Chi produce le prove? I mercati dello zk-ML nel 2026

Nel 2026 lo zk-ML ha smesso di essere una curiosità da laboratorio. Le prove a conoscenza zero riescono a certificare che un modello di intelligenza artificiale ha prodotto un certo risultato senza barare, e in diversi casi senza rivelare né i pesi del modello né i dati in ingresso. La domanda che pesa sul settore non è più se la matematica funzioni, ma chi genera queste prove, a quale costo, e se un mercato possa renderle abbastanza economiche da servire a qualcosa. Questa guida parte dalle fondamenta dello zk-ML e arriva al punto che quasi nessuno racconta: il lato dell’offerta, cioè la fabbrica delle prove.

Cosa significa zk-ML e perché la domanda è cambiata

Lo zk-ML (zero-knowledge machine learning) applica le prove a conoscenza zero, in pratica gli zk-SNARK, all’inferenza di un modello di machine learning. Chi esegue il calcolo allega una prova crittografica, corta ed economica da controllare, che attesta due cose: che l’inferenza è stata svolta correttamente e che è stata svolta con quel preciso modello. Chi verifica non deve rieseguire nulla, controlla la prova in pochi millisecondi. La fiducia si sposta da «fidati del server che ha girato il modello» a «verifica la prova». È la stessa idea che regge gli zk-rollup di Ethereum, applicata però a una rete neurale invece che a un lotto di transazioni.

Per anni il limite è stato brutale. Provare l’inferenza di un modello grande era troppo lento e troppo costoso, al punto che molti consideravano lo zk-ML inadatto a qualsiasi cosa più complessa di una piccola rete neurale. Nel 2026 quel muro si è incrinato. DeepProve, il sistema sviluppato da Lagrange, ha dimostrato end-to-end l’inferenza di un LLM completo (GPT-2 e Gemma-3), e una nuova generazione di tecniche ha abbattuto il costo delle operazioni che prima facevano esplodere i tempi. Risolto in buona parte il come, il baricentro del dibattito si è spostato sull’economia: generare una prova resta la parte cara, e la vera partita dell’anno è costruire mercati capaci di produrre prove su scala, come una rete elettrica distribuisce energia.

La prova, non l’inferenza, è la metà costosa

Per capire perché serva un mercato bisogna guardare l’asimmetria al cuore dello zk-ML. Eseguire l’inferenza di un modello è relativamente economico; generare la prova crittografica che quell’inferenza è corretta è da decine a centinaia di volte più costoso in termini di calcolo. Verificare la prova, invece, è quasi gratuito. Produzione cara, verifica a buon mercato: è la stessa asimmetria che rende utili gli zk-rollup, e disegna con precisione il problema dello zk-ML, perché il collo di bottiglia non è controllare le prove ma fabbricarle.

Vitalik Buterin, nel suo saggio sul rapporto tra crypto e intelligenza artificiale, ha quantificato gli ordini di grandezza. La moltiplicazione tra matrici, che è il grosso del lavoro di una rete neurale, si prova con un overhead contenuto, «less than 4x» nelle sue parole; sono le operazioni non lineari a far esplodere il conto, con un costo intorno a «around 200x»; e provare con uno zk-SNARK anche solo un blocco di Ethereum, scrive, «can take hours». È il motivo per cui, finché la generazione delle prove resta così onerosa, il settore non ha un problema di matematica ma di economia industriale: come produrre tante prove, in fretta, a un prezzo che qualcuno sia disposto a pagare.

Questa asimmetria spiega perché lo zk-ML non si compri come un normale servizio cloud. In un’API tradizionale paghi per l’inferenza e basta; qui paghi l’inferenza più la prova, e la prova può pesare molto più del calcolo originale. Chi costruisce un prodotto deve quindi chiedersi se la garanzia crittografica valga quel sovrapprezzo, e la risposta cambia radicalmente a seconda del contesto: per un chatbot gratuito non ha senso, per un contratto che muove milioni di euro o per un referto che deve resistere a una contestazione legale può valere ogni centesimo. È da questa domanda, non dalla matematica, che nasce l’idea di un mercato delle prove.

