هوش مصنوعی به‌سرعت در حال تبدیل‌شدن به لایه‌ای تصمیم‌ساز در خدمات مالی، احراز هویت، مدیریت ریسک و برنامه‌های غیرمتمرکز است. بااین‌حال، بیشتر کاربران و حتی بسیاری از نهادها ناچارند به ادعای ارائه‌دهنده اعتماد کنند: آیا همان مدلی که وعده داده شده اجرا شده است؟ آیا ورودی‌ها دست‌کاری نشده‌اند؟ آیا خروجی واقعاً نتیجه اجرای مدل بوده یا صرفاً عددی است که یک سرور مرکزی اعلام کرده است؟
zkML یا یادگیری ماشین مبتنی بر اثبات‌های دانش صفر، تلاشی برای پاسخ رمزنگاری‌شده به همین پرسش‌هاست. ایده اصلی این است که یک عامل، بدون افشای مدل، داده‌های محرمانه یا تمام جزئیات محاسبه، ثابت کند که یک مدل مشخص روی ورودی مشخص اجرا شده و خروجی اعلام‌شده را تولید کرده است.
این فناوری در نقطه تلاقی هوش مصنوعی، رمزنگاری و بلاک‌چین قرار می‌گیرد؛ اما نباید آن را با عباراتی مانند «هوش مصنوعی غیرمتمرکز» یا «مدل کاملاً قابل اعتماد» یکی دانست. zkML می‌تواند اجرای صحیح یک محاسبه را اثبات کند، اما به‌تنهایی ثابت نمی‌کند که مدل از نظر اقتصادی، اخلاقی یا آماری مدل خوبی است.
zkML دقیقاً چه مشکلی را حل می‌کند؟
در معماری رایج، کاربر داده‌ای را به یک API می‌فرستد و سرویس‌دهنده خروجی مدل را برمی‌گرداند. کاربر معمولاً نمی‌داند مدل دقیقاً کدام نسخه بوده، چه وزن‌هایی داشته، آیا همه لایه‌ها اجرا شده‌اند یا آیا خروجی در مسیر تغییر کرده است. در بسیاری از کاربردهای روزمره، این سطح از اعتماد قابل‌قبول است؛ اما در حوزه‌هایی مانند اعتباردهی، معاملات خودکار، بیمه، سلامت و DeFi، خطا یا تقلب می‌تواند پیامد مالی مستقیم داشته باشد.
برای نمونه، یک پروتکل DeFi ممکن است از مدلی برای ارزیابی ریسک وام‌گیرنده استفاده کند. اگر مدل خارج از زنجیره اجرا شود، قرارداد هوشمند فقط خروجی نهایی را می‌بیند. در این حالت، قرارداد نمی‌تواند به‌صورت مستقل بررسی کند که خروجی واقعاً از مدل مصوب به‌دست آمده است یا اپراتور، نتیجه‌ای دلخواه را ارسال کرده است.
zkML این رابطه را از «اعتماد به اپراتور» به «بررسی یک اثبات رمزنگاری‌شده» تغییر می‌دهد. در این معماری، محاسبه سنگین معمولاً خارج از زنجیره انجام می‌شود و تنها یک اثبات نسبتاً فشرده به قرارداد هوشمند یا ناظر ارسال می‌شود. قرارداد لازم نیست کل مدل را دوباره اجرا کند؛ کافی است اعتبار اثبات را بررسی کند.
چگونه ثابت می‌کنیم مدل درست اجرا شده است؟
برای ساده‌سازی، می‌توان فرآیند را به چهار جزء تقسیم کرد: مدل، ورودی، خروجی و اثبات. ابتدا مدل به یک نمایش قابل‌اثبات تبدیل می‌شود؛ این نمایش می‌تواند مجموعه‌ای از قیود ریاضی، یک مدار رمزنگاری یا برنامه‌ای باشد که در ماشین مجازی دانش صفر اجرا می‌شود.
سپس تولیدکننده اثبات نشان می‌دهد که برای مدل مشخص، ورودی مشخص و خروجی مشخص، تمام مراحل محاسبه مطابق قواعد تعریف‌شده طی شده‌اند. تولیدکننده ممکن است مدل یا ورودی را محرمانه نگه دارد، درحالی‌که تأییدکننده فقط درستی گزاره را بررسی می‌کند.
