Skip to main content

O que é zkML

Nota: Este documento é uma tradução automática da versão original em inglês.

O que é zkML

zkML (Zero-Knowledge Machine Learning) é uma técnica que usa provas de conhecimento zero para verificar que um modelo de machine learning executou sua inferência corretamente — sem revelar os pesos do modelo, os dados de entrada ou ambos. Ela fornece uma garantia criptográfica: "esta saída foi produzida por este modelo sobre esta entrada", e qualquer pessoa pode verificar a prova sem ver a informação privada.

Em resumo: zkML permite que você prove que um modelo de IA rodou corretamente sem expor o modelo ou os dados. É uma das abordagens para IA verificável que fornece uma garantia matemática (sem confiança, trustless) de inferência correta, e uma das mais tecnicamente desafiadoras.

Analogia para iniciantes

Imagine uma prova lacrada. Um estudante entra em uma sala, faz um teste e entrega a folha de respostas lacrada a um fiscal. O fiscal pode verificar, através de um lacre à prova de adulteração, que o estudante respondeu a cada questão usando o livro didático aprovado e seguiu todas as regras da prova — sem nunca ver as anotações do estudante, os materiais de estudo ou o processo de raciocínio. O fiscal sabe que o resultado é legítimo, mas não aprende nada sobre como o estudante se preparou. O zkML funciona da mesma forma: ele prova que a IA "fez o teste corretamente" sem revelar o modelo (os materiais de estudo) ou os dados de entrada (as anotações do estudante).

O problema que resolve

Na IA descentralizada, a confiança é uma questão central. Quando a inferência roda em um nó remoto, como o solicitante sabe que o modelo correto foi realmente usado? O provedor poderia rodar um modelo mais barato, retornar um resultado em cache ou pular etapas de computação inteiramente. Na IA centralizada, os usuários confiam no provedor por reputação. Em sistemas descentralizados, a reputação sozinha não é suficiente — a verificação criptográfica preenche essa lacuna.

Esse problema se torna especialmente importante quando as saídas de IA orientam decisões de alto risco. Se um protocolo on-chain depende da saída de um modelo para disparar uma ação de smart contract — digamos, ajustar um parâmetro de risco ou aprovar uma transação — deve haver uma forma de garantir que a saída é autêntica. Sem verificação, o sistema é tão confiável quanto seu nó menos honesto.

Como funciona (simplificado)

Um pipeline zkML segue estas etapas gerais:

  1. Conversão do modelo. O modelo de ML (normalmente uma rede neural) é convertido em um circuito aritmético — uma representação matemática com a qual os sistemas de prova ZK podem trabalhar. Esta etapa traduz operações como multiplicações de matrizes, funções de ativação e camadas de normalização em restrições de circuito.
  2. Execução do modelo. O provedor roda o modelo de ML sobre os dados de entrada e produz uma saída (por exemplo, uma classificação, um texto gerado, uma previsão).
  3. Geração da prova. Junto com a saída, o provedor gera uma prova de conhecimento zero — um objeto matemático compacto que codifica a alegação "esta saída foi produzida executando este modelo específico sobre esta entrada específica". Esta é a etapa computacionalmente cara: o provador deve demonstrar que cada operação no circuito foi executada corretamente.
  4. Verificação da prova. Qualquer pessoa (o solicitante, um smart contract, um terceiro) pode verificar a prova. A verificação é rápida e barata em comparação com reexecutar o modelo. Se a prova for válida, a saída é garantidamente correta.

A propriedade-chave: o verificador não aprende nada sobre os pesos do modelo ou os dados de entrada além do que a prova revela. Privacidade e verificabilidade coexistem.

O que torna a geração da prova cara

O custo vem de traduzir operações de ML em circuitos ZK. Cada multiplicação ou adição em uma rede neural se torna uma restrição, e o provador deve gerar uma testemunha criptográfica que satisfaça todas as restrições simultaneamente. Para um modelo com milhões de parâmetros, isso significa milhões de restrições. As estruturas atuais usam diferentes sistemas de prova (SNARKs, STARKs e abordagens híbridas) com compromissos variados entre tamanho da prova, tempo de verificação e custo do provador.

Por que importa para o DecAIHub

O DecAIHub avalia se os projetos de crypto AI têm IA real e verificável. O zkML representa uma abordagem para tornar as alegações de IA criptograficamente prováveis — um projeto que usa zkML pode provar que seu modelo realmente rodou, não apenas alegar que o fez. Na estrutura DecAI Fit, a verificação baseada em zkML contribui para a dimensão Onchain necessity, demonstrando uma conexão significativa entre o pipeline de IA e a blockchain. Os projetos que implementam zkML aparecem em categorias como AI/Inference e AI/Compute.