Le tre pareti tecniche, e come il 2026 le ha abbattute

Perché provare un modello è così caro? Per tre ostacoli ben precisi. Il primo sono le operazioni non lineari, come le funzioni di attivazione ReLU o softmax: dentro un circuito aritmetico costano moltissimo, e per anni sono state approssimate con polinomi, perdendo precisione. Il secondo è la virgola mobile: i circuiti ragionano su numeri interi dentro un campo finito, non sui float a 32 bit con cui gira un modello reale, da cui la necessità di quantizzare. Il terzo è la scala: moltiplicare questi costi per miliardi di parametri rendeva la generazione di una prova un esercizio da ore o giorni.

Il 2026 ha portato due strumenti che cambiano l’equazione: i lookup e il protocollo sumcheck. Jolt Atlas, il zkVM Jolt di a16z adattato da ICME Labs e NovaNet alle operazioni tensoriali del formato ONNX, sostituisce la rappresentazione a circuito delle funzioni non lineari con tabelle di consultazione precalcolate. Wyatt Benno di ICME Labs lo sintetizza così: «Lookups eliminate the need for circuit representation entirely», con un benchmark che porta la generazione da circa 4-5 secondi di EZKL a circa 0,7 secondi. Tradotto: l’ostacolo che costava di più, le operazioni non lineari, è passato da collo di bottiglia a dettaglio gestibile.

Il risultato visibile è DeepProve. Dall’apertura del codice, a giugno 2026, il sistema di Lagrange dichiara oltre 12 milioni di prove generate e 3 milioni di inferenze verificate, con una generazione delle prove decine di volte più rapida e una verifica centinaia di volte più veloce rispetto allo stato dell’arte precedente. Ismael Hishon-Rezaizadeh, CEO di Lagrange, ha scelto una frase a effetto per l’open source: «The black box is open». Il muro degli LLM non è caduto del tutto, perché i modelli di frontiera restano fuori portata, ma per la prima volta un LLM completo è stato provato dall’inizio alla fine.

Il compromesso della quantizzazione

C’è un avvertimento che accompagna ogni prova zk-ML e che conviene conoscere prima di fidarsi dell’etichetta «AI verificata». Una prova certifica il modello che è entrato nel circuito, non necessariamente quello che gira in produzione. Poiché i float a 32 bit non entrano nei circuiti, il modello va quantizzato, in genere a interi a 8 bit. Elena Burger, deal partner di a16z crypto, è stata netta: «zero-knowledge proofs today can’t represent 32-bit floating point operations in the necessary arithmetic circuit format without massive overheads», e un modello quantizzato è «a crude approximation of the higher-quality initial model».

In altre parole, la prova è solida dal punto di vista matematico (soundness), ma può attestare una versione approssimata del modello: la solidità non è fedeltà. I lookup del 2026 hanno recuperato una parte della perdita, perché non servono più i polinomi approssimati per ReLU e softmax, ma la quantizzazione resta il biglietto d’ingresso. Per gli usi in cui il modello quantizzato è il prodotto (un avversario in un gioco, un meccanismo di fee, un modello biometrico sul telefono) il compromesso va benissimo. Per certificare un modello di frontiera, è un avvertimento da non ignorare. Strumenti come EZKL espongono persino una manopola esplicita tra accuratezza e costo, con una modalità che allarga la scala numerica per avvicinarsi al modello originale e una che la stringe per risparmiare risorse.

zk-ML contro gli altri tre approcci

Lo zk-ML non è l’unico modo per rendere verificabile un calcolo di intelligenza artificiale. Il calcolo verificabile ha quattro famiglie, e capirne le differenze serve a inquadrare perché il lato dell’offerta dello zk-ML sia un problema a sé. Oltre alle prove crittografiche c’è l’opML (ottimistico: pubblichi il risultato e lo consideri valido salvo contestazione entro una finestra di tempo), i TEE o ambienti di esecuzione fidati (l’hardware attesta di aver eseguito il modello, ma ti fidi del produttore del chip) e l’approccio crypto-economico (metti in gioco uno stake e vieni tagliato se imbrogli).