به‌صورت مفهومی، گزاره‌ای که اثبات می‌شود می‌تواند چنین باشد: «من می‌دانم مدل متعهدشده، داده ورودی متعهدشده و مقادیر میانی‌ای را در اختیار دارم که اجرای صحیح تابع مدل را نشان می‌دهند و نتیجه این اجرا همان خروجی اعلام‌شده است.»
مفهوم تعهد به مدل اهمیت زیادی دارد. اگر فقط ثابت شود که یک مدل ناشناخته خروجی خاصی داده است، اثبات ارزش محدودی دارد. برای کاربرد جدی، باید نسخه مدل، وزن‌ها، معماری و گاهی تنظیمات پیش‌پردازش به یک شناسه یا تعهد رمزنگاری‌شده متصل شوند.
همچنین باید ورودی به اثبات متصل باشد. برای مثال، در یک معامله خودکار، اثبات نباید صرفاً نشان دهد که مدل روی «برخی داده‌ها» اجرا شده است؛ بلکه باید مشخص شود داده‌ها مربوط به وضعیت بازار یا وضعیت حساب مورد ادعا بوده‌اند. استاندارد پیشنهادی ERC-7992 که در تاریخ 23 جولای 2025 ایجاد شد، دقیقاً به ایده ثبت مدل، تعهد ورودی، خروجی و پذیرش اثبات استنتاج در قراردادهای هوشمند می‌پردازد. این سند را باید نشانه‌ای از تلاش برای استانداردسازی دانست، نه مدرکی قطعی از استفاده گسترده در تولید.
یک تفاوت مهم: اثبات اجرا با اثبات کیفیت یکی نیست
zkML معمولاً درباره درستی اجرای محاسبه صحبت می‌کند، نه کیفیت تصمیم. اگر مدل آموزش‌دیده بر داده‌های ناقص یا جانبدارانه باشد، اثبات رمزنگاری‌شده فقط نشان می‌دهد همان مدل واقعاً اجرا شده است. این فناوری نمی‌گوید مدل منصفانه، دقیق، سودآور یا مناسب تصمیم‌گیری است.
برای مثال، اگر یک مدل اعتبارسنجی با خطای آماری بالا ساخته شده باشد، zkML خطای طراحی آن را اصلاح نمی‌کند. همچنین اگر داده ورودی جعلی باشد، اثبات اجرای صحیح مدل روی داده جعلی همچنان می‌تواند معتبر باشد. بنابراین سامانه کامل باید علاوه بر اثبات استنتاج، درباره منشأ داده، زمان ثبت داده، نسخه مدل و قواعد حاکم بر تصمیم نیز کنترل داشته باشد.
این تمایز در فضای بازار کریپتو اهمیت ویژه‌ای دارد؛ زیرا عبارت «قابل‌راستی‌آزمایی» ممکن است به‌اشتباه به معنای «قابل اعتماد در همه ابعاد» تفسیر شود. zkML بخشی از زنجیره اعتماد را رمزنگاری می‌کند، نه تمام آن را.
امروز چه چیزی واقعاً کار می‌کند؟
تا تاریخ 4 اکتبر 2026، بخش قابل‌اتکاتر zkML مربوط به مدل‌های کوچک‌تر، شبکه‌های عصبی ساده‌تر، مدل‌های طبقه‌بندی، درخت‌های تصمیم و سناریوهایی است که می‌توانند هزینه تولید اثبات را تحمل کنند. ابزارهایی مانند EZKL امکان تبدیل مدل‌های سازگار با ONNX و برخی گراف‌های محاسباتی را به مدارهای قابل‌اثبات فراهم می‌کنند و طبق مستندات رسمی EZKL، اثبات تولیدشده می‌تواند خارج از زنجیره، در مرورگر یا در محیط‌هایی مانند ماشین مجازی اتریوم بررسی شود.
در سطح پژوهشی نیز مقاله «ZKML: An Optimizing System for ML Inference in Zero-Knowledge Proofs» که در 22 آوریل 2024 در کنفرانس EuroSys منتشر شد، نشان داد که با بهینه‌سازی کامپایلر و مدار می‌توان دامنه مدل‌های قابل‌اثبات را گسترش داد. این پژوهش به مدل‌های بینایی، نسخه‌ای تقطیرشده از GPT-2 و مدل توصیه‌گر اشاره می‌کند؛ اما وجود یک نتیجه پژوهشی با اجرای عملیاتی و ارزان در مقیاس تجاری یکسان نیست.