Da perspectiva de verificação do DecAIHub, os projetos zkML apresentam um perfil de evidência distinto. Quando um projeto genuinamente implementa zkML, há fortes artefatos Tier-1 para avaliar: circuitos de prova, contratos de verificação on-chain, dados de benchmark para tempos de prova e pipelines documentados de conversão de modelo em circuito. Isso torna as alegações de zkML relativamente fáceis de verificar em comparação com alegações vagas de "AI" — ou a prova ZK funciona ou não funciona.

Conexão com a IA verificável

zkML é uma de várias abordagens para a inferência verificável. As principais alternativas são:

Abordagem Como funciona Modelo de confiança Compromisso
zkML Prova criptográfica de que a inferência rodou corretamente Garantia matemática (trustless) Maior custo computacional; garantia matemática (trustless)
TEE (Trusted Execution Environment) A inferência roda em enclaves isolados por hardware que atestam a correção Confiança no fabricante do hardware Menor custo; depende de premissas de segurança do hardware
Consenso / multiprovedor Múltiplos provedores independentes rodam a mesma inferência; os resultados são comparados Confiança em uma maioria honesta Computação redundante; garantia mais fraca contra conluio
Verificação otimista Os resultados são presumidos corretos a menos que sejam contestados dentro de um período de disputa Confiança em incentivos econômicos Baixo custo; depende de monitoramento ativo e atores racionais

O zkML oferece uma garantia matemática (trustless) — a correção é verificada criptograficamente, sem confiança em hardware, em uma maioria honesta ou em incentivos econômicos. No entanto, isso tem o maior custo computacional. Na prática, muitos projetos combinam abordagens: usando verificação otimista para operações de rotina e recorrendo a provas zkML apenas quando os resultados são contestados.

Limitações atuais

zkML é uma tecnologia em estágio inicial com restrições práticas significativas:

  • Custo computacional. Gerar uma prova ZK para a inferência de um modelo é ordens de magnitude mais caro do que a própria inferência. Para modelos grandes, a geração da prova pode levar de minutos a horas. Isso torna as aplicações em tempo real impraticáveis para qualquer coisa além de modelos pequenos.
  • Limites de tamanho do modelo. As estruturas atuais de zkML funcionam com modelos relativamente pequenos (de milhares a poucos milhões de parâmetros). Rodar zkML em um LLM completo com bilhões de parâmetros ainda não é prático. A pesquisa é ativa em técnicas como quantização de modelos, agregação de provas e provas recursivas para empurrar esses limites mais alto.
  • Maturidade das estruturas. O ferramental de zkML (por exemplo, EZKL, Modulus, Giza, Risc Zero para ML) está em desenvolvimento ativo. APIs, documentação e experiência do desenvolvedor estão evoluindo rapidamente, e mudanças disruptivas são comuns.
  • Implantações limitadas em produção. Poucos projetos têm zkML rodando em produção em escala. A maioria das implementações são protótipos de pesquisa ou demonstrações em modelos pequenos.
  • Compromissos de precisão. Converter operações de ML de ponto flutuante para aritmética de ponto fixo (necessária para circuitos ZK) pode introduzir pequenas diferenças numéricas. Essas diferenças são geralmente insignificantes para tarefas de classificação, mas podem importar para aplicações sensíveis à precisão.

Essas limitações definem a fronteira atual. A tecnologia está avançando rapidamente, e as restrições que existem hoje podem ser significativamente reduzidas dentro de poucos anos.

Estado prático do zkML hoje

Apesar das limitações, o zkML avançou para além da pura teoria. O estado atual inclui:

  • Provas de modelos pequenos são funcionais. Modelos com até poucos milhões de parâmetros (classificadores de imagem, pequenos modelos de linguagem) podem ser provados. A geração da prova leva de segundos a minutos, dependendo do tamanho do modelo.
  • A verificação on-chain funciona. Contratos verificadores ZK que checam provas de inferência de ML foram implantados no Ethereum e em outras chains.
  • O ferramental está melhorando. Estruturas como EZKL permitem que os desenvolvedores convertam modelos ONNX em circuitos ZK com relativamente poucas linhas de código.
  • Abordagens híbridas estão surgindo. Alguns projetos provam apenas as etapas de inferência mais críticas, ou geram provas de forma assíncrona para verificação posterior.

