zkML: La capa de confianza que les faltaba a la IA y las criptomonedas
La IA se está integrando en DeFi: desde liquidaciones automatizadas y precios dinámicos de comisiones hasta optimizadores de rendimiento en cadena. Pero hay un problema crítico aún sin resolver: ¿cómo verificar que un modelo de IA realmente ejecutó el cálculo que afirma haber ejecutado, sin volver a ejecutar todo el modelo en cadena?
El aprendizaje automático de conocimiento cero (zkML) es la respuesta. Permite que un probador genere una prueba criptográfica de que un modelo específico produjo un resultado específico a partir de una entrada específica, todo verificable en cadena por una fracción del costo computacional.
¿Por qué es importante?
• Los protocolos DeFi que usan puntuaciones de riesgo basadas en IA pueden auditarse sin necesidad de confiar en terceros
• Los agentes de IA en cadena pueden demostrar que sus inferencias fueron honestas y no manipuladas
• Los propietarios de modelos pueden monetizar los resultados sin revelar los pesos
• Los contratos inteligentes pueden consumir resultados de IA con la misma garantía de confianza que ofrecen los precios de los oráculos
Las cadenas mejor posicionadas para esto son las que ofrecen finalidad de baja latencia y verificación de pruebas económica: $ETH mediante la reducción del costo de calldata de EIP-4844, $SOL con su capacidad de ejecución paralela y $BNB mediante la infraestructura ZK de opBNB.
El zkML está en una etapa temprana: la generación de pruebas sigue siendo lenta y exige mucho hardware. Pero su evolución es vertiginosa. Cuando las pruebas de inferencia sean económicas, el límite de credibilidad de la IA en cadena se elevará de forma permanente.
La confianza es el recurso más escaso del mundo cripto. El zkML permite programarla.
#zkML #AIandCrypto #ZeroKnowledge #DeFiInfrastructure #Blockchain
La IA se está integrando en DeFi: desde liquidaciones automatizadas y precios dinámicos de comisiones hasta optimizadores de rendimiento en cadena. Pero hay un problema crítico aún sin resolver: ¿cómo verificar que un modelo de IA realmente ejecutó el cálculo que afirma haber ejecutado, sin volver a ejecutar todo el modelo en cadena?
El aprendizaje automático de conocimiento cero (zkML) es la respuesta. Permite que un probador genere una prueba criptográfica de que un modelo específico produjo un resultado específico a partir de una entrada específica, todo verificable en cadena por una fracción del costo computacional.
¿Por qué es importante?
• Los protocolos DeFi que usan puntuaciones de riesgo basadas en IA pueden auditarse sin necesidad de confiar en terceros
• Los agentes de IA en cadena pueden demostrar que sus inferencias fueron honestas y no manipuladas
• Los propietarios de modelos pueden monetizar los resultados sin revelar los pesos
• Los contratos inteligentes pueden consumir resultados de IA con la misma garantía de confianza que ofrecen los precios de los oráculos
Las cadenas mejor posicionadas para esto son las que ofrecen finalidad de baja latencia y verificación de pruebas económica: $ETH mediante la reducción del costo de calldata de EIP-4844, $SOL con su capacidad de ejecución paralela y $BNB mediante la infraestructura ZK de opBNB.
El zkML está en una etapa temprana: la generación de pruebas sigue siendo lenta y exige mucho hardware. Pero su evolución es vertiginosa. Cuando las pruebas de inferencia sean económicas, el límite de credibilidad de la IA en cadena se elevará de forma permanente.
La confianza es el recurso más escaso del mundo cripto. El zkML permite programarla.
#zkML #AIandCrypto #ZeroKnowledge #DeFiInfrastructure #Blockchain