原文作者：Jiaheng Zhang
随着人工智能（AI）在医疗、金融、自动驾驶等关键领域的深入落地，保障机器学习（ML）推理过程的可靠性、透明性和安全性，正变得前所未有地重要。
然而，传统的机器学习服务往往像“黑箱”一样运行，用户只能看到结果，难以验证过程。这种不透明性让模型服务容易暴露在风险之下：
模型被盗用、
推理结果被恶意篡改、
用户数据面临隐私泄露风险。
ZKML（零知识机器学习）为这一挑战提供了全新的密码学解法。它依托零知识证明（ZKPs）技术，赋予机器学习模型可加密验证的能力：证明一项计算已被正确执行，而无需透露其中的敏感信息。
换句话说，ZKPs 允许服务提供者向用户证明：
“你所获得的推理结果，确实是我用训练好的模型跑出来的——但我不会泄露任何模型参数。”
这意味着，用户可以信任推理结果的真实性，而模型的结构和参数（往往是高价值资产）则始终保持私密。
zkPyTorch
Polyhedra Network 重磅推出 zkPyTorch —— 一款专为零知识机器学习（ZKML）打造的革命性编译器，旨在打通主流 AI 框架与 ZK 技术之间的最后一公里。
zkPyTorch 将 PyTorch 强大的机器学习能力与前沿的零知识证明引擎深度融合，AI 开发者无需更改编程习惯，也无需学习全新的 ZK 语言，即可在熟悉的环境中，构建具备可验证性的 AI 应用。
这款编译器能够自动将高层次的模型操作（如卷积、矩阵乘法、ReLU、softmax 和注意力机制）转译为可被加密验证的 ZKP 电路，并结合 Polyhedra 自研的 ZKML 优化套件，对主流推理路径进行智能压缩与加速，确保电路的正确性与计算效率双重兼得。
打造可信 AI 生态的关键基础设施
当今的机器学习生态系统，正面临数据安全、计算可验证性和模型透明度等多重挑战。尤其在医疗、金融、自动驾驶等关键行业，AI 模型不仅涉及大量敏感个人信息，还承载着高价值的知识产权与核心商业机密。
零知识机器学习（ZKML）应运而生，成为解决这一困局的重要突破。通过零知识证明（ZKP）技术，ZKML 可在不泄露模型参数或输入数据的前提下，完成模型推理的完整性验证——既守住隐私，又保障可信。
但现实中，ZKML 开发往往门槛极高，需要深厚的密码学背景，远非传统 AI 工程师所能轻松驾驭。
这正是 zkPyTorch 的使命所在。它为 PyTorch 与 ZKP 引擎之间搭起了一座桥梁，让开发者用熟悉的代码构建具备隐私保护与可验证性的 AI 系统，无需重新学习复杂的密码学语言。
通过 zkPyTorch，Polyhedra Network 正在显著降低 ZKML 的技术壁垒，推动可扩展、可信任的 AI 应用走入主流，重构 AI 安全与隐私的新范式。
zkPyTorch 工作流程
图 1 ：ZKPyTorch 的整体架构概览
如图 1 所示，zkPyTorch 通过精心设计的三大模块，将标准 PyTorch 模型自动转换为兼容 ZKP（零知识证明）的电路。这三大模块包括：预处理模块、零知识友好量化模块，以及电路优化模块。
这一流程无需开发者掌握任何加密电路或专用语法：开发者只需使用标准 PyTorch 编写模型，zkPyTorch 即可将其转化为可被如 Expander 等零知识证明引擎识别的电路，生成对应的 ZK 证明。这种高度模块化的设计，大幅降低了 ZKML 的开发门槛，使 AI 开发者无需切换语言或学习密码学，也能轻松构建高效、安全、可验证的机器学习应用。
模块一：模型预处理
在第一阶段，zkPyTorch 会将 PyTorch 模型转换为结构化的计算图，采用开放神经网络交换格式（ONNX）。ONNX 是业界广泛采用的中间表示标准，能够统一表示各类复杂的机器学习操作。通过这一预处理步骤，zkPyTorch 能够理清模型结构、拆解核心计算流程，为后续生成零知识证明电路打下坚实基础。
模块二：ZKP 友好量化
量化模块是 ZKML 系统中的关键一环。传统机器学习模型依赖浮点运算，而 ZKP 环境更适合有限域中的整数运算。zkPyTorch 采用专为有限域优化的整数量化方案，将浮点计算精确映射为整数计算，同时将不利于 ZKP 的非线性操作（如 ReLU、Softmax）转换为高效的查找表形式。
这一策略不仅大幅减少了电路复杂度，还在确保模型精度的前提下，提升了整个系统的可验证性与运行效率。