در حال حاضر، این فناوری برای اثبات تصمیم‌های محدود و قابل‌تعریف، واقع‌بینانه‌تر از اثبات کامل مدل‌های زبانی بزرگ است. برای مثال، اثبات این گزاره که «امتیاز ریسک از یک آستانه مشخص بالاتر است» می‌تواند کاربردی‌تر از اثبات تمام جزئیات تولید یک پاسخ طولانی توسط یک مدل زبانی باشد.
چه چیزی هنوز آزمایشی است؟
اثبات استنتاج مدل‌های بزرگ، به‌ویژه مدل‌های زبانی و مدل‌های چندوجهی، همچنان با چالش جدی هزینه و پیچیدگی روبه‌رو است. هر لایه، ضرب ماتریسی، تابع فعال‌سازی و عملیات روی اعداد اعشاری باید به نمایش سازگار با سیستم اثبات تبدیل شود. این تبدیل ممکن است نیازمند استفاده از حساب ممیز ثابت، تقریب توابع یا معماری‌های خاص مدل باشد.
در نتیجه، مدل اثبات‌شده ممکن است دقیقاً همان مدل مورد استفاده در سامانه عادی نباشد. تغییر در دقت عددی، کوانتیزه‌سازی یا تقریب یک تابع می‌تواند بر خروجی اثر بگذارد و باید به‌صورت جداگانه ارزیابی شود.
ادعای «اثبات هر مدل هوش مصنوعی با هزینه ناچیز» با شواهد موجود سازگار نیست. پژوهش‌های سال 2024 و 2025 پیشرفت مهمی در کاهش هزینه مدار و تعهد مدل نشان داده‌اند، اما تولید اثبات همچنان بخش پرهزینه سامانه است. مقاله Artemis در سپتامبر 2024 نیز تأکید کرد که علاوه بر اثبات اجرای مدل، بررسی تعهدهای مربوط به مدل و داده می‌تواند سربار قابل‌توجهی ایجاد کند.
هزینه و محدودیت‌های فنی
در zkML باید میان هزینه تولید اثبات و هزینه تأیید اثبات تفاوت گذاشت. تولید اثبات ممکن است روی سخت‌افزار قدرتمند و خارج از زنجیره انجام شود، درحالی‌که تأیید آن برای قرارداد هوشمند بسیار سریع‌تر باشد. این ویژگی برای بلاک‌چین مهم است، اما ارزان‌بودن تأیید به معنی ارزان‌بودن کل سامانه نیست.
محدودیت‌های اصلی عبارت‌اند از:
- هزینه تولید: مدل‌های بزرگ به محاسبات، حافظه و زمان بیشتری برای ساخت شاهد و اثبات نیاز دارند.
- پیچیدگی تبدیل مدل: همه عملیات رایج هوش مصنوعی به‌سادگی در مدارهای اثباتی قابل‌نمایش نیستند.
- دقت عددی: تبدیل اعداد اعشاری به نمایش‌های سازگار با میدان‌های有限 می‌تواند به تقریب و خطای عددی منجر شود.
- مدیریت نسخه: حتی تغییر کوچک در وزن‌ها یا پیش‌پردازش می‌تواند تعهد مدل را تغییر دهد.
- ریسک مدار ناقص: اگر برخی قیود به‌درستی تعریف نشده باشند، اثبات ممکن است چیزی کمتر از آنچه طراح تصور می‌کند تضمین کند.
- نیاز به سخت‌افزار تخصصی: در بسیاری از سناریوها، تولید سریع اثبات به سرورهای قدرتمند یا شتاب‌دهنده نیاز دارد.
از دید اقتصادی، پرسش اصلی این نیست که «آیا می‌توان برای مدل اثبات تولید کرد؟» بلکه این است که آیا ارزش امنیت، حریم خصوصی و حذف اعتماد واسطه‌ای از هزینه تولید اثبات بیشتر است یا خیر.
