zk-ML nel 2026: l’AI verificabile e la sfida degli LLM

Ogni volta che un modello di intelligenza artificiale produce un risultato, chi lo riceve deve fidarsi di chi lo ha eseguito. Che si tratti di un oracolo che alimenta un protocollo DeFi, di un agente autonomo che firma una transazione o di un sistema di scoring che approva un prestito, l’output arriva come una scatola nera: nessuna garanzia che il modello dichiarato abbia davvero girato sull’input dichiarato, e che qualcuno non lo abbia sostituito lungo il percorso con una versione più economica. Lo zk-ML, cioè il machine learning a conoscenza zero, propone di sostituire quella fiducia con una prova matematica. Per anni è rimasto una promessa teorica, troppo costosa per qualunque modello serio. Nel 2026 il quadro è cambiato, e vale la pena capire perché.

Che cos’è lo zk-ML

Lo zk-ML (zero-knowledge machine learning) è l’applicazione delle prove a conoscenza zero al calcolo di un modello di machine learning. L’idea di base è semplice da enunciare e difficile da realizzare: chi esegue il modello (il prover) genera, insieme al risultato, una prova crittografica che attesta una frase precisa, cioè «ho eseguito questo specifico modello su questo specifico input e ho ottenuto questo output». Chiunque riceva il risultato (il verifier) può controllare quella prova in millisecondi, senza rieseguire il modello e, se serve, senza vedere né i pesi né i dati di ingresso.

Due proprietà rendono la cosa interessante. La prima è la succintezza: la prova è piccola e si verifica in modo economico, molto più economico che rieseguire l’inferenza, al punto che il controllo può avvenire perfino dentro uno smart contract on-chain. La seconda è la conoscenza zero vera e propria: la prova può convincere il verificatore che il calcolo è corretto senza rivelare informazioni riservate, come i pesi proprietari del modello o i dati sensibili dell’utente. In pratica, ogni inferenza riceve una ricevuta crittografica che chiunque può controllare ma che nessuno può falsificare.

Il cambiamento di fondo è nel modello di fiducia. Oggi, quando un’API vi restituisce l’output di un modello, l’unica opzione è fidarsi del fornitore: che abbia usato il modello giusto, che non lo abbia rimpiazzato con uno più leggero, che non abbia manomesso l’input. Lo zk-ML sposta il baricentro da «fidati del server» a «verifica la prova». È lo stesso salto concettuale che le prove a conoscenza zero hanno già portato allo scaling di Ethereum con i rollup, applicato però a un oggetto molto più ostile alla crittografia: una rete neurale.

Il problema: fidarsi di un’AI che non puoi ispezionare

Il nodo lo ha descritto bene Vitalik Buterin nel suo saggio del gennaio 2024 su crypto e intelligenza artificiale. Se un modello che svolge un ruolo chiave in un meccanismo è chiuso, spiega, «non puoi verificarne il funzionamento interno, e quindi non è meglio di un’applicazione centralizzata; se invece il modello è aperto, un attaccante può scaricarlo e simularlo localmente». È un dilemma apparentemente senza uscita: o ti fidi di una scatola nera, o esponi il modello a chi vuole ingannarlo. Le prove a conoscenza zero offrono una terza via, perché permettono di dimostrare che un calcolo è avvenuto correttamente senza dover aprire la scatola.

Qui è utile una distinzione che spesso si perde. Reti come Akash, Render o le subnet di Bittensor decentralizzano il calcolo: affittano GPU sparse nel mondo per eseguire modelli. Ma affittare potenza di calcolo non dice nulla sull’onestà del risultato. Un nodo può restituire l’output di un modello diverso, più piccolo e più economico, e in assenza di controlli nessuno se ne accorge. Lo zk-ML non decentralizza il calcolo, ne certifica la correttezza. È il tassello che manca alla maggior parte dell’infrastruttura di AI decentralizzata, ed è la ragione per cui è considerato il cuore del verifiable compute.

Come una prova avvolge un modello di AI

Per capire perché lo zk-ML è difficile bisogna guardare a come funziona una prova a conoscenza zero. Un sistema SNARK o STARK non ragiona in termini di codice: traduce il calcolo in un circuito aritmetico, cioè in una lunga sequenza di addizioni e moltiplicazioni definite su un campo finito (l’aritmetica modulare degli interi, non i numeri reali). Ogni operazione del modello deve essere riscritta in quella forma. Il prover impegna (commit) i valori intermedi tramite polinomi e produce una prova che tutte le relazioni del circuito sono soddisfatte; il verificatore controlla quella prova con pochi calcoli, senza mai rivedere l’intera computazione.

