ZKML是什么？零知识机器学习正在重塑AI信任体系

大模型和AI Agent的能力提升速度远超市场预期，AI已经不只是写文案、生成图片那么简单，信贷审批、保险定价、医疗辅助诊断、链上风控、自动交易机器人、DAO治理投票建议，越来越多关键决策开始交给模型处理。

进入AI Agent时代之后，仅靠信任显然已经不够了，于是Verifiable AI（可验证AI）快速升温，而支撑这套体系的核心技术，就是ZKML（Zero-Knowledge Machine Learning，零知识机器学习）。

什么是ZKML？

ZKML就是在不公开模型参数和用户数据的情况下，证明AI确实按照指定模型完成了推理，并且结果没有被篡改。

传统AI推理流程是：

输入数据
↓
模型推理
↓
输出结果

用户只能看到结果，却无法确认：

1、是否真的使用了承诺的模型版本。

2、模型参数是否被修改。

3、是否人为干预了结果。

4、是否针对不同用户采用不同标准。

而ZKML增加了一层数学证明：

输入数据
↓
模型推理
↓
生成零知识证明
↓
输出结果+ Proof

验证者无需重新运行模型，也无需获得模型权重，就能确认：

•计算过程真实发生。

•使用的是指定模型。

•输入数据没有被替换。

•输出结果确实来源于模型推理。

整个过程类似于拿到一张无法伪造的数字收据。

为什么AI行业越来越需要ZKML？

① AI模型越来越贵

训练顶级模型的成本已经达到数千万甚至数亿美元，模型权重本身就是企业最核心的资产。

开源意味着知识产权流失，闭源又会带来信任问题。

ZKML第一次实现了不公开模型，也能证明模型确实被正确执行。

这几乎完美解决了商业机密和可信计算之间的矛盾。

② AI监管开始从“可解释”转向“可验证”

深度学习模型天然存在可解释性不足的问题，尤其是Transformer模型，大部分决策过程甚至连开发团队都无法完全解释。

相比解释每一步为什么这样计算，监管机构更关注另一件事，模型有没有作弊？

于是行业思路开始变化：

项目	可解释AI	可验证AI
能解释决策原因	较强	较弱
能证明计算正确	一般	很强
商业机密保护	较差	很强
适合闭源模型	较弱	很强
链上验证能力	几乎没有	很强

越来越多团队认为AI可能无法做到完全透明，但至少应该做到可验证。

③ AI Agent需要可信执行能力

AI Agent已经开始拥有钱包、资产以及自主决策能力，以太坊生态甚至已经开始建立专门的AI Agent验证标准。

2026年提出的ERC-8004标准，引入了Agent身份、信誉以及验证注册体系，其中就包括zkML证明、TEE证明以及重新执行验证机制。该标准已经部署到Ethereum、Base、Arbitrum、Polygon等16条网络。

未来链上AI在执行高风险操作前，可能需要先提交一份zkML证明，AI Agent正在从“相信它”变成“验证它”。

ZKML到底是如何工作的？

1、模型承诺

开发者首先对模型权重进行哈希处理，这个哈希值相当于模型身份证，后续任何推理，都必须基于这一版本完成。

2、本地完成推理

模型正常运行，得到预测结果。

3、生成零知识证明

系统将整个推理过程转换成数学约束，随后生成一份Proof，这份证明通常只有几KB大小。

4、快速验证

验证过程非常轻量，链上智能合约甚至可以直接完成验证。

验证耗时通常只有几毫秒，这也是为什么ZKML被视为链上AI最重要的基础设施之一。

哪些场景已经开始使用ZKML？

医疗AI

医院能够证明使用的是监管批准模型、医学影像没有被篡改、推理过程真实可信，整个过程中无需公开病历和影像数据。

金融风控

银行可以证明风控模型版本符合监管要求、没有人为修改审批结果、没有调用禁止使用的数据字段，监管机构无需查看模型权重即可完成审计。

链上AI交易

AI交易机器人已经成为加密市场的重要参与者。

ZKML可以证明使用的是指定策略、没有超出风险限制、没有执行未授权交易，对于Defi协议来说，这一点尤其重要。

AI生成内容认证

深度伪造正在快速增长，AI图片、AI视频、AI声音越来越难辨真假。

World正在推动基于零知识证明的人类身份验证体系，希望解决AI时代的人机识别问题，并已经开始与视频会议、社交和办公平台进行整合测试。

未来内容可能会附带两份证明：人类身份证明和AI生成证明，真假内容的验证方式，可能会发生根本变化。

ZKML赛道已经进入基础设施竞争阶段

过去两年ZKML更多停留在实验室阶段，2026年开始工具链成熟速度明显加快。

活跃项目主要包括：

项目	主要方向
EZKL	ONNX模型零知识推理
Modulus Labs	链上AI和Defi场景
Giza	Starknet生态AI基础设施
Nexus	zkVM与可验证计算
RISC Zero	通用零知识计算
Zkonduit	zkML开发工具

其中EZKL已经支持PyTorch和TensorFlow模型导出，并持续进行版本更新，截至2026年其Github Star数量已经超过1200，成为开发者使用最多的zkML工具之一。

同时以太坊生态还出现了专门面向zkML的推理标准ERC-7992，用于统一模型注册、验证接口以及证明格式。

ZKML距离行业标配还有多远？

阻碍主要集中在三个方向：

① 证明生成成本仍然较高。

② 大模型推理电路依然复杂。

③ GPU、FPGA以及专用ASIC硬件生态还不成熟。

好消息是验证成本几乎可以忽略。

对于区块链而言，只要验证足够便宜，链下生成证明的成本问题就有机会被商业模式消化。

这与Rollup的发展路径非常相似。

AI时代的信任逻辑正在发生变化

互联网时代，人们习惯相信平台。

区块链时代，人们开始相信代码。

AI时代，信任对象正在变成数学证明。

未来的AI输出结果，或许都会附带这样一组信息：

模型ID
模型版本
输入承诺值
推理结果
零知识证明

看到结果不再需要先相信平台，也不需要相信开发团队，验证一下证明是否成立就够了。

AI从“相信我”走向“验证我”，这大概就是ZKML最重要的价值。