Nel 2026 \u00e8 successo qualcosa che per anni gli addetti ai lavori giudicavano impossibile: un modello linguistico intero \u00e8 stato dimostrato dall’inizio alla fine con una prova crittografica. Il sistema DeepProve del team Lagrange ha generato la prova a conoscenza zero di un’inferenza completa di GPT-2, e poi di Gemma-3, aprendo una breccia nel muro che teneva lo zk-ML confinato a modelli giocattolo. La tecnologia che promette di rendere l’intelligenza artificiale verificabile, non pi\u00f9 una scatola nera di cui fidarsi sulla parola, ha finalmente attraversato la soglia che conta.<\/p>
E per\u00f2, nello stesso 2026, i token dei progetti che dovrebbero finanziare tutto questo raccontano una storia opposta. LA di Lagrange, PROVE di Succinct, ZKC di Boundless: nessuno di questi vale oggi pi\u00f9 di una piccola frazione dei propri massimi storici, in alcuni casi oltre il 99% sotto. \u00c8 il paradosso dell’AI verificabile: le prove funzionano, il mercato che dovrebbe pagarle no. Questa guida spiega che cos’\u00e8 lo zk-ML, come si produce una prova, perch\u00e9 il 2026 \u00e8 l’anno della svolta tecnica e, soprattutto, la domanda pi\u00f9 scomoda di tutte: chi compra davvero queste prove?<\/p>
Lo zk-ML, o zero-knowledge machine learning, \u00e8 l’unione di due mondi: le prove a conoscenza zero della crittografia e il machine learning. L’idea \u00e8 tanto semplice quanto potente. Chi esegue un modello di AI non si limita a restituire un risultato; produce anche una prova crittografica che quel risultato \u00e8 stato calcolato correttamente, con quel preciso modello e su quel preciso input. Chiunque pu\u00f2 poi verificare la prova in pochi millisecondi, senza dover rieseguire il modello e senza doversi fidare di chi lo ha eseguito.<\/p>
Il cambiamento di paradigma \u00e8 tutto nel modello di fiducia. Con un servizio di AI tradizionale ci si fida del server: se un provider dichiara di aver usato un certo modello, non c’\u00e8 modo di controllarlo. Con lo zk-ML la fiducia si sposta dal fornitore alla matematica: non serve credere a nessuno, basta verificare la prova. A questo si aggiunge, quando serve, la propriet\u00e0 a conoscenza zero vera e propria, che permette di dimostrare la correttezza di un calcolo senza rivelare i dati in ingresso n\u00e9 i pesi del modello. \u00c8 la stessa idea che rende lo zk-ML interessante anche per la privacy, non solo per l’integrit\u00e0.<\/p>
Attenzione a non confondere lo zk-ML con il semplice calcolo decentralizzato. Reti come Akash o Bittensor affittano potenza di calcolo su GPU distribuite, ma non dimostrano di aver lavorato in modo onesto: verificano che qualcuno abbia fatto girare qualcosa, non che abbia fatto girare la cosa giusta nel modo giusto. Lo zk-ML riguarda l’integrit\u00e0 del calcolo, non la sua distribuzione, ed \u00e8 questa la ragione per cui sta al centro di ogni discorso sull’AI davvero affidabile.<\/p>
Le blockchain sono macchine deterministiche: ogni nodo riesegue ogni transazione e deve ottenere lo stesso identico risultato, altrimenti la rete non trova consenso. L’inferenza di un modello di AI \u00e8 l’esatto opposto: costosa, pesante, spesso non riproducibile bit per bit da una GPU all’altra. Far girare un modello linguistico dentro uno smart contract, con ogni validatore che lo riesegue, \u00e8 semplicemente improponibile. Nasce da qui la domanda che tiene sveglio chi costruisce infrastruttura: come fa un contratto deterministico a fidarsi di una risposta prodotta da un’AI che vive fuori dalla catena?<\/p>
