Qualche anno fa un motore scacchistico ha giocato una partita contro tutta Internet, e ogni singola mossa dell’avversario artificiale portava con s\u00e9 una prova matematica di provenire davvero dal modello dichiarato, non da una versione pi\u00f9 forte inserita di nascosto a met\u00e0 gioco. Quel progetto, \u00abLeela vs the World\u00bb di Modulus Labs, all’epoca sembrava una curiosit\u00e0 da laboratorio. Oggi \u00e8 il manifesto di un’intera categoria tecnologica: lo zk-ML, l’intelligenza artificiale che consegna insieme al risultato la prova crittografica di aver calcolato bene.<\/p>
Per tre anni la domanda giusta sullo zk-ML \u00e8 stata una sola: pu\u00f2 davvero funzionare? Dimostrare che una rete neurale ha eseguito correttamente il suo calcolo costava cos\u00ec tanto da sembrare impraticabile su qualunque cosa pi\u00f9 grande di un modello giocattolo. Nel 2026 quel muro si \u00e8 incrinato, e la domanda interessante si \u00e8 capovolta. Non pi\u00f9 \u00abfunziona?\u00bb, ma \u00aba cosa serve?\u00bb. Dove, concretamente, vale la pena pagare il costo di una prova crittografica sopra un’inferenza AI?<\/p>
Questa guida non ripercorre la meccanica interna della prova, gi\u00e0 raccontata altrove, ma disegna la mappa dei casi d’uso reali: dai giochi provably fair agli agenti autonomi, dagli oracoli DeFi ai mercati predittivi, fino all’inferenza privata e all’audit imposto dai regolatori. E prova a dire, senza sconti, quali di questi reggono nel 2026 e quali restano ancora ricerca.<\/p>
Lo zk-ML (zero-knowledge machine learning) \u00e8 l’applicazione delle prove a conoscenza zero all’inferenza dei modelli di machine learning. In pratica: chi esegue un modello produce, insieme all’output, una prova crittografica compatta che certifica due cose. Primo, che il calcolo \u00e8 stato eseguito esattamente con quel modello e quell’input. Secondo, che il risultato non \u00e8 stato alterato. Chi riceve la prova la verifica in millisecondi, senza dover rieseguire il modello e, se serve, senza vedere n\u00e9 i pesi del modello n\u00e9 i dati in ingresso.<\/p>
La differenza rispetto al mondo AI ordinario \u00e8 netta. Oggi, quando un servizio dichiara \u00abho usato il modello X\u00bb, bisogna fidarsi sulla parola. Con una prova a conoscenza zero quella fiducia diventa verifica: il conto torna o non torna, matematicamente. Vitalik Buterin, nel suo saggio sull’incrocio tra crypto e AI<\/a>, indica proprio la verificabilit\u00e0 come l’uso pi\u00f9 solido della crittografia applicata all’intelligenza artificiale, con un avvertimento che pesa su tutto il resto di questo articolo: le prove non sono gratis. Su alcuni tipi di calcolo, quelli non lineari che abbondano nelle reti neurali, aggiungono un sovraccarico anche di circa 200 volte. \u00c8 questa la ragione per cui la mappa dei casi d’uso conta pi\u00f9 della tecnologia in s\u00e9: la domanda non \u00e8 se si pu\u00f2 provare tutto, ma cosa vale la pena provare.<\/p> Due sviluppi tecnici hanno spostato il baricentro. Il primo si chiama lookup. Le operazioni non lineari di una rete neurale (le funzioni come ReLU o softmax) erano la voce di costo pi\u00f9 pesante quando le si traduceva in un circuito aritmetico. I sistemi basati su lookup e sumcheck, come Jolt Atlas (l’adattamento del zkVM Jolt di a16z alle operazioni tensoriali ONNX, sviluppato da ICME Labs e NovaNet, descritto in un paper di febbraio 2026<\/a>), aggirano il problema sostituendo la rappresentazione a circuito con tabelle di consultazione. Wyatt Benno di ICME lo riassume cos\u00ec: i lookup \u00abeliminano del tutto la necessit\u00e0 di rappresentare il calcolo come circuito\u00bb<\/a>, con un benchmark che scende intorno a 0,7 secondi contro i 4-5 secondi degli strumenti a circuito della generazione precedente.