestano la correttezza Fiducia nel produttore dell'hardware Costo inferiore; dipende dalle assunzioni di sicurezza dell'hardware
Consenso / multi-fornitore Più fornitori indipendenti eseguono la stessa inferenza; i risultati vengono confrontati Fiducia nella maggioranza onesta Calcolo ridondante; garanzia più debole contro la collusione
Verifica ottimistica I risultati sono presunti corretti a meno che non vengano contestati entro un periodo di disputa Fiducia negli incentivi economici Costo basso; si affida a monitoraggio attivo e attori razionali

Lo zkML offre una garanzia matematica (trustless) — la correttezza viene verificata crittograficamente, senza fiducia nell'hardware, in una maggioranza onesta o negli incentivi economici. Tuttavia, ha il costo computazionale più alto. In pratica, molti progetti combinano approcci: usano la verifica ottimistica per le operazioni di routine e ricorrono alle prove zkML solo quando i risultati vengono contestati.

Limitazioni attuali

Lo zkML è una tecnologia in fase iniziale con vincoli pratici significativi:

  • Costo computazionale. Generare una prova ZK per l'inferenza di un modello è di ordini di grandezza più costoso dell'inferenza stessa. Per i modelli grandi, la generazione della prova può richiedere da minuti a ore. Ciò rende le applicazioni in tempo reale impraticabili per qualsiasi cosa oltre i modelli piccoli.
  • Limiti di dimensione del modello. I framework zkML attuali lavorano con modelli relativamente piccoli (da migliaia a pochi milioni di parametri). Eseguire lo zkML su un LLM completo con miliardi di parametri non è ancora praticabile. La ricerca è attiva su tecniche come la quantizzazione dei modelli, l'aggregazione delle prove e le prove ricorsive per spingere questi limiti più in alto.
  • Maturità dei framework. Gli strumenti zkML (per esempio EZKL, Modulus, Giza, Risc Zero per il ML) sono in sviluppo attivo. API, documentazione ed esperienza degli sviluppatori evolvono rapidamente, e i breaking change sono comuni.
  • Deployment in produzione limitati. Pochi progetti hanno lo zkML in produzione su larga scala. La maggior parte delle implementazioni sono prototipi di ricerca o dimostrazioni su modelli piccoli.
  • Compromessi di accuratezza. La conversione delle operazioni ML in virgola mobile in aritmetica a virgola fissa (richiesta per i circuiti ZK) può introdurre piccole differenze numeriche. Queste differenze sono di solito trascurabili per i compiti di classificazione, ma possono contare per le applicazioni sensibili alla precisione.

Queste limitazioni definiscono la frontiera attuale. La tecnologia avanza rapidamente, e i vincoli che esistono oggi potrebbero ridursi significativamente entro pochi anni.

Stato pratico dello zkML oggi

Nonostante le limitazioni, lo zkML è andato oltre la pura teoria. Lo stato attuale include:

  • Le prove per modelli piccoli sono funzionanti. Modelli fino a pochi milioni di parametri (classificatori di immagini, piccoli modelli linguistici) possono essere provati. La generazione della prova richiede da secondi a minuti a seconda della dimensione del modello.
  • La verifica on-chain funziona. Contratti verificatori ZK che controllano le prove di inferenza ML sono stati distribuiti su Ethereum e altre chain.
  • Gli strumenti stanno migliorando. Framework come EZKL permettono agli sviluppatori di convertire modelli ONNX in circuiti ZK con relativamente poche righe di codice.
  • Stanno emergendo approcci ibridi. Alcuni progetti provano solo i passaggi di inferenza più critici, o generano le prove in modo asincrono per una verifica successiva.

Cosa lo zkML non dimostra

  • Anche con una prova ZK valida, il modello sottostante potrebbe essere scadente, distorto o irrilevante. Lo zkML dimostra che il modello è stato eseguito correttamente — non dimostra che il modello sia buono.
  • Lo zkML dimostra l'integrità del calcolo, non la qualità dei dati. Se i dati di input sono spazzatura, l'output è spazzatura verificata.
  • Lo zkML non dimostra che un token sia necessario. Un progetto può implementare lo zkML senza aver bisogno di una blockchain o di un token perché la verifica funzioni.
  • Lo zkML non dimostra la decentralizzazione. Un singolo fornitore centralizzato può generare prove ZK per la propria inferenza. La decentralizzazione deriva dall'architettura del sistema, non dallo zkML in sé.
  • Lo zkML non dimostra che il modello sia quello dichiarato, a meno che il commitment del modello (un hash dei pesi) non sia ancorato a un riferimento affidabile. Senza questo vincolo, il prover potrebbe usare qualsiasi modello.