La conseguenza pratica è un’asimmetria enorme: generare la prova è costoso, verificarla è quasi gratis. È la stessa asimmetria che rende i rollup a conoscenza zero utili per Ethereum, dove una prova compatta riassume migliaia di transazioni e la rete la controlla in una frazione del tempo che servirebbe per rieseguirle. Buterin la riassume notando che una parte della matematica delle reti neurali si presta bene, e una parte malissimo. Le moltiplicazioni tra matrici, che sono il grosso del lavoro di un modello, si possono mettere in una SNARK con «un overhead inferiore a 4x». Il problema, come vedremo, sono le funzioni non lineari.

Vale la pena chiarire un punto che spesso genera confusione. «A conoscenza zero» non significa necessariamente che qualcosa resti nascosto: nel gergo tecnico indica soprattutto la succintezza, cioè il fatto che la verifica costi molto meno dell’esecuzione. I sistemi SNARK producono prove piccolissime, ma alcuni richiedono una fase di configurazione iniziale delicata; i sistemi STARK rinunciano a quella fase e restano trasparenti, a costo di prove un po’ più grandi. Per lo zk-ML la scelta tra le due famiglie incide su tempi, dimensioni e su quanto è facile verificare la prova dentro uno smart contract, ma il principio resta lo stesso: dimostrare molto, controllare in poco.

Il ciclo di vita di una prova, passo per passo

Messa a terra, la produzione di una prova zk-ML segue una sequenza abbastanza standard, che aiuta a capire dove si concentrano i costi.

1. Esportazione del modello. Il modello addestrato viene salvato in un formato interoperabile, tipicamente ONNX, safetensors o GGUF, così da poter essere letto dal sistema di prova.
2. Preparazione del circuito. Il modello viene quantizzato (gli interi sostituiscono i float) e tradotto in circuito aritmetico o in tabelle di lookup. È la fase che decide quanto sarà costoso il resto.
3. Esecuzione dell’inferenza. Il prover fa girare il modello sull’input e registra tutti i valori intermedi, la cosiddetta traccia di esecuzione.
4. Generazione della prova. Dalla traccia il prover costruisce la prova crittografica. È di gran lunga il passaggio più oneroso in termini di tempo e memoria.
5. Verifica. Chiunque, anche uno smart contract, controlla la prova in millisecondi e accetta o rifiuta il risultato.

Tutto lo sforzo di ricerca degli ultimi anni si è concentrato sui passaggi due e quattro. Ed è proprio lì che nel 2026 sono arrivati i progressi decisivi.

Perché lo zk-ML sembrava impossibile

Una rete neurale non è fatta solo di moltiplicazioni. Tra uno strato e l’altro applica funzioni di attivazione non lineari, come ReLU, softmax o GELU, che decidono quali segnali passano e con quale intensità. Sono operazioni banali su una GPU, ma un incubo per un circuito aritmetico: richiedono confronti, esponenziali, divisioni, tutte cose che il linguaggio nativo delle SNARK (somma e moltiplicazione su interi) non sa esprimere in modo diretto. Buterin stima che, per gli strati non lineari, «le migliori implementazioni pratiche mostrano un overhead intorno a 200x». Da qui il collo di bottiglia storico.

C’è poi il problema dei numeri. Le reti neurali lavorano in virgola mobile (i float a 32 bit), mentre i circuiti a conoscenza zero vivono nel mondo degli interi su campi finiti. Per far entrare un modello in una SNARK bisogna quantizzarlo, cioè approssimarlo con interi a precisione ridotta, spesso a 8 bit. È un compromesso a doppio taglio: più si comprime, più la prova diventa gestibile, ma più il modello quantizzato si allontana da quello originale, con perdite di accuratezza che in certi contesti non sono accettabili.

Il risultato è che, fino a poco fa, lo zk-ML riusciva a coprire solo modelli giocattolo. Il progetto Modulus Labs, con il suo studio «The Cost of Intelligence», fu tra i primi a quantificare quanto fosse proibitivo dimostrare inferenze non banali. E gli strumenti che pure avevano reso lo zk-ML accessibile restavano lenti: nei benchmark del 2025 una libreria come EZKL impiegava ancora diversi secondi per un semplice modello di classificazione, contro le frazioni di secondo dei sistemi più recenti (dati di ICME Labs). Con questi ordini di grandezza, l’idea di dimostrare un modello linguistico intero sembrava fuori portata.