O que o zkML não comprova

  • Mesmo com uma prova ZK válida, o modelo subjacente poderia ser ruim, enviesado ou irrelevante. O zkML prova que o modelo rodou corretamente — ele não prova que o modelo é bom.
  • O zkML prova a integridade da computação, não a qualidade dos dados. Se os dados de entrada são lixo, a saída é lixo verificado.
  • O zkML não comprova que um token é necessário. Um projeto pode implementar zkML sem precisar de uma blockchain ou de um token para que a verificação funcione.
  • O zkML não comprova descentralização. Um único provedor centralizado pode gerar provas ZK para sua própria inferência. A descentralização vem da arquitetura do sistema, não do zkML em si.
  • O zkML não comprova que o modelo é o que se alega, a menos que o compromisso do modelo (um hash dos pesos) esteja ancorado a uma referência confiável. Sem esse vínculo, o provador poderia usar qualquer modelo.

Não confundir com

  • Inferência — o processo de executar um modelo. O zkML adiciona uma camada de verificação por cima da inferência; ele não a substitui.
  • ZK (provas de conhecimento zero) em geral — ZK é usado em toda a cripto para privacidade, escalabilidade e identidade. zkML é a aplicação específica de ZK à inferência de ML.
  • Inferência como AI component — descreve como a inferência aparece nos cartões de projeto do DecAIHub. zkML é um mecanismo que torna a inferência verificável.
  • Criptografia de modelo — criptografar um modelo o protege de ser lido, mas não prova que ele rodou corretamente. O zkML fornece uma prova de execução correta, que é uma garantia fundamentalmente diferente.
  • Aprendizado federado — uma técnica para treinar modelos em fontes de dados distribuídas sem compartilhar dados brutos. Ela resolve um problema diferente (privacidade durante o treinamento, não verificação durante a inferência).

Perguntas frequentes

Como o zkML funciona?

O zkML converte um modelo de machine learning em um circuito matemático, roda o modelo para produzir uma saída e gera uma prova criptográfica de que o circuito foi executado corretamente. A prova é compacta e pode ser verificada rapidamente por qualquer pessoa — incluindo um smart contract — sem reexecutar o modelo ou ver os pesos do modelo ou os dados de entrada. O desafio técnico é que cada operação de ML deve ser representada como uma restrição de circuito, tornando a geração da prova computacionalmente cara para modelos maiores.

O zkML é prático hoje?

Para modelos pequenos a médios (até poucos milhões de parâmetros), sim — a geração de provas funciona e a verificação on-chain é funcional. Para modelos grandes como os LLMs modernos com bilhões de parâmetros, o zkML ainda não é prático devido ao enorme custo computacional da geração de provas. A tecnologia está avançando rapidamente: as estruturas estão melhorando, os sistemas de prova estão se tornando mais eficientes e as abordagens híbridas (provar apenas etapas críticas) estão estendendo o alcance prático. Para fins de avaliação do DecAIHub, um projeto que implementa zkML em um modelo pequeno tem um AI component verificável, mesmo que a mesma abordagem ainda não possa escalar para os maiores modelos.

Por que um projeto de cripto usaria zkML?

A motivação primária é a verificação trustless. Em um sistema descentralizado, nenhuma parte única deve ser cegamente confiável. Se a saída de um modelo de IA dispara ações on-chain (pontuação de risco, aprovação de transação, distribuição de recompensas), os usuários e o protocolo precisam de uma garantia de que o modelo realmente rodou como alegado. O zkML fornece essa garantia sem exigir confiança no provedor de computação. As motivações secundárias incluem privacidade (provar que um modelo rodou sem expor pesos proprietários) e composabilidade (outros smart contracts podem verificar saídas de IA on-chain e construir sobre elas). Na estrutura DecAI Fit, a verificação baseada em zkML fortalece tanto a dimensão de AI reality quanto a de Onchain necessity.

O zkML é a única forma de verificar IA em cripto?

Não. As alternativas incluem TEEs (confiança no hardware), verificação baseada em consenso (confiança em uma maioria honesta) e verificação otimista (confiança em incentivos econômicos). Cada uma tem diferentes premissas de confiança, custos e limites. Muitos projetos combinam abordagens. O DecAIHub registra o mecanismo de verificação no cartão do projeto para que os leitores possam avaliar o modelo de confiança por si mesmos.

Referências externas

Ver também

No comments to display

Back to top