La riga che conta è la prima. Lo zk-ML è l’unico dei quattro che è al tempo stesso trustless e capace di nascondere i dati: non devi fidarti di nessun operatore e, se serve, né il modello né gli input restano esposti. Paga questa doppia proprietà con il costo di generazione, molto più alto degli altri tre. Ed è proprio per questo che la partita del 2026 non è più tecnica ma economica: se la prova è cara, serve un mercato che la produca in modo efficiente. È qui che la storia diventa interessante.

Trasformare le prove in un mercato: tre strutture

Quando una risorsa è scarsa e costosa, il mondo cripto reagisce sempre allo stesso modo: costruisce un mercato. È successo con lo spazio nei blocchi, con la liquidità, con l’archiviazione decentralizzata, e nel 2026 sta succedendo con la generazione delle prove. L’idea è separare chi ha bisogno di una prova (uno sviluppatore, un protocollo, un agente) da chi ha l’hardware per produrla (un prover), e lasciare che un meccanismo di incentivi li faccia incontrare. Le forme che questo mercato ha preso sono essenzialmente tre.

• Il marketplace aperto. Chiunque pubblica una richiesta di proving, i prover fanno offerte e vengono pagati in base a volume, velocità e complessità del lavoro svolto. Esempio di riferimento: Boundless, con il token ZKC.
• Le reti di prover con staking. Gli operatori mettono in gioco un token come garanzia e vengono tagliati (slashing) se imbrogliano o non consegnano. Esempi: Succinct (token PROVE) e Lagrange (token LA).
• La subnet DePIN. Un mercato incentivato in cui i miner competono a chi produce la prova più in fretta e più accurata, premiati dalle emissioni di un token. Esempio: Omron, la subnet 2 di Bittensor.

Il marketplace aperto: Boundless e la Proof of Verifiable Work

Boundless, incubato da RISC Zero e in mainnet su Base da settembre 2025, è il caso di scuola del marketplace aperto. È un mercato di calcolo a conoscenza zero agnostico rispetto al protocollo: non importa quale sistema di prove tu usi, Boundless cerca di accoppiarti con un prover disponibile. Il meccanismo di incentivo si chiama Proof of Verifiable Work (PoVW) e, come ha spiegato CoinDesk alla partenza, premia i prover «based on the volume, speed and complexity of their computations». Shiv Shankar, CEO di Boundless, ha riassunto l’ambizione così: «For the first time, developers on any chain can access abundant zero-knowledge compute to build complex applications that scale across ecosystems without sacrificing decentralization».

Qui scatta l’analogia che un lettore cripto coglie al volo. La Proof of Verifiable Work è una forma di mining in cui il lavoro non è un hash fine a sé stesso ma una prova utile. Come i minatori di Bitcoin competono per il prossimo blocco, i prover competono per il prossimo lotto di prove, e il token ricompensa chi lavora meglio e più in fretta. La differenza è sostanziale: il calcolo non serve solo a difendere una catena, produce un bene vendibile. Vale la pena ricordare, guardando a cosa compra davvero l’hashrate di Bitcoin, che un sistema a lavoro e ricompensa tende a concentrarsi dove l’hardware costa meno, un tema su cui torneremo.

La parola chiave è neutralità. Boundless non vende un proprio sistema di prove ma fa incontrare domanda e offerta qualunque sia la tecnologia sottostante, così uno sviluppatore su una catena qualsiasi può comprare capacità di calcolo a conoscenza zero senza gestire in proprio un parco di prover. È la stessa logica di un mercato dell’energia: non ti interessa quale centrale ha prodotto i chilowattora, ti interessa che arrivino quando servono e al prezzo giusto. Tra i protocolli che hanno iniziato a integrarsi compare Wormhole, segno che la domanda iniziale arriva soprattutto da chi deve spostare o verificare stati tra catene diverse.

