Skip to main content

zkML とは

注：この文書は英語の原文からの自動翻訳です。

zkML とは

zkML（Zero-Knowledge Machine Learning） は、ゼロ知識証明を用いて、機械学習モデルが 推論 を正しく実行したことを — モデルの重み、入力データ、またはその両方を明かすことなく — 検証する技術です。それは暗号学的な保証を提供します：「この出力は、この入力に対してこのモデルが生成したものである」、そして誰もが秘密の情報を見ることなくその証明を検証できます。

要約： zkML は、モデルやデータを露出することなく、AI モデルが正しく実行されたことを証明できるようにします。これは、正しい推論の数学的（トラストレスな）保証を提供する検証可能な AI へのアプローチの一つであり、最も技術的に困難なものの一つです。

初心者向けのたとえ

封印された試験を想像してください。学生が部屋に入り、テストを受け、封印された解答用紙を試験監督に手渡します。試験監督は、改ざん防止の封印を通じて、学生がすべての質問に承認された教科書を使って答え、すべての試験ルールに従ったことを — 学生のノート、学習資料、思考過程を一切見ることなく — 検証できます。試験監督は結果が正当であることを知りますが、学生がどう準備したかについては何も学びません。zkML も同じように機能します：モデル（学習資料）や入力データ（学生のノート）を明かすことなく、AI が「テストを正しく受けた」ことを証明します。

それが解決する問題

分散型 AI では、信頼が中核的な課題です。推論がリモートのノードで動くとき、リクエスタは正しいモデルが実際に使われたとどう知るのでしょうか？ プロバイダはより安価なモデルを動かしたり、キャッシュされた結果を返したり、計算ステップを完全に飛ばしたりできます。集中型 AI では、ユーザーは評判によってプロバイダを信頼します。分散型システムでは、評判だけでは十分ではありません — 暗号学的な検証がこのギャップを埋めます。

この問題は、AI の出力が高リスクの判断を駆動するときに特に重要になります。オンチェーンのプロトコルが、スマートコントラクトのアクションをトリガーするために — たとえばリスクパラメータの調整や取引の承認に — モデルの出力に依存する場合、その出力が本物であることを保証する方法がなければなりません。検証がなければ、システムは最も不正直なノードと同程度にしか信頼できません。

仕組み（簡略化）

zkML パイプラインは次の一般的なステップに従います。

  1. モデル変換。 ML モデル（通常はニューラルネットワーク）が算術回路 — ZK 証明システムが扱える数学的表現 — に変換されます。このステップは、行列の乗算、活性化関数、正規化層のような演算を回路の制約に翻訳します。
  2. モデル実行。 プロバイダは入力データに対して ML モデルを実行し、出力（例：分類、生成されたテキスト、予測）を生成します。
  3. 証明生成。 出力とともに、プロバイダは ゼロ知識証明 — 「この出力は、この特定の入力に対してこの特定のモデルを実行して生成された」という主張をエンコードするコンパクトな数学的オブジェクト — を生成します。これが計算的に高価なステップです：証明者は回路内のすべての演算が正しく実行されたことを実証しなければなりません。
  4. 証明検証。 誰でも（リクエスタ、スマートコントラクト、第三者）その証明を検証できます。検証はモデルを再実行するのに比べて高速かつ安価です。証明が有効であれば、出力は正しいことが保証されます。

鍵となる性質：検証者は、証明が明かす以上のことを、モデルの重みや入力データについて何も学びません。プライバシーと検証可能性が共存します。

証明生成を高価にするもの

コストは ML 演算を ZK 回路に翻訳することから来ます。ニューラルネットワークの各乗算や加算が制約となり、証明者はすべての制約を同時に満たす暗号学的なウィットネスを生成しなければなりません。数百万のパラメータを持つモデルでは、これは数百万の制約を意味します。現在のフレームワークは、証明サイズ、検証時間、証明者コストの間のトレードオフがそれぞれ異なる、異なる証明システム（SNARK、STARK、ハイブリッドアプローチ）を使います。

DecAIHub にとってなぜ重要か

DecAIHub は、クリプト AI プロジェクトが 本物の、検証可能な AI を持つかを評価します。zkML は、AI の主張を暗号学的に証明可能にする一つのアプローチを表します — zkML を使うプロジェクトは、モデルが実際に動いたことを単に主張するだけでなく証明できます。DecAI Fit の枠組みでは、zkML ベースの検証は Onchain necessity の次元に寄与し、AI パイプラインとブロックチェーンの間の意味あるつながりを実証します。zkML を実装するプロジェクトは、AI/推論 や AI/コンピューティング のようなカテゴリにわたって現れます。