کاربرد zkML در DeFi
DeFi یکی از طبیعی‌ترین محیط‌ها برای استفاده از zkML است؛ زیرا قراردادهای هوشمند به‌تنهایی برای اجرای مدل‌های پیچیده مناسب نیستند، اما می‌توانند نتیجه یک اثبات را بررسی کنند. در این معماری، مدل خارج از زنجیره تحلیل را انجام می‌دهد و قرارداد فقط درصورت معتبر بودن اثبات اجازه اجرای عملیات را می‌دهد.
نمونه‌های بالقوه شامل اعتبارسنجی ریسک وام‌گیرنده، مدیریت وثیقه، انتخاب مسیر معامله، تنظیم پارامترهای نقدینگی و کنترل فعالیت عامل‌های خودکار هستند. در همه این موارد، باید میان «تصمیم‌گیری خارج از زنجیره» و «اثبات تصمیم» تفکیک قائل شد. صرف استفاده از یک مدل هوش مصنوعی در یک پروتکل، به معنی zkML بودن آن نیست.
گزارش پژوهشی Web3 and Artificial Intelligence: The State of Play در فوریه 2024 به استفاده آزمایشی از اثبات‌های مرتبط با مدل در راهبردهای بازدهی Yearn و پروژه Giza اشاره کرد. این گزارش شواهدی از جهت‌گیری بازار و نمونه‌های اولیه ارائه می‌دهد، اما نباید آن را معادل پذیرش گسترده یا اثبات عملکرد پایدار در مقیاس بزرگ دانست.
کاربرد مهم‌تر ممکن است در سیاست‌های محدود و قابل‌اثبات باشد؛ مثلاً قرارداد تنها زمانی اجازه استفاده از سرمایه را بدهد که مدل ثابت کند ریسک از آستانه تعیین‌شده کمتر است. چنین طراحی‌ای از اثبات یک خروجی ساده، عملی‌تر از آن است که کل منطق یک سامانه پیچیده معاملاتی روی زنجیره اثبات شود.
کاربرد در هویت و اعتبارسنجی
در حوزه هویت، zkML می‌تواند برای اثبات ویژگی‌های استخراج‌شده از داده‌های حساس به کار رود. برای مثال، به‌جای افشای تصویر کامل مدرک یا سوابق مالی، سامانه می‌تواند ثابت کند که یک فرد معیار مشخصی را دارد؛ البته این کاربرد نیازمند ترکیب zkML با مدارک قابل‌اعتبارسنجی، امضای دیجیتال و سیاست‌های هویتی است.
نمونه‌های واقع‌بینانه‌تر در کوتاه‌مدت، اثبات نتایج مدل‌های طبقه‌بندی روی اسناد یا داده‌های هویتی هستند؛ مانند اثبات اینکه سند معتبر است، فرد بالاتر از یک سن مشخص دارد یا یک حساب به یک شخص یکتا مرتبط است، بدون آن‌که همه داده خام برای برنامه غیرمتمرکز افشا شود.
بااین‌حال، باید میان zkML و هویت مبتنی بر اثبات دانش صفر تفاوت گذاشت. بسیاری از سامانه‌های هویتی مانند zkKYC صرفاً با مدارک و قیود رمزنگاری‌شده کار می‌کنند و لزوماً شامل اجرای مدل یادگیری ماشین نیستند. استفاده از برچسب zkML برای هر سامانه هویتی مبتنی بر ZK، از نظر فنی دقیق نیست.