<\/p> Il secondo sviluppo \u00e8 una soglia simbolica. Con DeepProve<\/a>, il sistema di Lagrange, per la prima volta \u00e8 stato dimostrato end-to-end un intero modello linguistico (GPT-2 e Gemma-3), non pi\u00f9 solo un classificatore o una piccola rete di visione, con una generazione della prova dichiarata fino a 60 volte pi\u00f9 veloce e una verifica fino a 671 volte pi\u00f9 rapida rispetto al precedente stato dell’arte. I modelli in stile Llama restano in lavorazione, quindi nessuno provi ancora GPT-5 in tempo reale; ma il messaggio \u00e8 chiaro. La fattibilit\u00e0 non \u00e8 pi\u00f9 il titolo. Il vincolo, adesso, \u00e8 economico: quali applicazioni riescono ad assorbire il costo e la latenza di una prova? \u00c8 la domanda che organizza tutto il resto di questa guida.<\/p> Vale la pena capire perch\u00e9 provare un modello linguistico fosse cos\u00ec difficile. Un conto \u00e8 dimostrare una moltiplicazione di matrici, dove il sovraccarico di una prova resta contenuto; un altro \u00e8 dimostrare le migliaia di operazioni non lineari, i cicli di attenzione e i passaggi di normalizzazione di una rete transformer, dove i costi si sommano. A questo si aggiunge un paradosso pratico: l’inferenza su GPU non \u00e8 perfettamente riproducibile, perch\u00e9 l’ordine dei calcoli in virgola mobile cambia con il parallelismo, mentre una prova a conoscenza zero ha bisogno di determinismo assoluto. Rendere deterministico ci\u00f2 che per natura non lo \u00e8, senza far esplodere i costi, \u00e8 stata met\u00e0 del lavoro che ha richiesto anni.<\/p> Chi frequenta i casino crypto conosce gi\u00e0 l’idea di fondo. Il provably fair \u00e8 il meccanismo che permette a un giocatore di verificare, con hash e seed, che l’esito di una mano o di un round non \u00e8 stato manipolato dal banco: non chiede di fidarsi dell’operatore, chiede di controllare. Se il concetto non \u00e8 chiaro, la nostra guida a cos’\u00e8 il provably fair e come si verifica<\/a> lo spiega passo per passo. Lo zk-ML \u00e8 la stessa promessa, generalizzata a qualunque calcolo, comprese le decisioni prese da un’intelligenza artificiale.<\/p> Il salto \u00e8 importante perch\u00e9 l’AI introduce esattamente il tipo di scatola nera che il provably fair era nato per eliminare. Un modello che stabilisce le probabilit\u00e0 di un gioco, che modera i contenuti, che decide se erogare un prestito o che muove capitali come agente autonomo \u00e8, per l’utente, opaco. La prova a conoscenza zero riporta quel comportamento dentro il perimetro del verificabile: si pu\u00f2 dimostrare che il modello usato \u00e8 quello dichiarato e che ha prodotto quell’output, senza svelare come \u00e8 fatto internamente. Vista cos\u00ec, quasi tutta la mappa dei casi d’uso dello zk-ML \u00e8 una variazione sul tema del provably fair: portare la garanzia di equit\u00e0 dal generatore di numeri casuali al modello che governa il sistema. Non a caso i primi esperimenti seri sono nati proprio nel gaming on-chain.