La svolta del 2026: i lookup abbattono il muro

La novità che ha cambiato le carte in tavola si chiama lookup argument. L’intuizione è elegante: invece di ricostruire una funzione non lineare come ReLU o softmax con centinaia di porte aritmetiche, la si precalcola in una tabella di corrispondenze ingresso-uscita e si dimostra, in modo compatto, che ogni valore usato appartiene davvero a quella tabella. Le funzioni che facevano esplodere i circuiti diventano, di colpo, quasi gratuite. Come sintetizza Wyatt Benno di ICME Labs, «i lookup eliminano del tutto la necessità di rappresentare la funzione come circuito».

Il progetto che incarna meglio questa svolta è Jolt Atlas. Jolt è un sistema di prova nato in casa a16z Crypto, costruito attorno all’idea di sostituire l’aritmetica pesante con i lookup e con il protocollo sumcheck; ICME Labs (il team dietro la rete NovaNet) lo ha adattato al machine learning, sostituendo il set di istruzioni RISC-V con ONNX, cioè il formato in cui i modelli di AI vengono effettivamente esportati (repository su GitHub). Il paper che lo descrive è uscito a inizio 2026 (arXiv 2602.17452). Nei benchmark pubblicati, un modello di classificazione multipla viene dimostrato in circa 0,7 secondi con l’approccio a lookup, contro i 4-5 secondi di EZKL, la libreria che era stata a lungo il riferimento del settore.

C’è un dettaglio che va oltre la pura velocità. Grazie agli schemi di folding, che comprimono ricorsivamente le prove, questi sistemi possono girare su hardware modesto: un browser, un telefono, un nodo DePIN. La prova non deve più passare per un data center dedicato. È il tipo di cambiamento che trasforma una curiosità accademica in qualcosa che uno sviluppatore può integrare in un’app reale, e che sposta lo zk-ML dal laboratorio al prodotto.

C’è una ragione più profonda per cui i lookup si sposano bene con il machine learning. I carichi di lavoro di una rete neurale hanno schemi molto regolari: le stesse funzioni di attivazione si ripetono milioni di volte, e le tabelle possono essere condivise tra tutte quelle occorrenze invece di essere ricostruite ogni volta. Ciò che affossava gli approcci a circuito, la densità delle non linearità, diventa un vantaggio per un sistema pensato attorno ai lookup. Non è un caso che i benchmark del 2026 mostrino il margine più ampio proprio sui modelli con molte attivazioni, quelli che in passato erano i più ostili alla dimostrazione.

DeepProve e la prima prova di un LLM intero

Se i lookup hanno abbattuto il costo dei circuiti, è stato Lagrange a piantare la bandiera sul traguardo simbolico. A giugno 2026 il team ha reso open source DeepProve, definendolo il primo sistema zk-ML di livello produttivo, e con DeepProve-1 ha annunciato la prima prova a conoscenza zero di un’inferenza completa di un modello linguistico: GPT-2, dimostrato end-to-end. Non è il solo modello: secondo il comunicato di rilascio, DeepProve ha dimostrato in modo completo anche Gemma-3, oltre a classificatori e modelli di visione, e ha già generato oltre 12 milioni di prove crittografiche e verificato più di 3 milioni di inferenze end-to-end.

I numeri di efficienza raccontano il salto: DeepProve genera le prove degli LLM fino a 60 volte più velocemente rispetto allo stato dell’arte precedente e le verifica 671 volte più in fretta, mantenendo intatta l’accuratezza del modello. Supporta nativamente i formati in cui i modelli vengono davvero distribuiti (ONNX, safetensors, GGUF), il che significa che un modello addestrato con PyTorch o scaricato da Hugging Face può passare per il sistema senza riscritture. Il CEO Ismael Hishon-Rezaizadeh ha inquadrato la mossa open source in modo netto: «Non abbiamo costruito DeepProve per possedere l’AI verificabile. L’abbiamo costruito perché nessuno dovesse farlo».

