Skip to main content

zkML이란 무엇인가

참고: 이 문서는 영문 원본의 자동 번역본입니다.

zkML이란 무엇인가

**zkML(Zero-Knowledge Machine Learning)**은 영지식 증명을 사용해 머신러닝 모델이 인퍼런스를 올바르게 실행했음을 검증하는 기법입니다 — 모델 가중치, 입력 데이터, 또는 둘 다를 드러내지 않고요. 이는 암호학적 보장을 제공합니다: "이 출력은 이 입력에 대해 이 모델이 산출한 것이다", 그리고 누구나 비공개 정보를 보지 않고도 그 증명을 검증할 수 있습니다.

요약: zkML은 모델이나 데이터를 노출하지 않고 AI 모델이 올바르게 실행되었음을 증명하게 합니다. 올바른 인퍼런스에 대한 수학적(무신뢰) 보장을 제공하는 검증 가능한 AI 접근법 중 하나이며, 기술적으로 가장 도전적인 것 중 하나입니다.

초심자를 위한 비유

봉인된 시험을 상상해 보세요. 학생이 방에 들어가 시험을 치르고, 봉인된 답안지를 감독관에게 제출합니다. 감독관은 변조 방지 봉인을 통해, 학생이 모든 문제를 승인된 교과서를 사용해 답했고 모든 시험 규칙을 따랐음을 — 학생의 노트, 학습 자료, 또는 사고 과정을 결코 보지 않고도 — 검증할 수 있습니다. 감독관은 결과가 정당함을 알지만, 학생이 어떻게 준비했는지에 대해서는 아무것도 알지 못합니다. zkML은 동일한 방식으로 작동합니다: 모델(학습 자료)이나 입력 데이터(학생의 노트)를 드러내지 않고 AI가 "시험을 올바르게 치렀음"을 증명합니다.

해결하는 문제

탈중앙화 AI에서 신뢰는 핵심 문제입니다. 인퍼런스가 원격 노드에서 실행될 때, 요청자는 올바른 모델이 실제로 사용되었는지 어떻게 알 수 있을까요? 제공자는 더 저렴한 모델을 실행하거나, 캐시된 결과를 반환하거나, 연산 단계를 완전히 건너뛸 수 있습니다. 중앙집중형 AI에서는 사용자가 평판으로 제공자를 신뢰합니다. 탈중앙화 시스템에서는 평판만으로 충분하지 않습니다 — 암호학적 검증이 이 간극을 메웁니다.

이 문제는 AI 출력이 고위험 결정을 좌우할 때 특히 중요해집니다. 온체인 프로토콜이 모델의 출력에 의존해 스마트 컨트랙트 동작을 트리거한다면 — 가령 위험 파라미터를 조정하거나 거래를 승인한다면 — 출력이 진짜임을 보장하는 방법이 있어야 합니다. 검증 없이는 시스템은 가장 정직하지 않은 노드만큼만 신뢰할 수 있습니다.

작동 방식(단순화)

zkML 파이프라인은 다음의 일반적 단계를 따릅니다:

  1. 모델 변환. ML 모델(일반적으로 신경망)이 산술 회로 — ZK 증명 시스템이 다룰 수 있는 수학적 표현 — 로 변환됩니다. 이 단계는 행렬 곱셈, 활성화 함수, 정규화 레이어 같은 연산을 회로 제약으로 번역합니다.
  2. 모델 실행. 제공자가 입력 데이터에 대해 ML 모델을 실행하고 출력(예: 분류, 생성된 텍스트, 예측)을 산출합니다.
  3. 증명 생성. 출력과 함께 제공자는 영지식 증명을 생성합니다 — "이 출력은 이 특정 입력에 대해 이 특정 모델을 실행해 산출되었다"는 주장을 인코딩하는 간결한 수학적 객체입니다. 이것이 계산적으로 비싼 단계입니다: 증명자는 회로의 모든 연산이 올바르게 실행되었음을 입증해야 합니다.
  4. 증명 검증. 누구나(요청자, 스마트 컨트랙트, 제3자) 증명을 검증할 수 있습니다. 검증은 모델을 다시 실행하는 것에 비해 빠르고 저렴합니다. 증명이 유효하면 출력은 올바름이 보장됩니다.