<\/p> Conviene fissare bene la differenza rispetto al provably fair classico, perch\u00e9 \u00e8 ci\u00f2 che rende lo zk-ML pi\u00f9 potente e pi\u00f9 costoso allo stesso tempo. Il provably fair dei giochi si basa su un impegno crittografico semplice: si pubblica l’hash di un seme prima della giocata e lo si rivela dopo, cos\u00ec il giocatore verifica che il numero casuale non sia stato cambiato a posteriori. Funziona benissimo per un dado o una carta, ma non dice nulla su un calcolo complesso. Lo zk-ML fa un passo oltre: non dimostra solo che un numero non \u00e8 stato toccato, ma che un’intera funzione, anche una rete neurale con milioni di parametri, \u00e8 stata eseguita esattamente come dichiarato. \u00c8 la stessa filosofia, applicata a un oggetto molto pi\u00f9 grande, ed \u00e8 per questo che costa molto di pi\u00f9.<\/p> Torniamo alla partita di scacchi dell’inizio. Leela vs the World<\/a>, costruito da Modulus Labs, viene ricordato come il primo gioco AI on-chain: la comunit\u00e0 scommetteva a favore o contro un avversario artificiale basato sul motore open source Leela Chess Zero, e ogni sua mossa veniva dimostrata e verificata on-chain. Il punto non era lo spettacolo, ma la garanzia: nessuno poteva accusare l’operatore di aver sostituito, a partita in corso, un modello pi\u00f9 forte o pi\u00f9 debole per far vincere una delle due parti. Ci\u00f2 che veniva effettivamente provato era la policy network del motore, la funzione che dallo stato della scacchiera produce una distribuzione di probabilit\u00e0 sulle mosse legali.<\/p> Lo stesso team, fondato da Daniel Shorr uscendo da Stanford, aveva costruito RockyBot, un bot di trading autonomo la cui decisione veniva verificata prima di impegnare capitale, e aveva pubblicato \u00abThe Cost of Intelligence\u00bb, il primo benchmark serio dei sistemi a conoscenza zero applicati all’AI. Erano esperimenti piccoli, ma hanno definito lo schema. Nel 2026 lo stesso schema ricompare su scala pi\u00f9 grande: Lagrange ha fatto girare una demo pubblica chiamata Turing Roulette<\/a>, un gioco del tipo \u00abindovina se dall’altra parte c’\u00e8 un umano o un’AI\u00bb che, secondo l’azienda, ha coinvolto oltre 500.000 partecipanti e prodotto 3,7 milioni di inferenze verificate dal vivo.<\/p> La vicinanza tra zk-ML e gioco non \u00e8 casuale. Un gioco \u00e8 il banco di prova perfetto perch\u00e9 l’incentivo a barare \u00e8 diretto e la promessa di equit\u00e0 \u00e8 esattamente ci\u00f2 che una prova pu\u00f2 regolare. \u00c8 lo stesso principio di un crash game, dove la posta in gioco \u00e8 verificare che il round non sia stato truccato<\/a>, spostato dal generatore di numeri casuali al modello che decide la dinamica. Per un settore del gaming crypto che vive di fiducia dimostrabile, un avversario AI a scatola aperta \u00e8 un prodotto, non un tecnicismo.<\/p> Il gaming offre pi\u00f9 di un solo aggancio. Man mano che i giochi integrano modelli per governare personaggi non giocanti, difficolt\u00e0 adattiva, matchmaking o rilevamento dei bari, ciascuna di queste funzioni diventa un punto in cui l’operatore potrebbe barare senza che nessuno se ne accorga: un personaggio che imbroglia, un sistema anti-cheat che colpisce i concorrenti scomodi, un motore che gonfia le probabilit\u00e0 della casa. La prova a conoscenza zero trasforma ognuno di questi in qualcosa di controllabile a posteriori, senza obbligare il gioco a pubblicare il proprio modello e a regalarlo ai rivali. \u00c8 la naturale estensione della logica che regge i crypto casino provably fair, dove la fiducia nell’operatore si sostituisce con la verifica pubblica delle regole del gioco.