Qui serve però onestà tecnica, per non trasformare un traguardo in un’illusione. GPT-2 e Gemma-3 sono modelli piccoli per gli standard del 2026; i modelli di frontiera con decine o centinaia di miliardi di parametri restano fuori portata per una prova a conoscenza zero in tempo reale, e i modelli in classe Llama, come dichiara la stessa Lagrange, sono ancora in sviluppo. Il muro non è crollato, si è incrinato. La differenza rispetto a due anni fa è che ora esiste una traiettoria credibile, non solo una speranza. E la domanda, secondo Lagrange che cita una ricerca McKinsey, c’è: «il 71% dei dirigenti aziendali dichiara che non scalerà i sistemi di AI senza una prova di correttezza».

Dove si colloca: i quattro modi di verificare l’AI

Lo zk-ML non è l’unico modo per rendere verificabile un calcolo di AI, ed è utile vederlo accanto agli altri per capire cosa promette e cosa costa. Gli approcci principali sono quattro, e si differenziano soprattutto per la fonte della fiducia.

Lo zk-ML sta all’estremo più rigoroso di questo spettro: è l’unico che non chiede di fidarsi di nessuno, né di un hardware né di un incentivo, ma solo della correttezza della matematica. È anche il più costoso da produrre, ed è per questo che i quattro approcci convivono, spesso in forma ibrida, per esempio un’enclave TEE per la finalità rapida affiancata da controlli a campione a conoscenza zero. La scelta dipende da quanto vale, in quel preciso contesto, eliminare del tutto la fiducia in un terzo.

I principali framework e sistemi zk-ML

Il panorama degli strumenti si è irrobustito in fretta. Alcuni progetti puntano a dimostrare direttamente un modello, altri costruiscono macchine virtuali a conoscenza zero (zkVM) generiche su cui far girare qualunque programma, comprese le inferenze. Ecco i nomi che contano nel 2026.

Vale la pena soffermarsi sui due estremi della tabella. EZKL, sviluppato da zkonduit, ha reso lo zk-ML accessibile a chi non è un crittografo: si prende un modello in formato ONNX e lo si compila in un circuito. È tuttora lo strumento su cui poggiano molte applicazioni reali. All’altro capo c’è Giza, che era partito nel 2023 come piattaforma zkML e che nel frattempo ha virato verso gli agenti finanziari autonomi, con il suo ARMA che ottimizza rendimenti in stablecoin su Base. La parabola di Giza racconta una verità scomoda del settore: dimostrare l’AI è un’impresa tecnica affascinante, ma costruirci sopra un business sostenibile è un’altra cosa.

La privacy: dimostrare senza rivelare

La parte «conoscenza zero» del nome non è un dettaglio, è forse la promessa più sottovalutata dello zk-ML. Una prova può convincere il verificatore che un modello ha prodotto un certo risultato senza rivelare due cose che di solito restano segrete: i pesi del modello e i dati di input. Questo apre scenari che gli altri approcci alla verifica faticano a coprire.

Pensiamo a un ospedale che vuole dimostrare che una diagnosi è stata prodotta da un modello certificato, senza esporre né la cartella clinica del paziente né il modello proprietario dell’azienda che lo ha addestrato. O a una banca che approva un prestito e deve poter provare, magari a un’autorità, che il punteggio è stato calcolato da un modello approvato e non discriminatorio, senza pubblicare l’algoritmo né i dati del richiedente. O ancora a un sistema di verifica dell’identità che conferma «questa persona ha più di 18 anni» senza rivelare la data di nascita. In tutti questi casi lo zk-ML permette di separare il fatto («il calcolo è corretto») dalle informazioni che lo hanno prodotto.

È qui che la conoscenza zero batte le alternative. Un TEE protegge i dati durante l’esecuzione, ma chiede di fidarsi del produttore del chip; l’approccio ottimistico, per contestare un risultato, di solito richiede di rieseguire il calcolo, il che mal si concilia con dati che devono restare riservati. Per un’Europa che ha fatto della minimizzazione dei dati un principio giuridico, la capacità di provare un risultato senza esporre l’input non è un vezzo tecnico, è un incastro naturale con il modo in cui il diritto guarda ai dati personali.

A cosa serve davvero: i casi d’uso nel 2026

Oltre la teoria, dove sta già entrando lo zk-ML? Il caso più concreto arriva dalla DeFi. OpenGradient, insieme a EZKL, ha costruito un modello che regola in modo dinamico le commissioni di una pool Uniswap in base al rischio di mercato, con la garanzia crittografica che il modello dichiarato è davvero quello che ha prodotto il valore delle fee (dettagli sul blog di EZKL). È un esempio piccolo ma reale: un modello di AI che muove denaro on-chain e la cui onestà è dimostrabile, non semplicemente promessa.