Il lato scomodo è il token. ZKC vale circa 0,03 euro, vicino ai minimi storici, con una capitalizzazione intorno agli 8,7 milioni di euro e oltre il 98% di distanza dal massimo storico di 1,51 euro. Il marketplace tecnico esiste e funziona; il mercato del token, per ora, racconta una storia diversa.

Le reti di prover con staking: Succinct e Lagrange

La seconda struttura sostituisce l’asta aperta con una rete di operatori che mettono in gioco capitale. Succinct costruisce SP1, uno zkVM basato sull’architettura RISC-V che permette di provare programmi scritti in linguaggi normali, e intorno a esso una rete di prover con staking: chi vuole generare prove vincola token PROVE come garanzia e viene punito se non consegna o se imbroglia. È un modello che sposta la fiducia dalla reputazione al capitale a rischio. PROVE vale circa 0,16 euro, con una capitalizzazione intorno ai 31,5 milioni, circa l’89% sotto il massimo storico: il meno disastrato del gruppo, ma comunque lontanissimo dai picchi.

Lagrange costruisce DeepProve e una propria rete di prover, ma è qui che emerge la biforcazione più interessante dell’anno. Mentre le reti permissionless inseguono la decentralizzazione pura, Lagrange ha imboccato la strada enterprise e difesa. A novembre 2025 è entrata nell’Oracle Partner Network per portare DeepProve su Oracle Cloud Infrastructure, negli ambienti sovrani ad alta sicurezza pensati per difesa, aerospazio e pubblica amministrazione; ha mostrato DeepProve dentro l’ambiente Lattice di Anduril e si è inserita nelle filiere di fornitori di Lockheed Martin. Il token LA, intanto, vale circa 0,047 euro, con una capitalizzazione intorno ai 9 milioni, in calo di quasi il 28% nell’ultimo mese e del 97% dal massimo.

Sono due letture dello stesso dato. Da un lato la tecnologia trova compratori veri (cloud sovrani, programmi di difesa, assicurazione sull’integrità dell’AI), segno che il valore d’uso è reale. Dall’altro il token resta sotto pressione, perché il ricavo di quei contratti non passa necessariamente dal token. È la tensione che percorre tutto il settore e che vale la pena tenere a mente ogni volta che si legge di una rete decentralizzata il cui business migliore è, di fatto, un contratto enterprise.

La subnet DePIN: Omron, Bittensor e la Proof of Inference

La terza struttura è nata dentro Bittensor, la rete che trasforma compiti di intelligenza artificiale in mercati competitivi chiamati subnet. Omron, la subnet numero 2, costruita da Inference Labs, è descritta come «the largest decentralized zkML proving cluster in the world». Attiva da aprile 2024, ha generato oltre 160 milioni di prove a conoscenza zero. I miner competono su velocità, dimensione della prova e accuratezza; le emissioni della rete premiano chi vince, e l’incentivo si estende oltre la semplice generazione, fino alla distillazione dei modelli, al design dei circuiti e all’ottimizzazione dei prover. Il protocollo si chiama Proof of Inference. Inference Labs ha raccolto 6,3 milioni di dollari da DACM, Delphi Ventures, Arche Capital e Lvna Capital, più un round riservato alla community guidato da Native Capital.

Ron Chan, co-fondatore di Inference Labs, mette la domanda al centro del progetto: «AI agents will soon outnumber human users online, and AI is going to be part of every decision in our lives, cryptographic trust in AI outputs is non-negotiable. Proof of Inference is our answer: privacy-preserving, provable inference at scale». È il lato DePIN del mercato delle prove: niente asta centrale né contratto enterprise, ma una folla di operatori incentivati da un token, con tutti i pregi (apertura, ridondanza) e i difetti (volatilità, tendenza all’accentramento) del modello.

