L’incontro tra intelligenza artificiale e blockchain ha prodotto molte promesse e parecchio rumore. Una delle idee pi\u00f9 concrete, e tra le meno raccontate, si chiama zk-ML, sigla per zero-knowledge machine learning. Il principio si enuncia in una riga e si realizza con grande fatica: dimostrare in modo matematico che un modello di IA ha generato un certo risultato, senza rivelare i dati in ingresso, i pesi del modello, o entrambe le cose. Per un settore costruito sulla verifica senza fiducia, \u00e8 la tessera che mancava.<\/p>\n\n\n\n
Il machine learning produce risultati, ma raramente prove. Quando un’app vi assegna un punteggio di credito o un exchange segnala un ordine come sospetto, dovete fidarvi che il modello dichiarato sia davvero quello eseguito. Il zk-ML rovescia il rapporto: usa le prove a conoscenza zero per allegare a ogni inferenza una ricevuta crittografica, verificabile da chiunque in pochi millisecondi, che attesta la correttezza del calcolo senza esporre il modello n\u00e9 i dati. Vitalik Buterin lo ha indicato come il metodo oggi pi\u00f9 maturo per portare l’IA on-chain, pur invitando gli sviluppatori alla cautela quando l’IA decide le regole del gioco anzich\u00e9 limitarsi a giocarlo (vitalik.eth.limo<\/a>), un monito ripreso anche dalla stampa di settore (coindesk.com<\/a>).<\/p>\n\n\n\n La distinzione utile, descritta bene anche dal team di World nella sua introduzione tecnica, separa l’integrit\u00e0 del calcolo dalla riservatezza: si pu\u00f2 dimostrare che a un certo input corrisponde un certo output e, in aggiunta, scegliere di nascondere l’input, il modello o entrambi (world.org<\/a>).<\/p>\n\n\n\n Una prova a conoscenza zero permette a una parte, il prover, di convincere un’altra, il verifier, che un’affermazione \u00e8 vera senza rivelare nulla oltre alla sua verit\u00e0. Le due famiglie pi\u00f9 usate sono gli zk-SNARK e gli zk-STARK: cambiano gli assunti crittografici e la dimensione delle prove, ma condividono due propriet\u00e0 chiave. Sono succinte, perch\u00e9 la verifica resta rapida ed economica anche quando il calcolo dimostrato \u00e8 enorme, e sono solide, perch\u00e9 \u00e8 di fatto impossibile produrre una prova valida per un’affermazione falsa.<\/p>\n\n\n\n Ethereum conosce bene questa tecnologia: i rollup zk comprimono migliaia di transazioni in un’unica prova verificata on-chain. Il zk-ML applica la stessa logica a un oggetto diverso, la rete neurale. Invece di dimostrare che un blocco di transazioni \u00e8 valido, si dimostra che un certo modello, su un certo input, restituisce un certo output.<\/p>\n\n\n\n Tradurre una rete neurale in un circuito dimostrabile \u00e8 la parte complicata. Il flusso tipico parte da un modello esportato in formato ONNX, lo standard aperto per descrivere grafi di calcolo. Da l\u00ec una libreria come EZKL, sviluppata da Zkonduit, trasforma il grafo in un circuito aritmetico compatibile con sistemi di prova come Halo2 (github.com\/zkonduit\/ezkl<\/a>). Sul versante STARK, il progetto Giza ha seguito la stessa idea con Orion, un runtime ONNX scritto in Cairo, oggi archiviato a favore di un motore pi\u00f9 efficiente basato sul prover STWO (github.com\/gizatechxyz\/orion<\/a>).<\/p>\n\n\n\n Due ostacoli dominano il lavoro di ingegneria. Primo, i modelli usano numeri in virgola mobile mentre i circuiti lavorano su interi in campi finiti: serve quindi quantizzare i pesi e adottare aritmetica a virgola fissa, con un compromesso tra precisione e costo. Secondo, le funzioni non lineari come ReLU e softmax, banali per una GPU, diventano costose da rappresentare e spesso richiedono tecniche dedicate come gli argomenti di lookup. \u00c8 qui che si gioca gran parte dell’efficienza di un framework.<\/p>\n\n\n\n Le prove crittografiche non sono l’unico modo per rendere affidabile un’inferenza. Accanto al zk-ML puro convivono due alternative. L’opML, optimistic machine learning, prende in prestito la logica degli optimistic rollup: il risultato si d\u00e0 per buono e resta contestabile entro una finestra temporale tramite un gioco di frode in stile Truebit. \u00c8 molto pi\u00f9 leggero, al punto che ORA ha mostrato l’esecuzione di un modello da 7 miliardi di parametri, un LLaMA da circa 26 GB, su un comune PC senza GPU (arxiv.org<\/a>). La terza via sfrutta gli ambienti di esecuzione fidati, i TEE, enclave hardware che garantiscono l’integrit\u00e0 del calcolo ma spostano la fiducia sul produttore del chip.<\/p>\n\n\n\nLe prove a conoscenza zero in due minuti<\/h2>\n\n\n\n
Dal modello al circuito: come nasce una prova<\/h2>\n\n\n\n
Tre strade verso l’IA verificabile: zk-ML, opML e TEE<\/h2>\n\n\n\n