مقایسه با رویکردهای جایگزین
| رویکرد | چه چیزی را تضمین می‌کند؟ | مزیت اصلی | محدودیت اصلی |
|---|---|---|---|
| اجرای متمرکز | در صورت اعتماد به ارائه‌دهنده، خروجی مدل در اختیار کاربر قرار می‌گیرد | سرعت و سادگی بالا | نبود امکان راستی‌آزمایی مستقل و وابستگی به اپراتور |
| اعتبارسنجی خوش‌بینانه | خروجی معتبر فرض می‌شود مگر آن‌که ناظر اعتراض کند | هزینه اولیه کمتر در برخی کاربردها | نیاز به دوره اعتراض، مشوق اقتصادی و فرض وجود ناظر صادق |
| محیط اجرای مورد اعتماد | کد در سخت‌افزار یا محیطی با ویژگی‌های امنیتی اجرا شده است | معمولاً سریع‌تر از اثبات کامل رمزنگاری‌شده | وابستگی به سخت‌افزار، تولیدکننده و مدل تهدید |
| zkML | مدل و ورودی متعهدشده، خروجی مشخص را طبق مدار تعیین‌شده تولید کرده‌اند | تأیید مستقل و امکان حفظ محرمانگی | هزینه بالای تولید اثبات و پیچیدگی تبدیل مدل |
| اتکا به اوراکل | یک نهاد یا شبکه داده یا نتیجه مدل را گزارش می‌کند | پیاده‌سازی عملی و قابل‌فهم | وابستگی به اعتبار، امنیت و سازوکار اجماع اوراکل |
ریسک‌ها و محدودیت‌ها
نخستین ریسک، اشتباه گرفتن اثبات اجرا با اثبات حقیقت است. اگر ورودی غلط باشد، مدل بد طراحی شده باشد یا معیار تصمیم‌گیری ناقص باشد، zkML نتیجه اشتباه را معتبرتر نمی‌کند؛ فقط اجرای تعریف‌شده را قابل‌بررسی می‌سازد.
ریسک دوم به طراحی مدار مربوط است. امنیت یک سامانه فقط به الگوریتم رمزنگاری وابسته نیست؛ مدار، کامپایلر، کتابخانه‌ها و فرآیند تعهد به مدل نیز باید بررسی شوند. یک قید جاافتاده یا پیاده‌سازی ناقص می‌تواند دامنه چیزی را که واقعاً اثبات شده کاهش دهد.
ریسک دیگر، تمرکز در مرحله تولید اثبات است. حتی اگر تأیید روی زنجیره غیرمتمرکز باشد، ممکن است تنها یک شرکت یا اپراتور توان تولید سریع اثبات را داشته باشد. این وضعیت می‌تواند به نقطه شکست عملیاتی، سانسور یا وابستگی تجاری منجر شود.
همچنین حریم خصوصی مطلق تضمین نمی‌شود. الگوی استفاده، زمان ارسال اثبات، اندازه داده و خروجی‌های تکرارشونده ممکن است اطلاعات جانبی افشا کنند. بنابراین طراحی حریم خصوصی باید فراتر از خود اثبات دانش صفر باشد.
این موضوع به چه کسی مربوط است؟
برای توسعه‌دهندگان قرارداد هوشمند، zkML زمانی مهم است که تصمیمی خارج از زنجیره گرفته می‌شود اما اجرای آن باید درون قرارداد قابل‌اعتماد باشد. برای شرکت‌های هوش مصنوعی، این فناوری راهی برای اثبات استفاده از مدل یا داده مشخص بدون افشای کامل مالکیت فکری فراهم می‌کند.
برای فعالان DeFi، موضوع زمانی اهمیت دارد که مدل در تخصیص سرمایه، ارزیابی ریسک یا اجرای خودکار معامله نقش دارد. برای متخصصان هویت دیجیتال و حریم خصوصی نیز zkML می‌تواند در مواردی که استخراج یک ویژگی از داده حساس ضروری است، مکملی برای مدارک قابل‌اعتبارسنجی باشد.
در مقابل، برای کاربر عادی که صرفاً از یک چت‌بات یا ابزار تولید محتوا استفاده می‌کند، ممکن است zkML در کوتاه‌مدت ارزش عملی محدودی داشته باشد. هزینه و پیچیدگی این فناوری زمانی توجیه پیدا می‌کند که پیامد تصمیم بالا باشد و اعتماد به ارائه‌دهنده به‌تنهایی کافی نباشد.
جمع‌بندی
zkML یک راه برای تبدیل ادعای «مدل من این خروجی را تولید کرده است» به گزاره‌ای قابل‌بررسی رمزنگاری‌شده است. نقطه قوت آن در اثبات اجرای صحیح مدل مشخص روی ورودی مشخص، حفظ بخشی از محرمانگی و امکان بررسی نتیجه توسط قرارداد هوشمند یا ناظر مستقل قرار دارد.
