Day 74：zkML 与可验证 AI 推理 — 让链上信任 AI

日期：2026-03-17 主题：zkML/opML/TEE 三种可验证 AI 方案对比、EZKL/Giza/Modulus 协议分析、PM 产品机会 产出：学习笔记 + 面试题答案

---

今日目标

---

一、核心问题：AI 的"信任危机"

1.1 为什么链上需要验证 AI？

区块链的核心价值 = 无需信任（Trustless）
AI 的本质 = 黑箱推理（不可审计）

当 AI Agent 代替用户做链上决策（Day 73），如何证明：
  1. Agent 真的用了声明的模型（不是随机输出）？
  2. Agent 没有被篡改输入数据？
  3. Agent 的推理过程可以被第三方独立复现？

1.2 信任问题的层次

---

二、三种可验证 AI 方案

2.1 方案概览

            安全性高                     性能高
              │                           │
    ┌─────────┼─────────┐       ┌─────────┼─────────┐
    │         │         │       │         │         │
   zkML     opML      TEE     TEE      opML      zkML
    │         │         │       │         │         │
    └─────────┼─────────┘       └─────────┼─────────┘
              │                           │
          安全性排序                    性能排序

2.2 zkML（Zero-Knowledge Machine Learning）

原理：将 ML 模型推理转化为 ZK 电路，生成数学证明。任何人都能验证"这个输出确实来自这个模型+这个输入"，但不暴露模型权重或输入数据。

流程：

1. 模型推理（链下）→ 得到输出
2. 生成 ZK 证明（链下，耗时）→ 证明"输出正确"
3. 链上验证证明（便宜，~200K gas）→ 合约信任输出

优势：

• 最强安全保证：数学级别的正确性证明
• 隐私保护：不暴露模型和数据
• 链上验证成本低

劣势：

• 证明生成极慢：一次推理可能需要几分钟到数小时
• 模型规模受限：目前只能处理小型模型（<1B 参数）
• 开发复杂度高

代表项目：

2.3 opML（Optimistic Machine Learning）

原理：借鉴 Optimistic Rollup 思路。默认信任 AI 推理结果，设置挑战期，任何人发现结果错误可提交欺诈证明。

流程：

1. 推理者提交结果 + 保证金（链上）
2. 挑战期（如 7 天）：任何人可重新执行推理
3a. 无挑战 → 结果确认，保证金退还
3b. 有挑战 → 链上仲裁（二分查找定位分歧步骤）

优势：

• 性能高：正常情况下只需一次推理
• 支持大模型：理论上支持任意大小模型
• 成本低：无 ZK 证明开销

劣势：

• 延迟高：需等待挑战期
• 活性假设：至少需要一个诚实验证者在线
• 仲裁复杂：链上重现 ML 推理非常困难

代表项目：

2.4 TEE（Trusted Execution Environment）

原理：在硬件级别的安全隔离区（如 Intel SGX/TDX、AMD SEV、AWS Nitro）中运行 AI 推理。硬件保证代码和数据不被外部观察或篡改。

流程：

1. 将模型和输入加载到 TEE 飞地（Enclave）
2. 在隔离环境中执行推理
3. TEE 生成硬件签名的证明（Attestation）
4. 链上验证 TEE 证明 → 信任输出

优势：

• 性能最高：接近原生执行速度
• 支持任意大模型
• 隐私保护（数据在飞地中处理）
• 实时出结果

劣势：

• 信任硬件厂商（Intel/AMD/AWS）→ 不是真正"去信任"
• 侧信道攻击风险（历史上多次被攻破）
• 硬件可用性受限

代表项目：

---

三、三种方案对比

3.1 全面对比

3.2 选择指南

需要最强安全保证 + 小模型          → zkML（如链上信用评分）
需要大模型 + 可接受延迟            → opML（如 AI 治理投票）
需要实时 + 大模型 + 可接受信任假设  → TEE（如 AI 交易代理）
生产环境的务实选择                 → TEE + zkML 混合

3.3 混合方案趋势

2026 年的主流趋势是混合使用：

TEE 负责实时推理（速度）
  + zkML 负责事后验证（安全）
  + opML 作为经济保障层（兜底）

例：AI Agent 用 TEE 执行交易决策（毫秒级响应）
   → 事后用 zkML 生成证明（分钟级）
   → 如果 zkML 验证失败，通过 opML 争议解决

---

四、实际应用场景

4.1 链上 AI 预言机

传统预言机：Chainlink 报价 ETH=$3800
AI 预言机：模型预测 ETH 30天波动率=45%

→ 用 zkML 证明"这个预测确实来自这个训练好的模型"
→ DeFi 协议可以信任这个预测用于风控参数调整

4.2 AI 信用评分

去中心化借贷想要低抵押率（<100%）
→ 需要链上信用评分
→ AI 模型分析地址历史行为（还款记录、资产稳定性）
→ 用 zkML 证明评分正确且不泄露隐私
→ 智能合约自动设置抵押率