<\/p> Il deployment non ludico pi\u00f9 concreto vive nella DeFi. OpenGradient, usando lo strumento EZKL, ha costruito un meccanismo di commissioni dinamiche per Uniswap V3<\/a>: un modello AI fissa le fee della pool in base alle condizioni di mercato e alla volatilit\u00e0, cos\u00ec da ricompensare i fornitori di liquidit\u00e0 per il rischio aggiuntivo che assumono, e la prova garantisce che il modello che ha calcolato quella commissione non sia stato manomesso. OpenGradient funziona come un \u00abcoprocessore AI\u00bb: un insieme di validatori verifica ogni prova (che sia una prova zkML o un’attestazione da hardware sicuro) a livello di consenso, prima che il risultato venga scritto on-chain, e il suo catalogo conta ormai migliaia di modelli con verifica crittografica.<\/p> Perch\u00e9 questo conta per la DeFi? Uno smart contract \u00e8 deterministico e diffidente per costruzione; l’output di un’AI \u00e8 probabilistico e, di norma, non verificabile. Un oracolo verificabile fa da ponte tra i due mondi. Da qui i casi si moltiplicano: modelli di rischio e volatilit\u00e0 per i protocolli di prestito, pricing guidato dall’AI, credit scoring on-chain, parametri assicurativi. In tutti, la logica \u00e8 identica a quella dei giochi: non si chiede fiducia nel fornitore del dato o del modello, si pretende una prova. \u00c8 la stessa esigenza che, sul versante Bitcoin, spinge verso strumenti dove il regolamento non dipende dalla parola di un intermediario ma da regole verificabili scritte nel protocollo.<\/p> Il dettaglio che rende questo modello diverso da un oracolo tradizionale \u00e8 dove avviene il controllo. In un oracolo classico ci si fida del fornitore; qui la prova viene verificata dai validatori prima che il dato entri nel contratto, quindi un modello manomesso o un risultato inventato non superano il filtro. Il costo \u00e8 che ogni aggiornamento della commissione porta con s\u00e9 una prova da generare e da verificare, il che ha senso su parametri che cambiano lentamente (le fee di una pool, un punteggio di rischio) e molto meno su dati ad altissima frequenza. Anche in DeFi, insomma, la mappa dei casi d’uso segue il costo della prova.<\/p> La domanda che cresce pi\u00f9 in fretta viene dall’economia degli agenti. Un agente autonomo che muove fondi, fa trading o firma transazioni dovrebbe dimostrare che la sua azione deriva dal modello e dalla policy dichiarati prima di eseguirla, non dopo. RockyBot era la versione giocattolo; ARMA di Giza, un agente autonomo di ottimizzazione dei rendimenti in stablecoin attivo su Base<\/a> (che opera su Aave, Morpho, Compound e Moonwell), \u00e8 una versione di produzione della stessa idea. Vale la pena notare che Giza era nata come progetto puramente zkML e ha poi ruotato verso l’AgentFi: un segnale che il valore, oggi, sta pi\u00f9 nell’agente che nella prova venduta come prodotto a s\u00e9.