Da non confondere con

  • Inferenza — il processo di esecuzione di un modello. Lo zkML aggiunge un livello di verifica sopra l'inferenza; non la sostituisce.
  • ZK (prove a conoscenza zero) in generale — le ZK sono usate in tutto il mondo cripto per privacy, scalabilità e identità. Lo zkML è l'applicazione specifica delle ZK all'inferenza ML.
  • L'inferenza come componente AI — descrive come l'inferenza appare nelle schede di progetto DecAIHub. Lo zkML è uno dei meccanismi che rendono l'inferenza verificabile.
  • Crittografia del modello — crittografare un modello lo protegge dalla lettura, ma non dimostra che sia stato eseguito correttamente. Lo zkML fornisce una prova di esecuzione corretta, che è una garanzia fondamentalmente diversa.
  • Federated learning — una tecnica per addestrare modelli su fonti di dati distribuite senza condividere i dati grezzi. Risolve un problema diverso (privacy durante il training, non verifica durante l'inferenza).

Domande frequenti

Come funziona lo zkML?

Lo zkML converte un modello di machine learning in un circuito matematico, esegue il modello per produrre un output e genera una prova crittografica che il circuito è stato eseguito correttamente. La prova è compatta e può essere verificata rapidamente da chiunque — incluso uno smart contract — senza rieseguire il modello o vedere i pesi del modello o i dati di input. La sfida tecnica è che ogni operazione ML deve essere rappresentata come un vincolo del circuito, il che rende la generazione della prova computazionalmente costosa per i modelli più grandi.

Lo zkML è praticabile oggi?

Per modelli da piccoli a medi (fino a pochi milioni di parametri), sì — la generazione delle prove funziona e la verifica on-chain è operativa. Per i modelli grandi come gli LLM moderni con miliardi di parametri, lo zkML non è ancora praticabile a causa dell'enorme costo computazionale della generazione delle prove. La tecnologia avanza rapidamente: i framework migliorano, i sistemi di prova diventano più efficienti e gli approcci ibridi (provare solo i passaggi critici) stanno estendendo il raggio d'azione pratico. Ai fini della valutazione di DecAIHub, un progetto che implementa lo zkML su un modello piccolo ha un componente AI verificabile, anche se lo stesso approccio non può ancora scalare ai modelli più grandi.

Perché un progetto cripto dovrebbe usare lo zkML?

La motivazione primaria è la verifica trustless. In un sistema decentralizzato, nessuna singola parte dovrebbe essere ciecamente considerata affidabile. Se l'output di un modello AI attiva azioni on-chain (scoring del rischio, approvazione di transazioni, distribuzione di ricompense), gli utenti e il protocollo hanno bisogno di una garanzia che il modello sia stato effettivamente eseguito come dichiarato. Lo zkML fornisce questa garanzia senza richiedere fiducia nel fornitore di calcolo. Le motivazioni secondarie includono la privacy (dimostrare che un modello è stato eseguito senza esporre pesi proprietari) e la componibilità (altri smart contract possono verificare gli output dell'AI on-chain e costruirci sopra). Nel framework DecAI Fit, la verifica basata su zkML rafforza sia la dimensione AI reality sia quella Onchain necessity.

Lo zkML è l'unico modo per verificare l'AI nel mondo cripto?

No. Le alternative includono i TEE (fiducia nell'hardware), la verifica basata sul consenso (fiducia nella maggioranza onesta) e la verifica ottimistica (fiducia negli incentivi economici). Ognuna ha assunzioni di fiducia, costi e limiti diversi. Molti progetti combinano gli approcci. DecAIHub registra il meccanismo di verifica nella scheda del progetto così che i lettori possano valutare da sé il modello di fiducia.

Riferimenti esterni

Vedi anche

No comments to display

Back to top