Il modello DePIN ha una conseguenza pratica spesso trascurata: trasforma la generazione di prove in una gara continua tra operatori, dove il margine si assottiglia man mano che i miner diventano più efficienti. Non a caso Inference Labs ha affiancato a Omron un’evoluzione chiamata DSperse, parte della stessa ricerca su come abbassare il costo del proving. È anche la scommessa più esplicita sull’economia degli agenti: se davvero gli agenti autonomi diventeranno la maggioranza del traffico online, come sostiene Ron Chan, serviranno infrastrutture capaci di firmare moltissime piccole inferenze, non poche grandi prove occasionali.

L’analogia mineraria e il rischio di ricentralizzazione

Mettere insieme le tre strutture fa emergere un parallelo scomodo. La Proof of Verifiable Work e le subnet DePIN assomigliano molto al mining: calcolo intenso, premiato da un token, in cui vince chi è più veloce ed efficiente. E come il mining, tendono a ricentralizzarsi. Generare prove richiede GPU potenti; chi ne ha di più vince più spesso; il rischio è che poche grandi fattorie di GPU finiscano per dominare la produzione, esattamente come i grandi pool hanno concentrato l’hashrate di Bitcoin nel corso degli anni.

Il nodo si intreccia con il resto dell’economia del calcolo decentralizzato. I prover competono per la stessa risorsa (GPU di fascia alta) che i marketplace come Akash affittano, e che le reti di addestramento AI si contendono. C’è poi un vincolo tecnico che spinge ancora verso l’accentramento: per ottenere risultati bit-identici, necessari a molte forme di verifica, serve spesso lo stesso identico modello di GPU, cosa che mal si concilia con un parco hardware aperto ed eterogeneo. Il risultato è che decentralizzato, nel marketing, rischia di tradursi in poche fattorie di GPU nella pratica, la stessa tensione tra missione e realtà che ha segnato il calcolo AI decentralizzato, come mostra la parabola di Gensyn e del suo token.

Dove lo zk-ML serve davvero oggi

Un mercato delle prove ha senso solo se qualcuno le compra. Oggi gli usi concreti dello zk-ML si concentrano in pochi territori, non a caso quelli in cui un risultato sbagliato o truccato costa subito qualcosa.

• Giochi e provably-fair. Ogni mossa di un avversario controllato dall’AI può essere provata, così l’operatore non può cambiare modello a metà partita. Modulus Labs lo ha mostrato con Leela vs the World, e la demo pubblica Turing Roulette di Lagrange ha raccolto centinaia di migliaia di partecipanti e milioni di inferenze verificate dal vivo.
• Oracoli e DeFi. OpenGradient, usando EZKL, ha portato in produzione un meccanismo di fee dinamiche per Uniswap V3: un modello fissa le commissioni in base alla volatilità e la prova garantisce che quel modello non sia stato manomesso.
• Agenti autonomi. Un agente on-chain che prova la propria inferenza prima di firmare una transazione dà al contratto che lo ospita una garanzia crittografica, non una promessa.
• Inferenza privata. È l’unico dei quattro approcci che prova senza mostrare: utile dove i dati sono sensibili, dalla biometria alla sanità, e dove la privacy è un requisito e non un optional.

Una nota sulla scala aiuta a tenere i piedi per terra. zkPyTorch di Polyhedra prova la classificazione di un’immagine con una rete come VGG-16 (15 milioni di parametri) in circa 2,2 secondi, mentre un Llama-3 da 8 miliardi di parametri richiede dell’ordine di 150 secondi per singolo token su un core: le immagini e i modelli piccoli sono già pratici, gli LLM molto meno. È il motivo per cui i primi usi reali vivono nei giochi, negli oracoli e nei modelli compatti, non nel chatbot di frontiera.

La domanda vera: chi paga per le prove?