<\/p> Perch\u00e9 la prova qui conta pi\u00f9 che altrove? Perch\u00e9 gli agenti sono manipolabili. Nel 2026 si sono visti casi di agenti dirottati tramite prompt injection e svuotati dei loro fondi, poi in parte restituiti: un’istruzione malevola nascosta in un messaggio basta a far compiere all’agente un’azione che il suo operatore non aveva mai autorizzato. Un agente che, prima di firmare, deve dimostrare che la decisione proviene dal modello dichiarato e non da un’iniezione \u00e8 molto pi\u00f9 difficile da dirottare. \u00c8 il motivo per cui gli L1 di inferenza verificabile puntano proprio su questo mercato: Ritual costruisce esattamente l’inferenza AI verificabile dentro gli smart contract<\/a>. E l’economia degli agenti ha bisogno anche di rotaie di pagamento: quando le macchine si pagano da sole, spesso lo fanno su Lightning<\/a>. Lo zk-ML \u00e8 il pezzo che rende quelle azioni non solo pagabili, ma dimostrabili.<\/p> Il punto sottile \u00e8 la sequenza. Non basta che un agente registri dopo l’azione una prova di ci\u00f2 che ha fatto; il valore sta nel dimostrare, prima di firmare la transazione, che la decisione discende dal modello e dai vincoli dichiarati. Cos\u00ec la prova diventa una condizione d’esecuzione, non un verbale postumo. Unita alle rotaie di micropagamento, questa combinazione disegna un agente che pu\u00f2 pagare per un servizio, riceverne l’output insieme alla prova che \u00e8 stato calcolato dal modello giusto, e solo allora agire. \u00c8 lo scheletro di un’economia di macchine che contrattano tra loro senza un intermediario umano che garantisca per ciascuna.<\/p> I mercati predittivi si regolano su un esito: qualcuno deve stabilire se un evento \u00e8 accaduto oppure no. Sempre pi\u00f9 spesso quel qualcuno \u00e8 un’AI che legge notizie, immagini e dati on-chain per emettere il verdetto. Il problema \u00e8 che un risolutore basato su AI reintroduce esattamente il problema dell’oracolo di cui bisogna fidarsi: se non puoi verificare il modello, sei tornato a credere sulla parola a una scatola nera, con in pi\u00f9 il rischio che qualcuno abbia interesse a orientarne il responso quando ci sono grosse somme in ballo.<\/p> Lo zk-ML permette di rendere controllabile la risoluzione stessa: dimostrare che il modello risolutore ha letto le prove dichiarate e ha prodotto il verdetto dichiarato, senza che nessuno abbia potuto metterci le mani. Diversi progetti stanno sperimentando risolutori e giudici basati su AI proprio sopra questa idea; il livello di verificabilit\u00e0 \u00e8 ci\u00f2 che impedisce loro di diventare un singolo punto di fiducia. Il legame con il gaming e con lo scommettere \u00e8 diretto e vicino al lettore italiano: un mercato predittivo \u00e8 una scommessa, e una scommessa il cui esito \u00e8 deciso da un’AI non verificabile \u00e8 precisamente ci\u00f2 che la logica del provably fair esiste per impedire.<\/p> C’\u00e8 anche una ragione economica per cui questo caso d’uso \u00e8 tra i pi\u00f9 promettenti: i mercati predittivi tollerano bene la latenza. La risoluzione di un mercato avviene una volta sola, alla chiusura, e pu\u00f2 permettersi di attendere secondi o minuti perch\u00e9 una prova venga generata. \u00c8 l’opposto di un agente di trading ad alta frequenza. Dove il tempo non \u00e8 il vincolo dominante, il costo della prova diventa accettabile, e la verificabilit\u00e0 smette di essere un lusso per diventare la caratteristica che distingue un mercato serio da uno in cui il banco pu\u00f2 decidere l’esito.