핵심 속성: 검증자는 증명이 드러내는 것 이상으로 모델 가중치나 입력 데이터에 대해 아무것도 알지 못합니다. 프라이버시와 검증 가능성이 공존합니다.

증명 생성을 비싸게 만드는 것

비용은 ML 연산을 ZK 회로로 번역하는 데서 옵니다. 신경망의 각 곱셈이나 덧셈이 제약이 되고, 증명자는 모든 제약을 동시에 만족하는 암호학적 위트니스를 생성해야 합니다. 수백만 개의 파라미터를 가진 모델의 경우, 이는 수백만 개의 제약을 의미합니다. 현재 프레임워크는 증명 크기, 검증 시간, 증명자 비용 사이에서 서로 다른 트레이드오프를 갖는 여러 증명 시스템(SNARK, STARK, 하이브리드 접근법)을 사용합니다.

DecAIHub에 중요한 이유

DecAIHub는 크립토 AI 프로젝트가 실제이고 검증 가능한 AI를 가지고 있는지 평가합니다. zkML은 AI 주장을 암호학적으로 입증 가능하게 만드는 한 가지 접근법을 대표합니다 — zkML을 사용하는 프로젝트는 모델이 단지 주장만 한 것이 아니라 실제로 실행되었음을 증명할 수 있습니다. DecAI Fit 프레임워크에서 zkML 기반 검증은 온체인 필요성 차원에 기여하며, AI 파이프라인과 블록체인 사이의 의미 있는 연결을 입증합니다. zkML을 구현하는 프로젝트는 AI/Inference와 AI/Compute 같은 카테고리 전반에 나타납니다.

DecAIHub 검증 관점에서 zkML 프로젝트는 독특한 증거 프로필을 보입니다. 프로젝트가 진정으로 zkML을 구현할 때, 평가할 강력한 Tier-1 산출물이 있습니다: 증명 회로, 온체인 검증 컨트랙트, 증명 시간에 대한 벤치마크 데이터, 문서화된 모델-회로 변환 파이프라인. 이는 모호한 "AI" 주장에 비해 zkML 주장을 상대적으로 검증하기 쉽게 만듭니다 — ZK 증명은 작동하거나 작동하지 않거나 둘 중 하나입니다.

검증 가능한 AI와의 연결

zkML은 검증 가능한 인퍼런스에 대한 여러 접근법 중 하나입니다. 주요 대안은 다음과 같습니다:

접근법 작동 방식 신뢰 모델 트레이드오프
zkML 인퍼런스가 올바르게 실행되었다는 암호학적 증명 수학적 보장(무신뢰) 가장 높은 계산 비용; 수학적(무신뢰) 보장
TEE(신뢰 실행 환경) 인퍼런스가 올바름을 증명하는 하드웨어 격리 엔클레이브에서 실행 하드웨어 제조사에 대한 신뢰 더 낮은 비용; 하드웨어 보안 가정에 의존
합의 / 멀티 제공자 여러 독립 제공자가 동일한 인퍼런스를 실행; 결과를 비교 정직한 다수에 대한 신뢰 중복 연산; 담합에 대한 보장이 더 약함
낙관적 검증 분쟁 기간 내에 이의가 제기되지 않으면 결과가 올바르다고 가정 경제적 인센티브에 대한 신뢰 낮은 비용; 능동적 모니터링과 합리적 행위자에 의존

zkML은 수학적(무신뢰) 보장을 제공합니다 — 정확성이 하드웨어, 정직한 다수, 또는 경제적 인센티브에 대한 신뢰 없이 암호학적으로 검증됩니다. 그러나 가장 높은 계산 비용이 따릅니다. 실무에서 많은 프로젝트는 접근법을 결합합니다: 일상적 작업에는 낙관적 검증을 사용하고, 결과에 이의가 제기될 때만 zkML 증명으로 후퇴합니다.