Il lato dell’offerta, come abbiamo visto, è stato costruito: marketplace, reti con staking, subnet. Il lato della domanda, invece, è ancora in gran parte una scommessa. Tre i bacini che potrebbero farla decollare.

Il primo è la conformità. L’EU AI Act è applicabile dal 2 agosto 2026, con i poteri di enforcement della Commissione e gli obblighi di trasparenza (gli obblighi sui modelli generici, i GPAI, sono in vigore dal 2 agosto 2025), e prevede multe fino a 15 milioni di euro o il 3% del fatturato globale. La legge impone di dichiarare la provenienza dei dati e di documentare, non di provarla crittograficamente, ma crea la spinta verso l’auditabilità che lo zk-ML promette di soddisfare. Lagrange, citando una ricerca McKinsey, riferisce che il 71% dei dirigenti d’azienda non scalerebbe i propri sistemi di AI senza una prova di correttezza: una domanda potenziale enorme, se si traducesse in acquisti.

Il secondo bacino è il denaro on-chain: nella DeFi, dove un output sbagliato si traduce subito in una perdita, la prova vale il suo prezzo. Il terzo sono gli agenti: se gli agenti autonomi si moltiplicheranno come promette il settore, la fiducia verificabile diventerà infrastruttura, non accessorio. Il contesto aiuta la tesi: lo Stanford AI Index 2026 conta 362 incidenti legati all’AI nel 2025, in crescita del 55%, con un’adozione all’88% e una trasparenza in calo (80 modelli su 95 tra i più noti del 2025 sono usciti senza codice di addestramento). Più l’AI diventa opaca, diffusa e critica, più verificarla ha senso.

Il contrappunto arriva dagli Stati Uniti. Nel 2026 SEC e CFTC hanno chiarito quali asset digitali vanno trattati come commodity, nominando i grandi come Bitcoin, Ethereum, Solana e XRP, ma restando in silenzio sui token di infrastruttura AI e di calcolo verificabile, che restano in una zona grigia dal punto di vista della qualificazione. Nessuna norma li vieta, nessuna li benedice: per gli emittenti è incertezza, e l’incertezza pesa sulle valutazioni.

Il divario tra tecnologia e token

Il paradosso più evidente del settore, nel 2026, è che la tecnologia è viva mentre i token sono a terra. Ogni rete di proving spedisce codice, genera milioni di prove, firma partnership, e intanto il suo token resta decine di punti percentuali sotto i massimi. La tabella fotografa la situazione al 19 ottobre 2026, con prezzi e capitalizzazioni in euro (fonte CoinGecko).

ZKC è vicino al minimo storico; l’unico in controtendenza è PHA, su circa l’83% nell’ultimo mese, ma è il token di un approccio TEE, non zk-ML: il mercato sta premiando l’hardware che scala oggi più delle prove crittografiche che scaleranno domani. Questo scollamento tra una tecnologia che funziona e un token depresso non è una novità in questo angolo del mercato: lo si è già visto nelle autopsie dei conti dei fondi AI on-chain, dove l’entusiasmo per la tecnologia non si è tradotto in valore per il token. Vale l’avvertimento di sempre: questi token restano legati all’umore del resto del mercato cripto, e una tecnologia funzionante non garantisce il prezzo.

Cosa significa per l’Italia

Per un lettore italiano la prima domanda è: chi vigila su tutto questo? L’infrastruttura in sé, uno zkVM o una rete di prover, non è direttamente regolata. A finire nel perimetro sono i token che la pagano e i servizi che ci girano sopra, soprattutto quando un agente AI arriva a gestire asset della clientela. In Italia la Consob vigila sulla condotta di mercato e sulla tutela dell’investitore nel quadro di MiCA, mentre la Banca d’Italia copre gli aspetti prudenziali e le stablecoin; il decreto di attuazione è il D.lgs. 129/2024. I derivati su cripto (futures, perpetui) non ricadono in MiCA ma in MiFID II, sempre sotto la vigilanza della Consob.