بااین‌حال، این فناوری هنوز زیرساخت عمومی و ارزان برای اثبات همه مدل‌های بزرگ هوش مصنوعی نیست. ابزارهای توسعه، پژوهش‌های دانشگاهی، نمونه‌های اولیه در DeFi و تلاش برای استانداردسازی نشان می‌دهند که zkML از مرحله ایده صرف عبور کرده است؛ اما شواهد موجود همچنان بیشتر به سمت مدل‌های محدود، اثبات‌های هدفمند و کاربردهای آزمایشی یا تخصصی اشاره دارند.
مهم‌ترین معیار ارزیابی هر پروژه zkML باید این باشد: دقیقاً چه گزاره‌ای اثبات می‌شود، مدل و ورودی چگونه متعهد شده‌اند، هزینه تولید اثبات چقدر است، چه کسی اثبات را تولید می‌کند و چه چیزی خارج از دامنه اثبات باقی می‌ماند.
سوالات متداول
zkML چیست؟
zkML مجموعه‌ای از روش‌های رمزنگاری و مهندسی است که امکان اثبات اجرای صحیح یک مدل یادگیری ماشین را فراهم می‌کند، بدون آن‌که الزاماً مدل، داده‌های ورودی یا تمام مراحل محاسبه افشا شوند.
آیا zkML ثابت می‌کند خروجی مدل درست یا سودآور است؟
خیر. zkML معمولاً اجرای صحیح مدل و تولید خروجی را اثبات می‌کند، نه کیفیت مدل، بی‌طرفی داده، سودآوری تصمیم یا مناسب‌بودن آن برای یک کاربرد خاص.
آیا مدل‌های زبانی بزرگ را می‌توان با zkML اثبات کرد؟
از نظر فنی، پژوهش‌هایی برای اثبات بخش‌هایی از مدل‌های بزرگ انجام شده است، اما هزینه، زمان، پیچیدگی مدار و مدیریت دقت عددی همچنان محدودیت‌های مهم هستند. کاربردهای محدود و خروجی‌های مشخص فعلاً عملی‌تر از اثبات کامل مدل‌های بسیار بزرگ هستند.
zkML چه تفاوتی با اوراکل دارد؟
اوراکل معمولاً داده یا نتیجه را از یک منبع یا شبکه به قرارداد منتقل می‌کند و امنیت آن به سازوکار اعتماد و اجماع اوراکل وابسته است. zkML تلاش می‌کند درستی اجرای مدل و ارتباط ورودی و خروجی را با اثبات رمزنگاری‌شده قابل‌بررسی کند؛ هرچند همچنان به صحت ورودی و طراحی مدل نیاز دارد.
آیا zkML همین امروز در DeFi کاربرد عملی دارد؟
ابزارهای فنی و نمونه‌های اولیه وجود دارند و گزارش‌های پژوهشی به آزمایش‌هایی در راهبردهای DeFi اشاره کرده‌اند، اما استفاده گسترده و استاندارد از zkML در پروتکل‌های مالی غیرمتمرکز هنوز تثبیت نشده است. هر ادعا درباره استفاده تولیدی باید با قرارداد، مستندات فنی و شواهد قابل‌بررسی پشتیبانی شود.
منابع
- مستندات رسمی EZKL
- مخزن رسمی EZKL در GitHub
- مقاله ZKML: An Optimizing System for ML Inference in Zero-Knowledge Proofs، منتشرشده در EuroSys 2024
- مقاله Artemis: Efficient Commit-and-Prove SNARKs for zkML، سپتامبر 2024
- مقاله A Survey of Zero-Knowledge Proof Based Verifiable Machine Learning، فوریه 2025
- استاندارد پیشنهادی Ethereum ERC-7992: Verifiable ML Model Inference، ایجادشده در 23 جولای 2025
- گزارش Web3 and Artificial Intelligence: The State of Play، فوریه 2024
- مستندات رسمی Ethereum درباره اثبات‌های دانش صفر و هویت غیرمتمرکز
سلب مسئولیت
این مقاله صرفاً با هدف آموزش و اطلاع‌رسانی تهیه شده است و توصیه مالی، سرمایه‌گذاری، حقوقی یا فنی برای استفاده از یک پروژه خاص محسوب نمی‌شود. فناوری zkML و پروژه‌های مرتبط با آن همچنان در حال توسعه هستند و ارزیابی هر محصول یا پروتکل باید بر اساس مستندات فنی، کد، مدل تهدید، هزینه‌ها و ریسک‌های مستقل انجام شود.