<\/p> C’\u00e8 una propriet\u00e0 che solo la conoscenza zero offre, e che gli altri approcci alla verifica (l’hardware sicuro, le prove di frode ottimistiche) non possono garantire: dimostrare che un calcolo \u00e8 avvenuto correttamente senza rivelare n\u00e9 i dati in ingresso n\u00e9 il modello. \u00c8 il vero punto di forza dello zk-ML. Un ospedale pu\u00f2 provare che un modello diagnostico ha girato sulla tua radiografia senza esporre la radiografia. Un sistema d’identit\u00e0 pu\u00f2 provare che corrispondi a un dato biometrico senza rivelare il dato. Uno sviluppatore pu\u00f2 provare di aver usato un modello proprietario sotto licenza senza divulgarne i pesi. In tutti questi casi la privacy non \u00e8 un accessorio, \u00e8 il prodotto.<\/p> Il rovescio della medaglia \u00e8 il costo, e qui vale la pena citare una voce dell’industria. Elena Burger, deal partner del team crypto di a16z, ricorda che le prove a conoscenza zero oggi \u00abnon riescono a rappresentare le operazioni in virgola mobile a 32 bit nel formato di circuito aritmetico necessario senza costi enormi\u00bb<\/a>, il che costringe a quantizzare i modelli a 8 bit, ottenendo quella che lei definisce \u00abun’approssimazione grezza\u00bb del modello originale. Tradotto: l’inferenza privata via zk-ML oggi scambia un po’ di fedelt\u00e0 del modello in cambio della dimostrabilit\u00e0. Per un classificatore di spam va benissimo; per un modello medico di frontiera potrebbe non bastare. \u00c8 proprio questo compromesso a decidere quali applicazioni private reggono adesso e quali restano di nicchia.<\/p> Lo zk-ML non \u00e8 l’unico modo per ottenere privacy. Il calcolo multi-parte (MPC) e la crittografia omomorfica (FHE) permettono anch’essi di elaborare dati cifrati, e alcune architetture li combinano con l’hardware sicuro. La differenza \u00e8 che quegli approcci proteggono la riservatezza ma non producono, di per s\u00e9, una prova pubblica e universale di correttezza: dimostrano poco a chi non ha partecipato al calcolo. La conoscenza zero, invece, lascia a chiunque una prova verificabile. Per casi come l’identit\u00e0 digitale, dove un utente vuole dimostrare un attributo (la maggiore et\u00e0, l’unicit\u00e0, l’appartenenza a un insieme) senza consegnare il dato sottostante, questa combinazione di privacy e verificabilit\u00e0 pubblica \u00e8 esattamente ci\u00f2 che serve.<\/p> La domanda che nessuna azienda controlla arriva dal regolatore. L’AI Act europeo, dal 2 agosto 2026, \u00e8 entrato nella fase di piena applicabilit\u00e0 con i poteri di enforcement della Commissione, gli obblighi di trasparenza e le regole sui modelli di uso generale (queste ultime in vigore dall’agosto 2025). Gli obblighi pi\u00f9 pesanti sui sistemi ad alto rischio arriveranno in modo scaglionato, dal 2 dicembre 2027 per gli usi sensibili dell’Allegato III e dal 2 agosto 2028 per i sistemi incorporati nei prodotti, con sanzioni che possono arrivare a 15 milioni di euro o al 3% del fatturato mondiale<\/a> per le violazioni sui modelli generali, fino a 35 milioni o al 7% per le pratiche vietate. Un modello ad alto rischio (credit scoring, selezione del personale, identificazione biometrica) dovr\u00e0 dimostrare di essersi comportato come specificato. Lo zk-ML offre un modo per provare la conformit\u00e0 senza esporre la propriet\u00e0 intellettuale del modello.