La classificazione è il punto delicato. La Consob ha recepito gli orientamenti ESMA basati sulla sostanza più che sulla forma: un token di proving potrebbe essere un crypto-asset ai sensi di MiCA oppure uno strumento finanziario, a seconda di come è strutturato e di cosa promette a chi lo compra. Sul fronte fiscale, chi detiene ZKC, PROVE, LA o simili resta dentro il regime delle plusvalenze cripto, il cui assetto per il 2027 si è definito, come abbiamo raccontato, senza il taglio al 26% che una parte del settore attendeva.

La sintesi, per l’Italia e per l’Europa, è che la tecnologia è pronta prima del mercato che dovrebbe pagarla. La leva che potrebbe accendere la domanda non è, almeno per ora, finanziaria ma normativa: l’EU AI Act spinge verso l’auditabilità, e se la verifica crittografica diventasse un modo riconosciuto per soddisfare quegli obblighi, i mercati delle prove descritti qui avrebbero finalmente un committente stabile. Fino ad allora, lo zk-ML resta un caso raro in cui l’ingegneria corre davanti all’economia.

Domande frequenti

Che cos’è lo zk-ML in parole semplici?

Lo zk-ML (zero-knowledge machine learning) è l’uso delle prove a conoscenza zero per dimostrare che un modello di intelligenza artificiale ha prodotto un certo risultato eseguendo correttamente un calcolo, senza dover rieseguire il modello e, se serve, senza rivelare né i pesi né i dati in ingresso. Chi verifica controlla una prova corta in pochi millisecondi invece di fidarsi di chi ha girato il modello.

Qual è la differenza tra zk-ML, opML e TEE?

Lo zk-ML offre una garanzia crittografica e trustless, ma generare la prova è costoso. L’opML è ottimistico: pubblica il risultato e lo considera valido salvo contestazione entro una finestra di tempo, quindi è più economico ma non istantaneo e richiede almeno un osservatore onesto. Il TEE si affida a un chip che attesta di aver eseguito il modello: è veloce ed economico, ma sposta la fiducia sul produttore dell’hardware. Lo zk-ML è l’unico dei tre che è insieme trustless e capace di nascondere i dati.

Perché generare una prova zk-ML costa così tanto?

Perché i circuiti crittografici lavorano su numeri interi in un campo finito, non sui float a 32 bit di un modello reale, e le operazioni non lineari come ReLU e softmax sono molto onerose da rappresentare. Vitalik Buterin stima un overhead intorno a 200 volte per quelle operazioni. Nel 2026 i lookup e il sumcheck, usati da strumenti come Jolt Atlas, hanno ridotto drasticamente questo costo, ma resta la necessità di quantizzare il modello, con una perdita di precisione.

Che cosa sono i mercati delle prove?

Sono i sistemi che separano chi ha bisogno di una prova da chi ha l’hardware per produrla, remunerando quest’ultimo. Nel 2026 esistono in tre forme: il marketplace aperto (Boundless, con la Proof of Verifiable Work), le reti di prover con staking (Succinct e Lagrange) e le subnet DePIN (Omron su Bittensor, con la Proof of Inference). L’obiettivo comune è rendere la generazione delle prove, che è la parte costosa dello zk-ML, abbondante ed economica.

I token come ZKC, PROVE e LA sono un buon investimento?

Questo articolo non è un consiglio finanziario. Il dato di fatto è che, al 19 ottobre 2026, tutti i principali token di proving trattano tra l’89% e il 98% sotto i rispettivi massimi storici, nonostante reti tecnicamente funzionanti: è il segno di uno scollamento tra tecnologia e valore di mercato. La domanda per le prove è ancora in gran parte prospettica, legata alla conformità normativa e all’economia degli agenti, e questi token restano molto volatili e correlati al resto del mercato cripto.

Di Marcus Okafor, redazione AI e cripto di HOGE Wire.