I punti di frizione sono almeno tre. Il primo sono gli oracoli: se un’AI alimenta un contratto con un dato (un prezzo, una classificazione, un giudizio), chi garantisce che il modello dichiarato sia davvero quello usato, e che nessuno lo abbia sostituito con uno pi\u00f9 economico o manomesso? Il secondo sono gli agenti autonomi, software con un wallet che agisce sulla base di decisioni prese da un modello: qui la posta in gioco \u00e8 denaro reale, e la questione della fiducia diventa il collo di bottiglia dell’intera economia degli agenti, un nodo che abbiamo raccontato parlando del framework Eliza e degli agenti AI con wallet<\/a>. Il terzo \u00e8 la DeFi: modelli che fissano commissioni, valutano il rischio o gestiscono garanzie, dove un output manipolato si traduce in perdite immediate.<\/p> Che il problema della fiducia non sia teorico lo dicono i numeri. Secondo l’AI Index 2026 di Stanford<\/a>, gli incidenti legati all’intelligenza artificiale sono saliti a 362 nel 2025, in crescita di oltre il 50% sull’anno precedente, mentre l’adozione aziendale ha toccato l’88%. Pi\u00f9 l’AI entra in processi con conseguenze concrete, pi\u00f9 cresce il bisogno di poter dimostrare che ha fatto ci\u00f2 che dichiara. Vitalik Buterin ha inquadrato bene il dilemma nel suo saggio del 2024 su crypto e AI<\/a>: da un lato c’\u00e8 il calcolo economico ma non verificabile, dall’altro quello verificabile ma costoso, e la generazione di una prova a conoscenza zero di un’inferenza, ha osservato, pu\u00f2 richiedere ore. Lo zk-ML \u00e8 il tentativo di spostare quella frontiera, rendendo la verifica abbastanza economica da valere il prezzo.<\/p> L’idea non \u00e8 nata ieri. Il primo a prendere sul serio la domanda \u00abquanto costa dimostrare un calcolo di AI\u00bb \u00e8 stato il gruppo di Modulus Labs, che all’inizio del 2023 pubblic\u00f2 un rapporto rimasto celebre, \u00abThe Cost of Intelligence\u00bb, il primo vero benchmark dei sistemi di prova applicati al machine learning. Da l\u00ec sono usciti anche i primi esperimenti concreti: RockyBot, un bot di trading la cui decisione veniva dimostrata prima di impegnare capitale, e soprattutto Leela vs the World<\/a>, presentato come il primo gioco di AI on-chain: il pubblico scommetteva contro una rete neurale scacchistica e ogni mossa era dimostrata, cos\u00ec che l’operatore non potesse cambiare modello a partita in corso.<\/p> Parallelamente, i ricercatori hanno iniziato a spingere sulle prestazioni. Il lavoro su TensorPlonk, firmato tra gli altri da Daniel Kang, prometteva una \u00abGPU per lo zk-ML\u00bb con accelerazioni nell’ordine delle mille volte, un segnale di quanto fosse lontano il punto di partenza. Perch\u00e9 il problema, fin dall’inizio, non \u00e8 mai stato \u00absi pu\u00f2 fare\u00bb, ma \u00absi pu\u00f2 fare a un costo che abbia senso\u00bb. Ed \u00e8 esattamente su questo terreno che il 2026 ha cambiato le cose.<\/p> Trasformare l’esecuzione di una rete neurale in una prova crittografica \u00e8 un percorso a pi\u00f9 tappe. Semplificando, ecco che cosa succede tra il modello addestrato e la prova verificabile on-chain:<\/p> Ogni tappa nasconde un problema tecnico serio, e sono proprio questi problemi ad aver tenuto lo zk-ML lontano dai modelli reali fino a poco fa.<\/p> Per capire perch\u00e9 il 2026 conta, bisogna sapere contro che cosa si \u00e8 scontrato lo zk-ML per anni. Tre muri, in particolare.