DecAIHub の検証の観点から、zkML プロジェクトは特徴的なエビデンスのプロファイルを示します。プロジェクトが本当に zkML を実装するとき、評価すべき強力な Tier-1 アーティファクトがあります：証明回路、オンチェーンの検証コントラクト、証明時間のベンチマークデータ、文書化されたモデルから回路への変換パイプライン。これにより、zkML の主張は曖昧な「AI」の主張に比べて比較的検証しやすくなります — ZK 証明は機能するか、しないかのどちらかです。

検証可能な AI とのつながり

zkML は検証可能な推論への複数のアプローチの一つです。主な代替手段は次のとおりです。

アプローチ 仕組み 信頼モデル トレードオフ
zkML 推論が正しく実行されたことの暗号学的証明 数学的保証（トラストレス） 最も高い計算コスト；数学的（トラストレスな）保証
TEE（信頼された実行環境） 推論が正しさをアテストするハードウェア隔離されたエンクレーブ内で動く ハードウェア製造者への信頼 より低いコスト；ハードウェアのセキュリティ前提に依存
コンセンサス／マルチプロバイダ 複数の独立したプロバイダが同じ推論を実行し、結果が比較される 正直な多数派への信頼 冗長な計算；共謀に対しては弱い保証
楽観的検証 紛争期間内に異議が出ない限り、結果は正しいと仮定される 経済的インセンティブへの信頼 低コスト；能動的な監視と合理的な行為者に依存

zkML は 数学的（トラストレスな）保証 を提供します — 正しさはハードウェア、正直な多数派、経済的インセンティブへの信頼なしに暗号学的に検証されます。ただし、最も高い計算コストを伴います。実務では、多くのプロジェクトがアプローチを組み合わせます：日常的な操作には楽観的検証を使い、結果に異議が出たときだけ zkML 証明にフォールバックします。

現在の制限

zkML は重大な実用的制約を持つ初期段階の技術です。

  • 計算コスト。 モデル推論のための ZK 証明の生成は、推論自体よりも桁違いに高価です。大規模モデルでは、証明生成に数分から数時間かかり得ます。これにより、小さなモデルを超えるものではリアルタイムのアプリケーションが非現実的になります。
  • モデルサイズの制限。 現在の zkML フレームワークは比較的小さなモデル（数千から低い数百万のパラメータ）で機能します。数十億のパラメータを持つ完全な LLM で zkML を動かすことはまだ実用的ではありません。モデルの量子化、証明の集約、再帰的証明のような技術で、これらの限界をさらに押し広げる研究が活発です。
  • フレームワークの成熟度。 zkML のツール（例：EZKL、Modulus、Giza、ML 向けの Risc Zero）は活発に開発中です。API、ドキュメント、開発者体験は急速に進化しており、破壊的変更が一般的です。
  • 限られた本番デプロイ。 zkML を大規模に本番で動かしているプロジェクトはほとんどありません。ほとんどの実装は研究プロトタイプか、小さなモデルでのデモです。
  • 精度のトレードオフ。 浮動小数点の ML 演算を固定小数点の算術（ZK 回路に必要）に変換すると、小さな数値的差異が生じ得ます。これらの差異は通常、分類タスクでは無視できますが、精度に敏感なアプリケーションでは問題になり得ます。

これらの制限は現在のフロンティアを定義します。技術は急速に進歩しており、今日存在する制約は数年のうちに大幅に減るかもしれません。

今日の zkML の実用的状況

制限にもかかわらず、zkML は純粋な理論を超えて進んでいます。現在の状況には次のものが含まれます。

  • 小さなモデルの証明は機能する。 低い数百万までのパラメータを持つモデル（画像分類器、小さな言語モデル）は証明できます。証明生成はモデルサイズに応じて数秒から数分かかります。
  • オンチェーン検証は機能する。 ML 推論の証明をチェックする ZK 検証コントラクトが、Ethereum や他のチェーンにデプロイされています。
  • ツールは改善している。 EZKL のようなフレームワークは、開発者が比較的少ないコード行で ONNX モデルを ZK 回路に変換できるようにします。
  • ハイブリッドアプローチが登場している。 一部のプロジェクトは最も重要な推論ステップだけを証明したり、後の検証のために非同期で証明を生成したりします。