<\/p> La domanda esiste gi\u00e0. Lagrange, citando una ricerca McKinsey<\/a>, riferisce che il 71% dei dirigenti d’azienda dichiara che non porter\u00e0 in produzione su larga scala i propri sistemi AI senza una prova di correttezza. E quando ha reso open source DeepProve<\/a>, l’amministratore delegato Ismael Hishon-Rezaizadeh l’ha messa in modo netto: \u00abLa scatola nera \u00e8 aperta\u00bb. Per le imprese italiane il quadro \u00e8 a strati: MiCA, con Consob e Banca d’Italia, disciplina i cripto-asset e i prestatori di servizi (non l’infrastruttura AI in s\u00e9), i derivati su crypto ricadono sotto la MiFID II vigilata da Consob, e sopra tutto si posa l’AI Act. La superficie di conformit\u00e0 che pi\u00f9 ovviamente si incrocia con l’AI verificabile \u00e8 quella del KYC e dell’AML, dove i modelli gi\u00e0 filtrano transazioni e identit\u00e0<\/a>. Un modello di screening che deve dimostrare di aver applicato le regole dichiarate, senza esporre la propria logica agli attori che vuole intercettare, \u00e8 un caso da manuale per lo zk-ML.<\/p> Il tema tocca da vicino anche i regolatori italiani nel loro stesso lavoro. Consob utilizza gi\u00e0 tecniche di machine learning per la sorveglianza sugli abusi di mercato, con un principio dichiarato di supervisione umana sulle decisioni del modello. Un’autorit\u00e0 che affida analisi a sistemi automatici affronta la stessa domanda delle imprese che vigila: come dimostrare che il modello ha fatto ci\u00f2 che doveva, in modo riproducibile e contestabile? La verificabilit\u00e0 crittografica \u00e8 una delle poche risposte che non richiede di aprire il modello a chiunque, ed \u00e8 per questo che l’AI verificabile interessa tanto ai vigilati quanto ai vigilanti.<\/p> Il divario tra whitepaper e deployment \u00e8 dove questo settore si gioca la credibilit\u00e0. Ecco, in sintesi, cosa \u00e8 davvero uscito dal laboratorio, con l’avvertenza che quasi tutto \u00e8 ancora tra demo e produzione ristretta: nessuno, oggi, prova in produzione e in tempo reale un modello linguistico di frontiera.<\/p> Il filo comune \u00e8 evidente: nessuno di questi \u00e8 un chatbot generalista. Sono sistemi dove c’\u00e8 denaro, equit\u00e0 o conformit\u00e0 in gioco, cio\u00e8 esattamente i contesti in cui pagare una prova ha senso. Tutto il resto, per ora, resta pi\u00f9 economico da lasciare non verificato.<\/p> Tre vincoli separano i casi d’uso praticabili da quelli ancora teorici. Il costo: il sovraccarico resta pesante sulle operazioni non lineari (le 200 volte di cui parla Buterin) e la quantizzazione necessaria riduce la fedelt\u00e0 del modello, come nota Burger. La latenza: generare una prova richiede ancora da secondi a minuti, non \u00e8 istantaneo, quindi le applicazioni in tempo reale sono difficili. La scala: i modelli linguistici di frontiera non sono ancora dimostrabili in produzione. Ne segue un filtro semplice. Reggono i casi in cui c’\u00e8 fiducia o denaro in gioco, esiste tolleranza alla latenza (regolamento, audit, giochi a turni) e il modello pu\u00f2 essere piccolo o quantizzato. Falliscono la chat generalista in tempo reale e qualunque uso dove la prova costa pi\u00f9 del valore che protegge.<\/p> Il compromesso che Buterin descrive, tra un calcolo economico ma non verificabile e uno verificabile ma costoso, \u00e8 il vero asse di progettazione. Ogni riga di questa tabella \u00e8, in fondo, una risposta diversa alla domanda: quanto vale, qui, la certezza?