Il secondo grande filone sono gli agenti autonomi. Un agente che gestisce fondi, firma transazioni o vota in una governance dovrebbe poter dimostrare di aver seguito il modello e le regole che dichiara, invece di chiedere fiducia cieca. È la differenza tra un agente a prova di manomissione e uno che potrebbe essere stato silenziosamente sostituito. Il tema si intreccia con l’ecosistema dei framework per agenti come ElizaOS, dove la questione della fiducia negli output è tutt’altro che risolta.

Un terzo terreno, più vicino al grande pubblico, è l’autenticità dei contenuti. In un’epoca di deepfake e di immagini generate, una prova a conoscenza zero può attestare che una foto è stata prodotta o modificata solo da una pipeline dichiarata, oppure che un testo proviene davvero dal modello indicato e non da un altro. Non risolve da solo il problema della disinformazione, ma offre un mattone verificabile su cui costruire: invece di chiedere «di chi ti fidi?», si può chiedere «dov’è la prova?».

Ci sono poi gli oracoli e i mercati predittivi, dove una prova a conoscenza zero può certificare che un dato o una risoluzione derivano da un modello concordato; la gestione del rischio nei protocolli di prestito, con stime di volatilità verificabili; e le reti di calcolo GPU decentralizzato, come Render, che potrebbero aggiungere un livello di verifica sopra la potenza grezza che già vendono. Il filo conduttore è sempre lo stesso: ovunque il risultato di un modello faccia scattare un’azione con conseguenze economiche o legali, una prova vale più di una promessa.

Il paradosso: la tecnologia scala, i token no

C’è un contrasto che salta all’occhio a chiunque guardi il settore con lente da mercato. Mentre la tecnologia compie salti reali, i token dei progetti che la costruiscono sono in gran parte in caduta libera. LA, il token di Lagrange, viaggia intorno a 0,043 euro, circa il 97% sotto il massimo storico di 1,50 euro; PROVE di Succinct è vicino a 0,13 euro, oltre il 90% sotto il picco di 1,47 euro. Lo stesso vale per gli altri nomi del comparto delle prove.

Il messaggio è che la maturità tecnica e il valore di un token sono due grandezze diverse. La capacità di dimostrare un LLM non genera automaticamente una domanda che paghi le commissioni di rete, e la storia di Giza, che ha abbandonato lo zkML puro per gli agenti di DeFi, ricorda che il modello di business è ancora tutto da scrivere. Abbiamo dedicato a questo divario un’analisi a parte, «le prove scalano, i token no», a cui rimandiamo chi voglia approfondire il lato mercato.

Cosa servirebbe per chiudere il divario? In sostanza, una domanda ricorrente che paghi le prove. Finché la verifica dell’AI resta un optional, il valore economico di questi network resta teorico; nel momento in cui una norma, un assicuratore o un grande cliente istituzionale cominciassero a esigere una prova per ogni inferenza critica, l’equazione cambierebbe. È la scommessa implicita di tutto il settore: che la fiducia, prima o poi, diventi un costo che qualcuno è disposto a pagare. Per ora la tecnologia corre davanti alla sua stessa domanda, ed è un posto scomodo in cui trovarsi per un token, per quanto solida sia l’ingegneria che lo sostiene.

Le regole: EU AI Act, Consob e MiCA

Sul piano normativo lo zk-ML vive in una zona di frontiera. L’infrastruttura in sé (i sistemi di prova, gli algoritmi) non è regolata direttamente da nessuna autorità finanziaria. A entrare nel perimetro sono semmai i token che pagano questi servizi e le applicazioni che li usano, soprattutto quando un agente AI gestisce asset per conto di terzi. In Italia il quadro fa capo a Consob per la condotta di mercato e la tutela degli investitori, e a Banca d’Italia per gli aspetti prudenziali e sugli stablecoin, secondo il decreto di attuazione di MiCA (D.lgs. 129/2024); i derivati su cripto restano invece sotto la MiFID II. Il periodo transitorio di MiCA in Italia si è chiuso il 1 luglio 2026, come raccontiamo nella guida all’attuazione italiana.