4.3 AI 内容验证

AI 生成的 NFT 艺术品
→ 用 zkML 证明"这幅图确实由 Stable Diffusion v3 生成"
→ 防止人类画作冒充 AI 作品（或反之）
→ NFT 市场可以标注"verified AI-generated"

4.4 可验证的 AI Agent

AI Agent 代替 DAO 执行财务操作（Day 73）
→ 每次操作附带 TEE attestation
→ 定期用 zkML 生成完整证明
→ DAO 成员可以随时审计 Agent 行为的正确性

---

五、核心协议深度

5.1 EZKL（最成熟的 zkML 框架）

工作流：

1. 开发者训练 ML 模型（PyTorch/TensorFlow）
2. 导出为 ONNX 格式
3. EZKL 将 ONNX → ZK 电路（Halo2 证明系统）
4. 生成 proving key + verification key
5. 推理时生成 ZK 证明
6. 部署 Solidity 验证合约到链上

支持的模型类型（2026）：

• 线性回归、逻辑回归
• CNN（图像分类）
• 小型 Transformer（NLP）
• 决策树/随机森林
• ⚠️ 不支持：GPT-4 级别的大语言模型

性能基准（2026）：

5.2 ORA Protocol（opML 代表）

定位：为 Ethereum 提供可验证 AI 推理的预言机网络

架构：

用户/合约 → 发送 AI 推理请求
ORA 网络 → 执行推理 + 提交结果
挑战期 → opML 欺诈证明保护
链上合约 → 接收验证过的 AI 输出

产品：

• IMO（Initial Model Offering）：链上发布 AI 模型，Token 化模型所有权
• OAO（Onchain AI Oracle）：合约可直接调用的 AI 推理

5.3 Phala Network（TEE 代表）

定位：TEE 驱动的去中心化 AI 执行层

Agent Contract 架构：

智能合约定义 Agent 逻辑
  → TEE 节点执行 AI 推理
  → 硬件证明推理过程可信
  → 结果回传链上

优势：可以跑完整的 LLM（GPT-4 级别），不受 zkML 的模型大小限制。

---

六、PM 产品机会

6.1 基础设施机会

6.2 应用层机会

6.3 关键挑战

---

七、面试题答案

Q：为什么 Web3 需要可验证的 AI？用哪种方案？

30秒版本： 区块链的核心是无需信任，AI 的核心是黑箱推理——两者天然矛盾。可验证 AI 解决这个矛盾，让链上合约能信任链下 AI 的输出。三种方案各有取舍：zkML 最安全但慢且只支持小模型，TEE 最快但依赖硬件信任，opML 折中但有延迟。实际项目通常混合使用。

2分钟版本：

问题本质：

• 智能合约是确定性的：相同输入 → 相同输出，所有节点可验证
• AI 推理是非确定性的（浮点精度、随机种子）且计算量大
• 如果合约要使用 AI 输出（价格预测、信用评分、治理建议），必须有验证机制

三种方案：

1. zkML：数学证明推理正确，最强安全保证。适合小模型（信用评分、简单分类）。EZKL 是最成熟的框架
2. TEE：硬件隔离保证执行可信。适合大模型实时推理（AI Agent、交易策略）。Phala Network 是代表
3. opML：乐观假设+欺诈证明。适合非实时场景（治理投票、内容审核）。ORA Protocol 是代表

PM 选择逻辑：

• 金额大 + 安全优先 → zkML
• 实时性强 + 可接受硬件信任 → TEE
• 延迟可接受 + 模型大 → opML
• 2026 主流趋势 → TEE 实时执行 + zkML 事后审计

---

Q：zkML 目前最大的限制是什么？什么时候能跑大语言模型？

回答： 最大限制是电路规模——将 ML 计算转化为 ZK 电路后，模型越大证明时间指数级增长。2026 年 EZKL 能处理 ~1M 参数模型（小型 CNN/Transformer），但 GPT-4 有 1.8T 参数，差距 6 个数量级。

乐观估计，zkML 跑 10B 参数模型可能需要 3-5 年（硬件加速+证明系统优化+模型量化压缩）。在此之前，大模型验证的务实方案是 TEE + 事后 zkML 对关键输出做抽样验证。

---

八、与前几天的知识关联

Day 70（AI+Crypto 全景）
  └→ 提到"验证层：zkML/opML/TEE"但未展开
Day 71（Intent-Based 架构）
  └→ Solver 的执行可以用 TEE 验证
Day 73（AI Agent 产品设计）
  └→ Agent 的决策正确性需要可验证 AI 保障
Day 74（本篇）
  └→ 深入三种验证方案的原理、取舍和产品机会

---

九、今日总结

核心洞察（PM 视角）： 可验证 AI 是 AI+Web3 真正融合的必要条件。没有可验证性，AI Agent 永远只能做"辅助建议"（用户确认才执行）。有了可验证性，AI Agent 才能真正获得链上自主权——合约可以像信任其他合约一样信任 AI 输出。这是从"AI 辅助工具"到"AI 链上公民"的关键跨越。

---

Day 74 完成 · 下一步：Day 75 去中心化算力深度