<\/p> Sono questi tre muri, e in particolare il primo, ad aver alimentato per anni il ritornello secondo cui \u00ablo zk-ML non potr\u00e0 mai reggere i modelli linguistici di grandi dimensioni\u00bb. Nel 2026 quel ritornello ha smesso di essere vero.<\/p> Tra la fine del 2025 e il 2026, due filoni di ricerca hanno cambiato le carte in tavola. Il primo \u00e8 l’uso sistematico dei lookup e del sumcheck al posto dei circuiti tradizionali. Invece di costruire un circuito gigantesco per ogni operazione non lineare, si precalcolano i risultati in tabelle di consultazione e si dimostra semplicemente che il valore usato appartiene alla tabella. Il progetto Jolt Atlas<\/a>, che estende la zkVM Jolt di a16z alle operazioni tensoriali dei modelli ONNX (un lavoro degli ICME Labs e di NovaNet), ha fatto di questa idea la propria spina dorsale. Wyatt Benno di ICME Labs l’ha sintetizzata cos\u00ec<\/a>: \u00abi lookup eliminano del tutto la necessit\u00e0 di rappresentare il modello come circuito\u00bb. Nei loro test l’inferenza dimostrata scende intorno a 0,7 secondi, contro i 4-5 secondi dell’approccio a circuiti di EZKL. In pi\u00f9, l’approccio a lookup consente di generare le prove anche su dispositivi comuni, senza hardware dedicato.<\/p> Il secondo filone \u00e8 DeepProve, il sistema di Lagrange che a giugno 2026 \u00e8 diventato open source e che ha realizzato quella che viene descritta come la prima prova end-to-end di un LLM completo: prima GPT-2, poi Gemma-3. I numeri dichiarati dal progetto<\/a> parlano di oltre 12 milioni di prove generate e pi\u00f9 di 3 milioni di inferenze verificate, con una generazione delle prove fino a 60 volte pi\u00f9 rapida e una verifica fino a 671 volte pi\u00f9 veloce rispetto ai sistemi precedenti. Ismael Hishon-Rezaizadeh, fondatore e CEO di Lagrange, ha accompagnato il rilascio con una frase diventata lo slogan del settore: \u00abNon abbiamo costruito DeepProve per possedere l’AI verificabile. L’abbiamo costruito perch\u00e9 nessuno dovesse farlo. Oggi DeepProve diventa una primitiva. La scatola nera \u00e8 aperta\u00bb.<\/p> Il fatto che DeepProve sia stato reso open source non \u00e8 un dettaglio. Trasformare un sistema di prova da prodotto proprietario a primitiva pubblica significa che chiunque pu\u00f2 integrarlo, verificarlo e costruirci sopra senza chiedere permesso, esattamente come \u00e8 successo per le librerie crittografiche che oggi diamo per scontate. \u00c8 il modo in cui una tecnologia smette di essere una promessa da conferenza e diventa un mattone su cui altri possono contare.<\/p> Vale la pena tenere i piedi per terra. GPT-2 e Gemma-3 sono modelli reali ma piccoli rispetto ai modelli di frontiera da centinaia di miliardi di parametri; le versioni della famiglia Llama sono ancora in fase di sviluppo. \u00c8 una pietra miliare di fattibilit\u00e0, non la dimostrazione che qualsiasi LLM commerciale sia gi\u00e0 provabile a costi ragionevoli. Ma la direzione \u00e8 segnata: il muro che sembrava invalicabile ha ora una crepa evidente.<\/p> Dietro le sigle si nasconde una biforcazione tecnica importante: da una parte i circuiti su misura (l’approccio di EZKL, che compila i modelli ONNX in circuiti Halo2), dall’altra le macchine virtuali a conoscenza zero, o zkVM, che eseguono un programma generico e ne dimostrano l’esecuzione. Ecco i protagonisti del 2026.<\/p>Da dove viene lo zk-ML: una breve storia<\/h2>
Come nasce una prova: la pipeline dello zk-ML<\/h2>
I tre muri storici dello zk-ML<\/h2>
Il 2026: il muro degli LLM si incrina<\/h2>
Gli strumenti che spediscono davvero<\/h2>