zkML 可验证推理

如果一个 AI Agent 声称“我用某个模型算出了这个投资建议”，但没有任何人能验证它真的跑了那个模型（而不是随便编造一个结果），这个 Agent 的输出在高价值场景——贷款审批、医疗分诊、自动化投资决策——里就毫无法律或信任价值。人类可以选择相信或不相信一家机构的承诺，但让 Agent 之间、Agent 与智能合约之间建立同等程度的信任，需要一种比“嘴上说说”更硬的证明方式。zkML（零知识机器学习证明）要解决的正是这个问题：把“模型确实按预期跑过”变成一个可以用数学验证的密码学证明，而且不需要暴露模型权重或训练数据本身——这一点对于既要证明合规、又要保护商业机密的机构尤其关键。

现状与局限

zkML 目前处于能力分层明显的阶段：中小模型——1B 参数以下的 transformer、CNN、梯度提升树——已经在金融、保险领域进入生产部署，能够满足实时或准实时的验证需求；但 7B 参数以上的大模型因为证明生成速度太慢，实时场景仍不可行，不过批量验证（离线生成证明、事后审计）已经可用。也就是说，zkML 不是“要么全行、要么全不行”的技术，而是“看模型规模和场景对延迟的容忍度”决定能不能用。

背景驱动力

推动 zkML 从学术概念走向企业采购议题的一个具体因素是监管：2026 年 8 月全面生效的欧盟 AI Act 要求高风险 AI 系统保留可事后审计的日志。zkML 恰好同时满足“可审计”（证明可以被任何第三方验证）与“保护隐私”（不暴露模型内部细节）这两个通常互相冲突的要求，是目前实现这一监管诉求的技术路径之一。

与 TEE 的关系

zkML 走的是数学证明路线，严谨性最高但计算开销大；另一条平行路径是硬件隔离方案 TEE 可验证计算，更快落地但信任基础不同（信任硬件隔离和远程认证，而非纯数学证明）。两者是同一个“可验证计算”问题的两种不同权衡取舍，而非互斥的竞争关系。

时间戳

2026 年，zkML 从纯学术概念进入企业采购议题，但仍处于“中小模型可用、大模型不可用”的过渡阶段（据 raw 调研整理，2026 年 7 月检索）。