模块三：分层电路优化
zkPyTorch 在电路优化方面采用多层次策略，具体包括：
批处理优化
针对序列化计算特别设计，通过一次性处理多个推理步骤，大幅降低计算复杂度和资源消耗，尤其适用于 Transformer 等大型语言模型的验证场景。原语操作加速
结合快速傅里叶变换（FFT）卷积与查找表技术，有效提升卷积、Softmax 等基础运算的电路执行速度，从根本上增强整体计算效率。并行电路执行
充分发挥多核 CPU 和 GPU 的算力优势，将矩阵乘法等重负载计算拆分为多个子任务并行执行，显著提升零知识证明生成的速度与扩展能力。
深度技术探讨
有向无环图（DAG）
zkPyTorch 采用有向无环图（DAG）来管理机器学习的计算流程。DAG 结构能够系统化地捕捉复杂的模型依赖关系，如图 2 所示，图中每个节点代表一个具体的操作（如矩阵转置、矩阵乘法、除法和 Softmax），而边则精确描述了这些操作之间的数据流向。
这种清晰且结构化的表示方式，不仅极大便利了调试过程，也有助于性能的深入优化。DAG 的无环特性避免了循环依赖，确保了计算顺序的高效且可控执行，这对于优化零知识证明电路的生成至关重要。
此外，DAG 使 zkPyTorch 能够高效处理诸如 Transformer 和残差网络（ResNet）等复杂模型架构，这些模型通常具有多路径、非线性的复杂数据流，DAG 的设计正好契合其计算需求，保证了模型推理的准确性与高效性。
图 2 ：机器学习模型以有向无环图（DAG）形式表示的示例
高级量化技术
在 zkPyTorch 中，高级量化技术是将浮点计算转化为适用于零知识证明（ZKP）系统中高效有限域算术的整数运算的关键步骤。zkPyTorch 采用静态整数量化方法，精心设计以兼顾计算效率与模型精度，确保在生成证明时既快速又准确。
这一量化过程包含严格的校准，精准确定最佳量化尺度，用以有效表示浮点数，避免溢出和精度大幅损失。针对 ZKP 特有的非线性运算挑战（例如 Softmax 和层归一化），zkPyTorch 创新性地将这些复杂函数转化为高效的查表操作。
这种策略不仅大幅提升了证明生成的效率，也确保生成的证明结果与高精度量化模型的输出完全一致，兼顾了性能与可信度，推动了可验证机器学习的实用化进程。
多级电路优化策略
zkPyTorch 采用了高度精密的多层次电路优化体系，从多个维度出发，确保零知识推理在效率与可扩展性上的极致表现：
批处理优化（Batch Processing Optimization）
通过将多个推理任务打包为批次处理，显著降低整体计算复杂度，尤其适用于 Transformer 等语言模型中的序列式操作场景。如图 3 所示，传统的大语言模型（LLM）推理过程以逐 Token 生成方式运行，而 zkPyTorch 的创新方法则将全部输入输出 Token 聚合为单一 prompt 过程进行验证。这种处理方式能够一次性确认 LLM 的整体推理是否正确，同时确保每个输出 Token 与标准 LLM 推理一致。
在 LLM 推理中，KV cache（键值缓存）机制的正确性是保障推理输出可信性的关键。如果模型的推理逻辑有误，即便使用缓存，也无法还原出与标准解码流程一致的结果。zkPyTorch 正是通过精确复现这一流程，确保了零知识证明中的每一个输出都具备可验证的确定性与完整性。
图 3 ：大规模语言模型（LLMs）计算的批量验证，其中 L 表示输入序列长度，N 表示输出序列长度，H 表示模型的隐藏层维度。
核心运算优化（Optimized Primitive Operations）
zkPyTorch 对底层机器学习原语进行了深度优化，极大地提升了电路效率。例如，卷积运算一向是计算密集型任务，zkPyTorch 采用基于快速傅里叶变换（FFT）的优化手法，将原本在空间域中执行的卷积，转换为频域中的乘法运算，显著降低计算成本。同时，针对 ReLU、softmax 等非线性函数，系统采用预计算查找表（lookup table）方式，规避了 ZKP 不友好的非线性计算，极大提升了推理电路的运行效率。
并行电路执行（Parallel Circuit Execution）