<\/p> Un ultimo limite \u00e8 meno tecnico e pi\u00f9 strategico: la verificabilit\u00e0 non serve a nulla se nessuno controlla la prova. Una prova a conoscenza zero garantisce che il calcolo sia corretto, ma non che l’input fosse quello giusto o che il modello dichiarato fosse davvero quello che l’utente voleva. Restano problemi di ingresso e di governance che nessuna crittografia risolve da sola. Per questo i casi d’uso pi\u00f9 solidi sono quelli in cui esiste gi\u00e0 una parte con l’incentivo a verificare (un regolatore, un avversario in un gioco, un fornitore di liquidit\u00e0 che ci rimette se il modello imbroglia), e non quelli in cui la prova resterebbe un ornamento che nessuno guarda.<\/p> Nonostante la tecnologia funzioni sempre meglio, i token legati a queste reti raccontano un’altra storia. Il token di Lagrange (LA) vale circa 0,047 euro, quasi il 97% sotto il proprio massimo storico<\/a>; quello di Succinct (PROVE) sta intorno a 0,14 euro, all’incirca il 90% sotto il suo record<\/a>. Lo scarto racconta un mercato che, oggi, prezza l’adozione pi\u00f9 della tecnologia, e l’adozione dell’inferenza verificabile a pagamento \u00e8 ancora sottile. \u00c8 il caso in cui infrastruttura solida e prezzo del token divergono, e conviene tenerli separati nel ragionamento.<\/p>Perch\u00e9 nel 2026 la domanda \u00e8 cambiata<\/h2>
Il filo conduttore: provably fair, ma per l’AI<\/h2>
Giochi on-chain: quando l’avversario \u00e8 un’AI dimostrabile<\/h2>
Oracoli verificabili e DeFi: le commissioni che si adattano<\/h2>
Agenti AI: dimostrare prima di agire<\/h2>
Mercati predittivi: chi arbitra quando decide un’AI<\/h2>
Inferenza privata: dimostrare senza rivelare<\/h2>
Audit e conformit\u00e0: la spinta del regolatore<\/h2>
Dove lo zk-ML \u00e8 gi\u00e0 in produzione (o quasi)<\/h2>
Caso reale<\/th> Cosa viene dimostrato<\/th> Progetto<\/th> Stato<\/th><\/tr><\/thead> Leela vs the World<\/td> Ogni mossa \u00e8 quella del modello dichiarato<\/td> Modulus Labs<\/td> Demo storica, prima AI on-chain<\/td><\/tr> Turing Roulette<\/td> 3,7 mln di inferenze verificate in un gioco pubblico<\/td> Lagrange (DeepProve)<\/td> Demo live, 500k+ partecipanti<\/td><\/tr> Commissioni dinamiche Uniswap V3<\/td> Il modello che fissa la fee non \u00e8 stato manomesso<\/td> OpenGradient con EZKL<\/td> Live<\/td><\/tr> Catalogo modelli verificabili<\/td> Migliaia di modelli verificabili<\/td> OpenGradient<\/td> Live<\/td><\/tr> ARMA (agente di yield)<\/td> L’agente segue la policy dichiarata<\/td> Giza<\/td> Live su Base<\/td><\/tr> RockyBot<\/td> La decisione di trading viene dal modello verificato<\/td> Modulus Labs<\/td> Prototipo storico<\/td><\/tr><\/tbody><\/table><\/figure> I limiti che decidono quali casi d’uso reggono<\/h2>
Caso d’uso<\/th> Perch\u00e9 serve la prova<\/th> Sensibilit\u00e0 a costo\/latenza<\/th> Maturit\u00e0 2026<\/th><\/tr><\/thead> Giochi on-chain<\/td> Equit\u00e0 dimostrabile dell’avversario o dell’RNG<\/td> Media (i turni tollerano ritardo)<\/td> Demo mature<\/td><\/tr> Oracoli e DeFi<\/td> Il modello non \u00e8 stato manipolato<\/td> Media-alta<\/td> Primi deployment live<\/td><\/tr> Agenti autonomi<\/td> L’azione viene dal modello, non da un’iniezione<\/td> Alta (spesso serve quasi tempo reale)<\/td> In sviluppo<\/td><\/tr> Mercati predittivi<\/td> Risoluzione non arbitraria<\/td> Bassa (il regolamento tollera ritardo)<\/td> Sperimentale<\/td><\/tr> Inferenza privata<\/td> Provare senza rivelare dati o pesi<\/td> Alta (la quantizzazione riduce la fedelt\u00e0)<\/td> Nicchia<\/td><\/tr> Audit regolamentare<\/td> Conformit\u00e0 senza esporre l’IP<\/td> Bassa (l’audit non \u00e8 in tempo reale)<\/td> Spinto dal 2027-2028<\/td><\/tr><\/tbody><\/table><\/figure> Tecnologia che scala, token che no<\/h2>