ZKML встречается с FHE: криптографический синтез, который наконец делает приватный ИИ на блокчейне возможным
Что если бы модель ИИ могла доказать правильность своей работы без того, чтобы кто-либо видел обрабатываемые ею данные? Этот вопрос годами не давал покоя криптографам и блокчейн-инженерам. В 2026 году ответ наконец-то обретает форму благодаря слиянию двух технологий, которые когда-то считались слишком медленными, дорогими и теоретическими, чтобы иметь значение: машинное обучение с нулевым разглашением (ZKML) и полностью гомоморфное шифрование (FHE).
По отдельности каждая из этих технологий решает половину проблемы. ZKML позволяет проверить правильность вычислений ИИ без их повторного запуска. FHE позволяет выполнять вычисления на зашифрованных данных без необходимости их расшифровки. Вместе они создают то, что исследователи называют «криптографической печатью» для ИИ — систему, в которой личные данные никогда не покидают ваше устройство, но результаты могут быть признаны надежными любым пользователем публичного блокчейна.
От «возможно, это реально» до «активного внедрения»
Три года назад индустрии ZKML практически не существовало. Горстка исследователей — Modulus Labs, EZKL, доктор Дэниел Канг, доктор Кэти Со — пытались доказать, что результаты работы ИИ можно верифицировать с помощью доказательств с нулевым разглашением. Немедленное возражение было убийственным: виртуальные машины с нулевым разглашением общего назначения создают вычислительные накладные расходы в 100 000 – 1 000 000 раз. Доказательство вывода даже простой нейронной сети казалось до смешного непрактичным.
Это возражение больше не актуально. В конце 2025 года произошло то, что Extropy Academy называет «сингулярностью zkML» — момент, когда доказательство архитектур трансформеров (основы современного ИИ) стало криптографически возможным. Прорыв произошел благодаря достижениям в схемах полиномиальных обязательств (polynomial commitment schemes), аргументах поиска (lookup arguments) и системной инженерии, которые позволили преодолеть нелинейные функции активации, такие как Softmax и GELU, ранее делавшие доказательства для LLM непомерно дорогими.
Ключевая асимметрия, обеспечивающая работу ZKML, элегантна: вычисления могут быть дорогостоящими, но проверка — дешевой. Облачный провайдер запускает модель на кластере GPU, генерирует криптографическое доказательство и выдает вам «чек», проверка которого занимает 50 миллисекунд — доверие не требуется.
Lagrange Labs возглавила это направление с DeepProve-1, которая сейчас является самой быстрой библиотекой ZKML в отрасли, показывая результаты до 700 раз быстрее существующих решений. Она уже используется в десятках проектов, обеспечивая медицинскую диагностику, модерацию контента и работу торговых агентов в сети (on-chain). Тем временем Modulus Labs продемонстрировала системы доказательств, способные верифицировать модели с числом параметров до 18 миллионов непосредственно в блокчейн-сетях — рубеж, который всего 18 месяцев назад казался достижимым лишь через годы.
Параллельная революция FHE: вычисления без доступа к данным
Пока ZKML решала проблему верифицируемости, полностью гомоморфное шифрование (FHE) подходило к вопросу конфиденциальности с совершенно другой стороны. FHE позволяет выполнять операции над зашифрованными данными, получая зашифрованные результаты, к оторые может расшифровать только владелец данных. Модель ИИ никогда не видит необработанные данные, сервер никогда не видит необработанные данные, и никто между ними их не видит.
Для блокчейна это имеет революционное значение. Публичные реестры по своей природе прозрачны — каждая транзакция, каждое изменение состояния смарт-контракта видны всем. FHE устраняет это ограничение. Проекты вроде Zama, ставшего первым «единорогом» стоимостью 1 миллиард долларов в области криптографии с открытым исходным кодом, создали FHEVM — фреймворк, который внедряет зашифрованные вычисления непосредственно в смарт-контракты Solidity. Система Zama уже обрабатывает 20 транзакций в секунду на одну сеть (этого достаточно для обработки всего текущего трафика Ethereum с полным шифрованием) и нацелена на 1000 TPS благодаря предстоящему партнерству с производителями оборудования.
Fhenix внедряет зашифрованные вычисления в Ethereum с удобным для разработчиков интерфейсом, который интегрируется в существующую среду Solidity с минимальными трудностями — по сообщениям, для интеграции с Uniswap v4 потребовалась всего одна строка кода. Inco создает более широкий уровень конфиденциальности для Web3 с зашифрованным исполнением смарт-контрактов и программируемым контролем доступа.
