A Polyhedra lançou o zkPyTorch, permitindo que os desenvolvedores criem modelos de aprendizado de máquina verificáveis usando código padrão do PyTorch.
A ferramenta converte modelos do PyTorch em circuitos de prova de zero-knowledge sem exigir conhecimento em criptografia.
O zkPyTorch suporta privacidade, integridade do modelo e geração rápida de provas para aplicações de IA em larga escala, como o Llama-3.
A Polyhedra lançou o zkPyTorch, uma ferramenta projetada para tornar o aprendizado de máquina de zero-knowledge (ZKML) acessível a desenvolvedores usando o framework PyTorch. O compilador traduz código padrão do PyTorch em circuitos de prova de zero-knowledge (ZKP), possibilitando inferência de IA segura e verificável sem expor dados sensíveis do modelo ou operações internas.
Apresentando zkPyTorch: Tornando o ML de Zero-Knowledge Acessível! Polyhedra conecta PyTorch & Provas ZK. Agora os desenvolvedores de IA podem construir modelos de ML verificáveis e privados usando código padrão do PyTorch – sem necessidade de conhecimento em criptografia! Provar a correção da execução do modelo Proteger a propriedade intelectual do modelo & informações sensíveis… pic.twitter.com/ZVD2MnrwGe
— Polyhedra (@PolyhedraZK) 5 de junho de 2025
O zkPyTorch permite que os desenvolvedores preservem a integridade da saída da IA enquanto mantêm sua propriedade intelectual intacta. A ferramenta utiliza técnicas criptográficas para mostrar que um modelo é executado corretamente sem revelar parâmetros do modelo ou dados de treinamento. Como a biblioteca não requer conhecimento prévio em criptografia, a barreira de adoção em áreas onde informações sensíveis são tratadas, como saúde e finanças, é reduzida.
Como o zkPyTorch Otimiza a Geração de Provas de IA
A estrutura incorpora três módulos-chave para operar os complexos cálculos de aprendizado de máquina. O pré-processamento do modelo com formato ONNX, para padronizar a representação do gráfico de ML, é seu início.
O segundo módulo ensina quantização amigável ao ZK, substituindo operações de ponto flutuante por aritmética de campo finito. O último módulo entrelaça a otimização de circuitos onde tabelas de consulta podem lidar com processamento em lote e operações não lineares de forma eficiente.
A estrutura do modelo utiliza Grafos Acíclicos Dirigidos (DAGs) como sua base. Cada operação, como multiplicação de matrizes ou ReLU, é codificada como um nó, resultando em uma tradução elegante e eficiente para circuitos ZKP. Este design funciona até mesmo com modelos complexos como transformers e ResNets que são amplamente utilizados em grandes modelos de linguagem (LLMs).
Além disso, a execução paralela de circuitos e otimizações baseadas em FFT para camadas convolucionais aceleram a geração de provas. Hardware multi-core permite que os desenvolvedores aumentem o throughput e diminuam a latência. Benchmarks mostram que o zkPyTorch processa os 8 bilhões de parâmetros do Llama-3 a uma taxa de aproximadamente 150 segundos por token, mantendo 99,32% de similaridade cosseno com as saídas originais.
Casos de Uso do Mundo Real e Direções Futuras
A Polyhedra vê aplicações imediatas em Aprendizado de Máquina verificável como Serviço (MLaaS), onde modelos baseados em nuvem agora podem fornecer prova criptográfica de inferência correta. Os desenvolvedores de IA mantêm a confidencialidade do modelo, enquanto os usuários obtêm garantias de que as saídas são válidas. O zkPyTorch também possibilita a avaliação segura de modelos, oferecendo aos interessados uma forma confiável de avaliar o desempenho do modelo sem arriscar a exposição a dados proprietários.
A ferramenta se integra com o EXPchain da Polyhedra, trazendo ML verificável para ambientes de blockchain. Isso abre a porta para aplicativos descentralizados impulsionados por IA com validação em cadeia. Em uma entrevista recente, o fundador da Polyhedra observou: “Estamos mirando o mercado de bilhões de dólares de provas de zero-knowledge. Nosso objetivo é nos tornarmos a camada de fundação da tecnologia blockchain e expandir o uso de provas zk para setores como bancos e outras áreas sensíveis à privacidade.”