현재의 한계

zkML은 상당한 실질적 제약을 가진 초기 단계 기술입니다:

  • 계산 비용. 모델 인퍼런스에 대한 ZK 증명 생성은 인퍼런스 자체보다 몇 자릿수 더 비쌉니다. 큰 모델의 경우, 증명 생성에 몇 분에서 몇 시간이 걸릴 수 있습니다. 이는 작은 모델 이외의 실시간 애플리케이션을 비실용적으로 만듭니다.
  • 모델 크기 한계. 현재 zkML 프레임워크는 상대적으로 작은 모델(수천에서 수백만 개의 낮은 자릿수 파라미터)과 작동합니다. 수십억 개의 파라미터를 가진 완전한 LLM에 zkML을 실행하는 것은 아직 실용적이지 않습니다. 모델 양자화, 증명 집계, 재귀 증명 같은 기법으로 이 한계를 더 높이려는 연구가 활발합니다.
  • 프레임워크 성숙도. zkML 툴링(예: EZKL, Modulus, Giza, Risc Zero for ML)은 활발히 개발 중입니다. API, 문서, 개발자 경험이 빠르게 진화하고 있으며, 호환성 깨짐이 흔합니다.
  • 제한된 프로덕션 배포. zkML을 대규모 프로덕션에서 실행하는 프로젝트는 거의 없습니다. 대부분의 구현은 연구 프로토타입이거나 작은 모델에 대한 시연입니다.
  • 정확도 트레이드오프. 부동소수점 ML 연산을 고정소수점 산술(ZK 회로에 필요)로 변환하면 작은 수치 차이가 생길 수 있습니다. 이 차이는 보통 분류 작업에는 무시할 만하지만 정밀도에 민감한 애플리케이션에는 중요할 수 있습니다.

이 한계들이 현재의 최전선을 정의합니다. 기술은 빠르게 발전하고 있으며, 오늘 존재하는 제약은 몇 년 안에 크게 줄어들 수 있습니다.

오늘날 zkML의 실질적 상태

한계에도 불구하고, zkML은 순수 이론을 넘어섰습니다. 현재 상태는 다음을 포함합니다:

  • 작은 모델 증명이 작동함. 수백만 개의 낮은 자릿수 파라미터까지의 모델(이미지 분류기, 작은 언어 모델)이 증명될 수 있습니다. 증명 생성은 모델 크기에 따라 몇 초에서 몇 분이 걸립니다.
  • 온체인 검증이 작동함. ML 인퍼런스 증명을 확인하는 ZK 검증자 컨트랙트가 이더리움과 다른 체인에 배포되었습니다.
  • 툴링이 개선되고 있음. EZKL 같은 프레임워크는 개발자가 상대적으로 적은 코드 줄로 ONNX 모델을 ZK 회로로 변환할 수 있게 합니다.
  • 하이브리드 접근법이 등장하고 있음. 일부 프로젝트는 가장 중요한 인퍼런스 단계만 증명하거나, 나중에 검증하기 위해 비동기적으로 증명을 생성합니다.

zkML이 증명하지 못하는 것

  • 유효한 ZK 증명이 있더라도, 기저 모델은 나쁘거나, 편향되었거나, 무관할 수 있습니다. zkML은 모델이 올바르게 실행되었음을 증명할 뿐 — 모델이 좋다는 것을 증명하지는 않습니다.
  • zkML은 연산 무결성을 증명할 뿐, 데이터 품질을 증명하지 않습니다. 입력 데이터가 쓰레기라면, 출력은 검증된 쓰레기입니다.
  • zkML은 토큰이 필요하다는 것을 증명하지 않습니다. 프로젝트는 검증이 작동하는 데 블록체인이나 토큰이 필요 없이 zkML을 구현할 수 있습니다.
  • zkML은 탈중앙화를 증명하지 않습니다. 단일 중앙집중형 제공자가 자신의 인퍼런스에 대한 ZK 증명을 생성할 수 있습니다. 탈중앙화는 zkML 자체가 아니라 시스템 아키텍처에서 옵니다.
  • zkML은 모델 커밋먼트(가중치의 해시)가 신뢰할 수 있는 기준에 앵커링되지 않는 한, 모델이 주장된 것임을 증명하지 않습니다. 이 바인딩 없이는 증명자가 어떤 모델이든 사용할 수 있습니다.

