20230625-国盛证券-区块链行业专题研究_如何信任AI_零知识机器学习（ZKML）提供怎样的思路__13页_1mb

报告总结：区块链如何信任AI：零知识机器学习（ZKML）提供怎样的思路？

核心观点

随着AI技术的快速发展，AI的信任问题（尤其是隐私和模型透明度）成为关键挑战。零知识机器学习（ZKML）通过结合零知识证明技术，提供了一种去信任化的AI解决方案。

AI信任问题的挑战

• 隐私保护：用户担心AI模型是否会泄露数据，尤其在医疗、金融等敏感领域。
• 模型透明度：大规模语言模型（如ChatGPT）的“黑匣子”特性让用户难以理解模型如何运行，结果如何获得。
• 模型可控性：AI的快速演进和不可控性增加了信任难度。

零知识证明（ZKP）与ZKML

零知识证明

• 定义：证明者在不泄露具体数据的情况下，验证者能确认信息的真实性。
• 技术类型：zk-SNARKS、zk-STARKS、Bulletproofs等。
• 应用场景：模型真实性、模型完整性、验证、分布式训练和身份验证。

零知识机器学习（ZKML）

• 技术结合：在保护隐私（不泄露用户数据或模型细节）的前提下，确保模型计算的完整性和可信性。
• 案例：Twitter推荐算法通过ZK-SNARKs验证模型是否按承诺运行，用户可在不公开模型细节的情况下验证推荐结果的准确性。

启发性案例：Twitter推荐算法

• TWITTER的“ForYou”推荐功能使用AI模型筛选每天约5亿条推文，但算法细节未公开。
• 社区开发者利用ZK-SNARKs生成证明，验证模型是否正确运行，用户可自行或委托第三方审计模型，确保公平性和诚实性。

投资建议与风险提示

投资建议

• 算力产业链：中际旭创、新易盛、天孚通信、太辰光、腾景科技、中兴通讯、紫光股份、锐捷网络。
• 三大运营商：中国电信、中国移动、中国联通。
• 内容审查与IP保护：人民网、新华网、博汇科技。

风险提示

• 商业模式落地不及预期：ZKML处于早期发展阶段，商业化落地存在不确定性。
• 监管政策：各国对ZKML涉及的数据隐私、金融等领域的监管政策尚不明确。

结论

ZKML通过零知识证明技术，在AI模型的透明性、隐私保护和可验证性之间取得了平衡。尽管当前技术尚不能完全匹配大型AI模型的规模，但其在实际应用（如Twitter推荐算法）中已展现出巨大潜力。未来，随着硬件和算法的进一步发展，ZKML将成为AI信任机制的重要组成部分。