La spinta più interessante, però, arriva dal fronte AI. L’AI Act europeo è entrato nella fase in cui la Commissione può far rispettare gli obblighi sui modelli di uso generale, con poteri di richiesta della documentazione e sanzioni che arrivano a milioni di euro o a percentuali del fatturato globale (quadro ufficiale della Commissione). Un mondo che pretende sistemi di AI documentabili e verificabili è, in prospettiva, esattamente il tipo di domanda che lo zk-ML potrebbe soddisfare: una prova crittografica è una forma di auditabilità difficile da contestare. Negli Stati Uniti, per ora, la cornice è più vaga: l’interpretazione congiunta di SEC e CFTC del marzo 2026 sui digital commodity non dice nulla sul verifiable compute, lasciando questi token in un limbo di classificazione.

Limiti e domande aperte

Sarebbe un errore chiudere con un trionfalismo che il settore non merita ancora. I limiti restano seri. Il primo è di scala: dimostrare GPT-2 è un traguardo, ma i modelli che usiamo ogni giorno sono centinaia di volte più grandi, e una prova a conoscenza zero in tempo reale di un modello di frontiera non è dietro l’angolo. Il secondo è la quantizzazione: comprimere un modello a interi a bassa precisione per farlo entrare in un circuito può degradarne l’accuratezza, e in alcuni ambiti quella perdita non è tollerabile.

C’è poi un paradosso tecnico sottile, quello del determinismo. Le prove a conoscenza zero richiedono un calcolo perfettamente riproducibile, mentre l’inferenza di un LLM su GPU, per via del parallelismo e dell’aritmetica in virgola mobile, spesso non lo è: lo stesso input può dare risultati leggermente diversi. Riconciliare la natura non deterministica dell’hardware con il determinismo che la crittografia pretende è un problema aperto, non un dettaglio implementativo. E resta la domanda più scomoda di tutte, quella che aleggia su ogni progetto del settore: serve davvero un token per far funzionare tutto questo, o la tecnologia migliore vincerà indipendentemente dall’asset che la accompagna?

Domande frequenti

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

Lo zk-ML è una tecnica che accompagna il risultato di un modello di intelligenza artificiale con una prova matematica che quel risultato è stato calcolato correttamente dal modello dichiarato. Chi lo riceve può verificare la prova in un istante, senza rieseguire il modello e senza dover vedere i dati o i pesi. In pratica, trasforma «fidati di me» in «ecco la prova».

Qual è la differenza tra zk-ML e opML?

Lo zk-ML produce una prova crittografica valida subito e non richiede di fidarsi di nessuno, ma generarla è costoso. L’opML (machine learning ottimistico) pubblica il risultato assumendolo corretto e apre una finestra di tempo in cui chiunque può contestarlo con una fraud proof: è più economico, ma introduce latenza e richiede almeno un osservatore onesto. Uno privilegia la certezza immediata, l’altro il costo ridotto.

Si può già dimostrare un modello come ChatGPT con lo zk-ML?

Non ancora, non nella sua interezza e non in tempo reale. Nel 2026 sistemi come DeepProve di Lagrange hanno dimostrato end-to-end modelli linguistici piccoli come GPT-2 e Gemma-3, un risultato che due anni fa sembrava impossibile. I modelli di frontiera con decine o centinaia di miliardi di parametri restano però fuori portata: la traiettoria è promettente, ma il traguardo non è raggiunto.

Lo zk-ML protegge la privacy dei dati?

Sì, ed è uno dei suoi punti di forza. Grazie alla proprietà di conoscenza zero, una prova può attestare che un modello ha prodotto un certo output senza rivelare né i dati di input né i pesi del modello. Questo lo rende adatto ad ambiti sensibili come sanità, credito e verifica dell’identità, dove serve dimostrare un fatto senza esporre le informazioni che lo hanno generato.

Esiste un token dello zk-ML?

Non esiste un unico token del settore. Diversi progetti hanno un proprio asset, per esempio LA di Lagrange, PROVE di Succinct o ZKC di Boundless, ma nel 2026 questi token quotano in larga parte oltre il 90% sotto i loro massimi storici, un divario che mostra quanto la maturità tecnica non coincida con il valore di mercato. Questo articolo è informativo e non costituisce un consiglio finanziario.

Luca Ferretti scrive di infrastrutture AI, crypto e regolazione per HOGE Wire.