老师有没有告诉你，有一种方法能让AI证明它没撒谎——而且你连它在算什么都不用知道

2026-07-27 · 🕐 约 12 分钟

由 丢笔哥 发布

🖊️ 老师有没有告诉你…

零知识证明不只是让你藏秘密——它是未来所有AI代理之间唯一不需要老板的信任方式。

你有没有想过一个问题：当你把体检报告上传给某个AI诊断工具的时候，你怎么知道它真的跑了一遍AI——而不是随便找个人看的？

:::story title="一个MIT博士用2000万美元的机器，花了一周，只为证明一个AI算对了1+1"
2023年，MIT的博士生Daniel Kang和他的团队做了一个「荒唐」的实验。他们把一个最简单的AI模型——一个只有几层的小型神经网络——用零知识证明「包裹」起来，然后让它执行一个极其简单的任务：识别一张28×28像素的手写数字图片（就是MNIST数据集，计算机视觉领域的「hello world」）。整个证明的生成过程，调用了一个装满A100 GPU的集群——市场价值超过2000万美元——跑了整整一周。结果呢？是的，他们拿到了一份数学证明，证明那个AI确实正确识别了这张手写数字图片。但你知道一周的电费是多少吗？同样的计算如果在普通CPU上跑，需要的时间不是一周——是好几年。Kang把这个实验写成了论文，标题叫「Scaling Zero-Knowledge to Deep Neural Networks」。论文里的结论非常诚实：zkML在理论上完全可行——在实践中，它现在只能用于「证明一个AI算对了一道小学数学题」，而且你需要一个超级计算机来做这个证明。但这不是失败。这是所有革命性技术的标准开局：它先在一个极端不经济的条件下被证明「能跑」，然后工程师花十年把它变便宜。今天你口袋里那台手机的计算能力，1970年需要用一整栋楼的机器才能实现。zkML的故事，才刚刚开始。
:::

先别管「零知识证明」这五个字——它是一个比字面意思更简单的东西

你肯定听过「零知识证明」这个词，但你可能从来没真正搞懂过它是什么意思。我给你一个最简单的类比。假设你有一个上锁的保险箱，你想向我证明你知道密码——但你又不想把密码告诉我。你怎么办？你可以这样做：让我先写一张纸条放进保险箱里，你关上箱子、输入密码打开、把纸条拿出来给我看。我看到了纸条，就知道你确实打开了箱子——但我从头到尾都不知道密码是什么。这就是零知识证明的核心逻辑：你可以向另一个人证明「我知道某个秘密」，而不需要把秘密本身交出去。现在，把这个保险箱从物理世界搬到数学世界——密码不再是一串数字，而是一个AI模型的内部参数；纸条不再是纸，而是「这个模型对某个输入给出了正确的输出」。这就是zkML（零知识机器学习）要做的事：让你证明「我用AI模型正确计算了这个结果」，但不泄露模型本身、不泄露输入数据、不泄露中间过程。

为什么需要zkML？因为你正在把越来越多的决策交给你看不见的AI

你想想现在的AI是怎么工作的。你上传一份体检报告到某个AI诊断平台，它给你一个分析结果。但你怎么知道它真的用了它宣称的那个模型？你怎么知道它没有偷工减料——用一个便宜的、精度低的模型替代？你怎么知道你的体检数据在被分析完之后真的被删除了？更关键的是：如果这个AI诊断说你有癌症风险，你想找一个第三方专家复核——但AI公司的模型是商业机密，不可能给你。你只能选择「信」或者「不信」。zkML解决的正是这个问题。你用零知识证明生成一份「计算证明」——它只告诉你「这个AI确实按照声称的模型和参数，对这份数据得出了这个结果」，而不暴露模型权重、训练数据和你的体检报告。这份证明可以被任何人在任何地方独立验证，不需要信任AI公司、不需要信任医院、不需要信任任何中间人。你想想，这和鹿晗照片鉴定问题是不是同一个根？我们需要一种不依赖于「信任提供方」的验证方式。

生成一份零知识证明的计算量——大到曾经被认为是「不可能」

到这里你可能会问：听起来这么厉害的东西，为什么现在才出现？答案是：它太「重」了。传统的零知识证明系统，每验证一个计算步骤，需要生成和验证海量的多项式承诺和椭圆曲线运算。一个简单的AI推理——比如让ResNet识别一张猫的图片——在普通电脑上只需要0.01秒。但用最早的ZK电路把它重新执行一遍，需要多少时间？2020年的答案是：几个月。是的，一张图要算几个月。这不是「慢」的程度——这是「不可用」的程度。转折点发生在2022-2023年。两个技术突破改变了局面：一是「查找表参数」（lookup arguments），让矩阵乘法这种AI核心运算的ZK化不再需要逐位展开；二是专用ZK硬件（如ZK加速芯片）的出现，把证明生成时间从「月」降到了「分钟」。但即使如此，今天的zkML也远未到「即用」阶段——生成一个GPT-2级别模型的推理证明，仍然需要几个小时的GPU计算。我们离「每次和ChatGPT聊天都附带ZK证明」还差三次摩尔定律。但方向已经明确：计算的移动正在从「信任模型提供方」转向「验证计算本身」。

zkML的真正敌人不是技术——是你对「隐私」的理解偏差

这里有一个你可能没想过的矛盾。zkML能证明「AI计算结果是对的」但不泄露数据——但大多数人和AI的交互，天然需要暴露数据。你跟ChatGPT说「帮我写一封辞职信，我的理由是老板micromanage我」——这条信息本身就包含了你的意图和处境。即使ChatGPT给你一份ZK证明说「我确实用了GPT-4模型生成了这封辞职信」，你泄露给AI的那部分信息已经回不来了——你泄露的是你的不满、你的职场关系、你的语言习惯。zkML保护的是「计算过程」的隐私——不是「你主动告诉AI的内容」的隐私。这是一个根本性的区分。如果你让AI帮你做MRI分析，zkML可以保证医院看不到你的片子、AI公司偷不到你的数据、第三方无法获取分析结果——因为你把原始数据「锁」在本地，只让AI在上面运行一个可验证的计算。但如果你主动把个人信息输入一个公开的AI聊天框，zkML救不了你。它只能证明AI没骗你——不能证明你没把自己卖了。

zkML的终局不是「验证AI」——是让AI之间可以互相不信任地协作

你可能会觉得：我现在不需要zkML啊，我跟AI聊得挺好的。但你看远一点。未来不是「你和一个AI」的关系——是「成百上千个AI代理在替你跑腿」。一个AI帮你找机票，另一个AI帮你比价，第三个AI帮你支付，第四个AI帮你生成行程单。这些AI代理之间是互相不信任的——它们甚至可能属于不同的公司、运行在不同的服务器上。那么问题来了：AI-B怎么知道AI-A给它的价格数据是「这个AI模型真正算出来的」而不是「被人为篡改过的」？答案是zkML。每一个AI代理的每一次推理，都可以附带一个零知识证明——你可以把这个证明理解为AI的「数字签名」。只不过这个签名不是证明「我是谁」，而是证明「我确实诚实地算了一遍」。这听起来有点科幻，但以太坊基金会已经在资助zkML研究，一些Layer 2项目已经开始探索用zkML来做去中心化AI推理。不是明年，不是后年——但十年之内，你手机里的每一个AI代理可能都在互相给对方发零知识证明。想象一个场景：两台互相不认识的AI，在没见面的情况下，通过纯数学的方式建立起了信任。这件事的意义，比任何币价涨跌都要深远。