zkPyTorch 将复杂的 ML 运算自动编译为并行电路，充分释放多核 CPU/GPU 的硬件潜力，实现大规模并行证明生成。比如，在执行张量乘法时，zkPyTorch 会自动将计算任务拆分为多个独立子任务，并行分发至多个处理单元并发运行。这种并行化策略，不仅显著提升了电路执行吞吐量，还让大型模型的高效验证成为现实，为可扩展的 ZKML 打开了新维度。
全面性能实测：性能与精度的双重突破
zkPyTorch 通过严谨的基准测试，在多个主流机器学习模型中展现出卓越性能与实际可用性：
VGG-16 模型测试
在 CIFAR-10 数据集上，zkPyTorch 仅需 6.3 秒 即可完成单张图像的 VGG-16 证明生成，且在精度上与传统浮点计算相比几乎无差异。这标志着 zkML 在图像识别等经典任务中已经具备实战能力。
Llama-3 模型测试
针对规模高达 80 亿参数 的 Llama-3 大语言模型，zkPyTorch 实现了每个 token 约 150 秒 的高效证明生成。更令人瞩目的是，其输出结果与原始模型相比，保持了 99.32% 的余弦相似度，在保证高可信度的同时，仍兼顾模型输出的语义一致性。
表 1 ：各类 ZKP 方案在卷积神经网络与变换器网络中的性能表现
面向现实世界的广泛应用场景
可验证的机器学习即服务（Verifiable MLaaS）
随着机器学习模型的价值不断攀升，越来越多的 AI 开发者选择将自研模型部署到云端，向外提供 MLaaS（Machine-Learning-as-a-Service）服务。但在现实中，用户往往难以验证推理结果是否真实可信；而模型提供方也希望保护模型结构和参数等核心资产，避免被窃取或滥用。
zkPyTorch 正是为解决这一矛盾而生：它让云端 AI 服务具备原生的“零知识验证能力”，实现推理结果的加密级别可验证。
如图 4 所示，开发者可将如 Llama-3 等大模型直接接入 zkPyTorch，构建具备零知识证明能力的可信 MLaaS 系统。通过与底层 ZKP 引擎无缝集成，zkPyTorch 能够在不暴露模型细节的前提下，自动生成证明，验证每一次推理是否被正确执行，从而为模型提供方和使用方建立真正可信的交互信任基础。
图 4 ：zkPyTorch 在可验证机器学习即服务（Verifiable MLaaS）中的应用场景。
模型估值的安全护航
zkPyTorch 提供安全可验证的 AI 模型评估机制，使得利益相关方在不暴露模型细节的前提下，能够审慎评估其关键性能指标。这种“零泄露”的估值方式为 AI 模型确立了新的信任标准，在提升商业交易效率的同时，保障了开发者的知识产权安全。它不仅提高了模型价值的可见性，也为整个 AI 行业带来了更高的透明度与公正性。
与 EXPchain 区块链的深度集成
zkPyTorch 原生集成 Polyhedra Network 自主研发的 EXPchain 区块链网络，共同构建可信的去中心化 AI 基础设施。这一集成为智能合约调用和链上验证提供了高度优化的路径，使 AI 推理结果可以在区块链上获得加密验证并持久存证。
借助 zkPyTorch 与 EXPchain 的协同，开发者能够构建端到端可验证的 AI 应用，从模型部署、推理计算到链上验证，真正实现透明、可信且可审计的 AI 计算流程，为下一代区块链+AI 应用提供底层支撑。
未来路线图与持续创新
Polyhedra 将持续推进 zkPyTorch 的演进，重点聚焦以下方向：
开源与社区共建
逐步开源 zkPyTorch 核心组件，激发全球开发者参与，推动零知识机器学习领域的协同创新与生态繁荣。
拓展模型与框架兼容性
扩大对主流机器学习模型与框架的支持范围，进一步提升 zkPyTorch 的适配能力与通用性，使其可灵活嵌入各类 AI 工作流。
开发工具与 SDK 构建
推出全面的开发工具链与软件开发工具包（SDK），简化集成流程，加速 zkPyTorch 在实际业务场景中的部署与应用落地。
结语
zkPyTorch 是通向可信 AI 未来的重要里程碑。通过将成熟的 PyTorch 框架与前沿的零知识证明技术深度融合，zkPyTorch 不仅显著提升了机器学习的安全性与可验证性，更重塑了 AI 应用的部署方式与信任边界。
Polyhedra 将持续在“安全 AI”领域深耕创新，推动机器学习在隐私保护、结果可验证与模型合规方面迈向更高标准，助力构建透明、可信、可扩展的智能系统。
敬请关注我们不断发布的最新进展，见证 zkPyTorch 如何重塑安全智能时代的未来。