Разрыв в производительности, долгое время бывший ахиллесовой пятой FHE, быстро сокращается. В январе 2025 года исследователи из Корнелла, Google, MIT и Технологического института Джорджии продемонстрировали, что вычисления FHE можно ускорить за счет повторного использования ИИ-чипов, таких как TPU от Google. Реализация Garbled Circuits (запутанных схем) от COTI в их Ethereum L2 обеспечивает производительность до 3000 раз выше традиционного FHE и в 250 раз меньшую вычислительную нагрузку. Несколько компаний разрабатывают специализированные ASIC для FHE, обещая еще больше сократить разрыв между зашифрованными вычислениями и вычислениями в открытом виде.
Почему слияние меняет всё
ZKML и FHE решают взаимодополняющие половины проблемы конфиденциальности и верифицируемости. Понимание того, почему они нужны друг другу, раскрывает полную картину.
Ограничение ZKML: Доказывающему (prover) необходим доступ ко всем данным. Чтобы создать доказательство с нулевым разглашением того, что модель работала правильно, кто-то должен запустить модель на реальных данных. Часть «с нулевым разглашением» означает, что проверяющий (verifier) ничего не узнает, но доказывающий видит всё. Для конфиденциальных медицинских записей, финансовых данных или личной информации это является критическим препятствием.
Ограничение FHE: Не существует способа криптографически доказать, что вычисления, выполненные над зашифрованными данными, были верными. Вы можете проверить результат после расшифровки, но не можете доказать третьей стороне — например, блокчейну, — что конкретная модель была применена к конкретным зашифрованным входным данным. Злонамеренный сервер может запустить совсем другую модель, и вы не узнаете об этом до самого конца.
Слияние: FHE шифрует данные, чтобы никто не видел их во время вычислений. ZKML доказывает, что вычисления были выполнены правильно. Вместе вы получаете систему, в которой личные данные остаются приватными, выполнение модели ИИ поддается проверке, а результату может доверять любой проверяющий в сети — и всё это без доступа какой-либо стороны к необработанным данным.
Это не теория. Primus, криптографическая компания из Гонконга, уже разрабатывает то, что они называют zkFHE — доказательства с нулевым разглашением поверх полностью гомоморфных вычислений. Исследовательская группа Zama опубликовала работу о ZK-FHE как о новой парадигме. Фреймворк F-HAD, сочетающий федеративное обучение с FHE и zk-SNARK, продемонстрировал точность 98,9 % при обнаружении финансовых аномалий с задержкой вывода 17,6 миллисекунд — на 42 % быстрее сопоставимых безопасных систем.
Реальные приложения обретают форму
Стек ZKML-FHE — это не просто научный интерес. Примеры практического использования появляются в различных областях.
Приватный DeFi: Зашифрованные смарт-контракты могут выполнять обмен токенов, аукционы и протоколы кредитования, где суммы заявок, коэффициенты обеспечения и торговые стратегии остаются невидимыми для фронтраннеров и MEV-ботов. Confidential Token Association, партнерство между OpenZeppelin, Zama и Inco, разрабатывает единые стандарты для операций с зашифрованными токенами.
Верифицируемые ИИ-агенты: По мере распространения автономных ИИ-агентов в DeFi (которые уже обеспечивают 30 % объема Polymarket), критически важным становится вопрос о том, следует ли агент заявленной стратегии. ZKML-доказательства могут подтвердить, что конкретная модель приняла определенное торговое решение, в то время как FHE гарантирует, что проприетарная стратегия агента остается зашифрованной. Ion Protocol в партнерстве с Modulus Labs создали именно это — систему оценки рисков, которая анализирует кредитный риск валидатора с использованием верифицированного ончейн-ML.
Медицинская диагностика: EZKL разрабатывает мобильно-оптимизированный прувер для медицинской диагностики в реальном времени, где данные пациента остаются зашифрованными на устройстве, пока диагностическая модель работает и выдает проверяемый результат. Доказательство подтверждает, что использовалась правильная модель; шифрование гарантирует, что данные пациента никогда не покидают его телефон.
Децентрализованная идентификация: Система World ID от Worldcoin уже использует ZKML для верификации по скану радужки глаза — доказывая уникальность человека без раскрытия его биометрических данных. Добавление FHE в этот процесс позволит проводить проверку личности так, что даже сервер, генерирующий доказательство, никогда не увидит необработанные биометрические данные.
Кредитная аналитика: Synnax Technologies, платформа из ОАЭ, агрегирует прогнозы из децентрализованной сети машинного обучения, применяя протоколы FHE и нулевого разглашения для генерации финансовых аналитических данных без раскрытия базовых кредитных данных.
Рубеж производительности: что принесет 2026 год
Конвергенция аппаратного ускорения и алгоритмической оптимизации сокращает разрыв в производительности, который когда-то делал ZKML и FHE непрактичными.