혼동하지 마세요

  • 인퍼런스 — 모델을 실행하는 과정입니다. zkML은 인퍼런스 위에 검증 계층을 추가합니다; 그것을 대체하지 않습니다.
  • ZK(영지식 증명) 일반 — ZK는 크립토 전반에서 프라이버시, 확장성, 신원에 사용됩니다. zkML은 ZK를 ML 인퍼런스에 적용한 구체적 응용입니다.
  • AI 구성요소로서의 인퍼런스 — 인퍼런스가 DecAIHub 프로젝트 카드에 어떻게 나타나는지 설명합니다. zkML은 인퍼런스를 검증 가능하게 만드는 하나의 메커니즘입니다.
  • 모델 암호화 — 모델을 암호화하면 읽히는 것을 막지만, 올바르게 실행되었음을 증명하지는 않습니다. zkML은 올바른 실행의 증명을 제공하며, 이는 근본적으로 다른 보장입니다.
  • 연합 학습(Federated learning) — 원시 데이터를 공유하지 않고 분산된 데이터 소스 전반에서 모델을 학습하는 기법입니다. 다른 문제(인퍼런스 중 검증이 아니라 학습 중 프라이버시)를 해결합니다.

자주 묻는 질문

zkML은 어떻게 작동하나요?

zkML은 머신러닝 모델을 수학적 회로로 변환하고, 모델을 실행해 출력을 산출하며, 회로가 올바르게 실행되었다는 암호학적 증명을 생성합니다. 증명은 간결하며 누구나 — 스마트 컨트랙트를 포함해 — 모델을 다시 실행하거나 모델 가중치나 입력 데이터를 보지 않고 빠르게 검증할 수 있습니다. 기술적 난점은 각 ML 연산이 회로 제약으로 표현되어야 한다는 점이며, 이는 더 큰 모델의 증명 생성을 계산적으로 비싸게 만듭니다.

zkML은 오늘날 실용적인가요?

작은~중간 모델(수백만 개의 낮은 자릿수 파라미터까지)의 경우, 그렇습니다 — 증명 생성이 작동하고 온체인 검증이 기능합니다. 수십억 개의 파라미터를 가진 현대 LLM 같은 큰 모델의 경우, 증명 생성의 막대한 계산 비용 때문에 zkML은 아직 실용적이지 않습니다. 기술은 빠르게 발전하고 있습니다: 프레임워크가 개선되고, 증명 시스템이 더 효율적이 되며, 하이브리드 접근법(중요한 단계만 증명)이 실용적 범위를 넓히고 있습니다. DecAIHub 평가 목적에서, 작은 모델에 zkML을 구현하는 프로젝트는, 동일한 접근법이 아직 가장 큰 모델로 확장되지 못하더라도 검증 가능한 AI 구성요소를 가진 것입니다.

크립토 프로젝트가 왜 zkML을 사용할까요?

주된 동기는 무신뢰 검증입니다. 탈중앙화 시스템에서는 어떤 단일 당사자도 맹목적으로 신뢰받아서는 안 됩니다. AI 모델의 출력이 온체인 동작(위험 스코어링, 거래 승인, 보상 분배)을 트리거한다면, 사용자와 프로토콜은 모델이 주장된 대로 실제로 실행되었다는 보장이 필요합니다. zkML은 컴퓨트 제공자에 대한 신뢰를 요구하지 않고 이 보장을 제공합니다. 부차적 동기로는 프라이버시(독점 가중치를 노출하지 않고 모델이 실행되었음을 증명)와 컴포저빌리티(다른 스마트 컨트랙트가 온체인에서 AI 출력을 검증하고 그 위에 구축)가 있습니다. DecAI Fit 프레임워크에서 zkML 기반 검증은 AI reality와 온체인 필요성 차원을 모두 강화합니다.

zkML이 크립토에서 AI를 검증하는 유일한 방법인가요?

아닙니다. 대안에는 TEE(하드웨어에 대한 신뢰), 합의 기반 검증(정직한 다수에 대한 신뢰), 낙관적 검증(경제적 인센티브에 대한 신뢰)이 있습니다. 각각은 서로 다른 신뢰 가정, 비용, 한계를 가집니다. 많은 프로젝트가 접근법을 결합합니다. DecAIHub는 독자가 신뢰 모델을 스스로 평가할 수 있도록 프로젝트 카드에 검증 메커니즘을 기록합니다.

외부 참고 자료

함께 보기

No comments to display

Back to top