zkML が証明しないこと

  • 有効な ZK 証明があっても、基盤となるモデルは 悪い、バイアスがある、または無関係である可能性があります。zkML はモデルが正しく動いたことを証明します — モデルが良いことを証明しません。
  • zkML は計算の完全性を証明し、データの品質 を証明しません。入力データがゴミなら、出力は検証されたゴミです。
  • zkML はトークンが必要であることを 証明しません。プロジェクトは、検証が機能するためにブロックチェーンやトークンを必要とせずに zkML を実装できます。
  • zkML は分散性を 証明しません。単一の集中型プロバイダが自身の推論のために ZK 証明を生成できます。分散性はシステムのアーキテクチャから来るものであり、zkML 自体から来るものではありません。
  • zkML は、モデルのコミットメント（重みのハッシュ）が信頼できる参照にアンカーされていない限り、モデルが主張されたものであることを 証明しません。この結びつきがなければ、証明者はどんなモデルでも使えます。

混同しないでください

  • 推論 — モデルを動かすプロセスです。zkML は推論の上に検証層を追加します；それを置き換えるものではありません。
  • ZK（ゼロ知識証明）一般 — ZK はプライバシー、スケーリング、アイデンティティのためにクリプト全体で使われます。zkML は ZK の ML 推論への特定の応用です。
  • AI コンポーネントとしての推論 — 推論が DecAIHub のプロジェクトカードにどう現れるかを記述します。zkML は推論を検証可能にする一つの機構です。
  • モデルの暗号化 — モデルを暗号化することは、それが読まれるのを防ぎますが、それが正しく動いたことを証明しません。zkML は正しい実行の証明を提供し、それは根本的に異なる保証です。
  • 連合学習（フェデレーテッドラーニング） — 生データを共有せずに分散したデータソースにわたってモデルをトレーニングする技術です。それは異なる問題（推論時の検証ではなく、トレーニング時のプライバシー）を解決します。

よくある質問

zkML はどう機能しますか？

zkML は機械学習モデルを数学的な回路に変換し、モデルを実行して出力を生成し、その回路が正しく実行されたという暗号学的証明を生成します。証明はコンパクトで、誰でも — スマートコントラクトを含め — モデルを再実行したり、モデルの重みや入力データを見たりすることなく素早く検証できます。技術的な課題は、各 ML 演算が回路の制約として表現されなければならず、より大きなモデルでは証明生成が計算的に高価になることです。

zkML は今日実用的ですか？

小規模から中規模のモデル（低い数百万までのパラメータ）では、はい — 証明生成は機能し、オンチェーン検証も機能します。数十億のパラメータを持つ現代の LLM のような大規模モデルでは、証明生成の莫大な計算コストゆえに zkML はまだ実用的ではありません。技術は急速に進歩しています：フレームワークは改善し、証明システムはより効率的になり、ハイブリッドアプローチ（重要なステップだけを証明する）が実用範囲を広げています。DecAIHub の評価目的では、小さなモデルで zkML を実装するプロジェクトは、同じアプローチが最大のモデルにはまだスケールできなくても、検証可能な AI コンポーネントを持っています。

クリプトプロジェクトはなぜ zkML を使うのでしょうか？

主な動機は トラストレスな検証 です。分散型システムでは、いかなる単一の当事者も盲目的に信頼されるべきではありません。AI モデルの出力がオンチェーンのアクション（リスクスコアリング、取引の承認、報酬の分配）をトリガーするなら、ユーザーとプロトコルは、モデルが主張どおりに実際に動いたという保証を必要とします。zkML は、計算プロバイダへの信頼を要求せずにこの保証を提供します。二次的な動機には、プライバシー（専有の重みを露出せずにモデルが動いたことを証明する）と コンポーザビリティ（他のスマートコントラクトが AI の出力をオンチェーンで検証し、その上に構築できる）が含まれます。DecAI Fit の枠組みでは、zkML ベースの検証は AI reality と Onchain necessity の両方の次元を強化します。

zkML はクリプトで AI を検証する唯一の方法ですか？

いいえ。代替手段には TEE（ハードウェアへの信頼）、コンセンサスベースの検証（正直な多数派への信頼）、楽観的検証（経済的インセンティブへの信頼）があります。それぞれ異なる信頼の前提、コスト、限界を持ちます。多くのプロジェクトはアプローチを組み合わせます。DecAIHub は検証機構をプロジェクトカードに記録するので、読者は信頼モデルを自分で評価できます。

外部リンク

関連ページ

No comments to display

Back to top