GPU-оптимизация: Все основные фреймворки ZKML — EZKL, Lagrange, zkPyTorch, Jolt — теперь работают на GPU с поддержкой CUDA. Но если поддержка GPU в 2025 году означала «это работает на GPU», то 2026 год принесет «это оптимизировано для GPU» — алгоритмы, переработанные на основе примитивов GPU, а не просто перенесенные с архитектуры CPU. Ожидаемый эффект — ускорение в 5–10 раз, что сократит время генерации доказательств с 30 секунд до 3–5 секунд для моделей производственного масштаба.
Распределенное доказательство: Генерация доказательств распараллеливается между кластерами — схема разделяется, распределяется между несколькими пруверами, а результаты агрегируются. Lagrange и Polyhedra (zkPyTorch) лидируют в этом направлении, что позволяет доказывать работу моделей, слишком больших для одной машины.
FHE-оборудование: Zama сотрудничает с несколькими производителями чипов для создания специализированных FHE ASIC. Слои абстракции, такие как HEAL (Homomorphic Encryption Abstraction Layer) от LatticaAI, предоставляют аппаратно-независимый API, который связывает программное обеспечение FHE со специализированными ускорителями, защищая приложения от быстро меняющегося ландшафта оборудования.
Роль NVIDIA: Архитектура NVIDIA Vera Rubin NVL72 открывает возможности конфиденциальных вычислений стоечного масштаба на 72 GPU и 36 CPU с производительностью, близкой к нативной, создавая аппаратную основу для зашифрованного ИИ-инференса в корпоративном масштабе. Это не относится исключительно к блокчейну, но создает инфраструктуру, которую со временем будут использовать децентрализованные сети.
Остающиеся проблемы
Слияние ZKML и FHE не обходится без трудностей. Между нынешними прототипами и массовым внедрением стоит несколько препятствий.
Доказательство больших моделей остается дорогим. Хотя модели с 18 миллионами параметров теперь можно верифицировать ончейн, современные LLM с сотнями миллиардов параметров все еще недосягаемы. Индустрия сходится на гибридных подходах — подтверждать критические уровни принятия решений с помощью ZK, используя TEE (доверенные среды выполнения) для объемных вычислений.
Стандартизация фрагментирована. Несколько конкурирующих систем доказательств, схем FHE и подходов к интеграции создают проблемы операционной совместимости. FHE.org и Confidential Token Association работают над стандартами, но экосистема все еще находится на ранней стадии.
Опыт разработчиков требует доработки. EZKL демократизировал ZKML, принимая стандартные файлы моделей ONNX, но полный конвейер ZK-FHE по-прежнему требует криптографических знаний, которыми не обладает большинство разработчиков. Уровни абстракции, такие как HEAL от LatticaAI и интеграция Solidity от Fhenix, являются шагами в прави льном направлении.
Риски централизации оборудования. Напряженность между децентрализованными сетями, полагающимися на потребительские GPU, и чистой скоростью специализированных ZK ASIC и FHE-чипов может создать новое давление централизации — именно то, чего блокчейн должен был избежать.
Взгляд в будущее
Конвергенция ZKML и FHE представляет собой фундаментальный сдвиг в возможностях на пересечении ИИ и блокчейна. Впервые у нас есть реальный путь к созданию систем, в которых правильность работы моделей ИИ может быть доказана, данные остаются зашифрованными на протяжении всех вычислений, а результаты заслуживают доверия в публичных сетях без разрешений.
Сроки — не «когда-нибудь». Giza запускается на StarkNet в 2026 году. Мобильный прувер EZKL нацелен на медицинские сценарии использования в реальном времени уже в этом году. FHEVM от Zama уже запущен с поддержкой 20 TPS зашифрованных вычислений. На конференции FHE.org 2026 были представлены готовые к использованию фреймворки, включая Veil для машинного обучения с сохранением конфиденциальности и HEIR, универсальный компилятор FHE.
К концу 2026 года вопрос сместится с «возможен ли приватный верифицируемый ИИ на блокчейне?» к «какой стек победит?». Это конкурентное давление — между Lagrange, EZKL, Zama, Fhenix, Modulus и десятками новичков — именно то, что выведет технологию из стадии «готовности к внедрению» в стадию «доминирования в производстве».
Святой грааль больше не является теоретическим. Он строится прямо сейчас.
Создаете блокчейн-приложения на базе ИИ, требующие конфиденциальности и верифицируемости? BlockEden.xyz предоставляет инфраструктуру нод корпоративного уровня и API-сервисы для ведущих сетей, включая Ethereum, Sui и Aptos — фундамент для ваших зашифрованных смарт-контрактов и верифицируемых ML-конвейеров. Изучите наш API-маркетплейс, чтобы начать работу.