Divulgación: Las opiniones expresadas aquí pertenecen únicamente al autor y no representan las opiniones del equipo editorial de crypto.news.
En la famosa escena inicial de Blade Runner, un personaje llamado Holden administra una interpretación ficticia de la prueba de Turing para determinar si Leon es un replicante (un robot humanoide). Para la prueba, Holden cuenta a Leon una historia para provocar una reacción emocional. “Estás en un desierto, caminando sobre la arena, cuando de repente miras hacia abajo… ves una tortuga, Leon. Se está arrastrando hacia ti…” A medida que Holden sigue contando esta historia hipotética, Leon se agita hasta que es obvio que no es humano.
Aún no estamos en el territorio de Blade Runner en el mundo real, pero a medida que la inteligencia artificial (IA) y el aprendizaje automático se integran más en nuestras vidas, necesitamos garantías de que los modelos de IA que utilizamos son genuinos.
La importancia de las pruebas de conocimiento cero
Es aquí donde entran las pruebas de conocimiento cero (ZK). En su esencia, las pruebas ZK permiten a una parte demostrar a otra que un cálculo específico se ejecutó correctamente sin exponer los datos reales ni requerir que el verificador haga nuevamente las cálculos (conocido como la propiedad de sucintez). Piénsalo como un rompecabezas de sudoku: mientras que resolverlo puede ser difícil, verificar la solución es mucho más fácil.
Esta propiedad es especialmente valiosa cuando las tareas computacionales se realizan fuera de la cadena para evitar sobrecargar una red e incurrir en altas tarifas. Con las pruebas ZK, estas tareas fuera de la cadena pueden ser verificadas sin sobrecargar las cadenas de bloques, que tienen límites computacionales estrictos ya que todos los nodos necesitan verificar cada bloque. En resumen, necesitamos la criptografía ZK para escalar el aprendizaje automático de IA de manera segura y eficiente.
ZK verifica modelos de ML para escalar IA de forma segura
El aprendizaje automático, una subcategoría de la IA, es conocido por sus grandes demandas computacionales, requiriendo vastas cantidades de procesamiento de datos para simular la adaptación y toma de decisiones humanas. Desde el reconocimiento de imágenes hasta la analítica predictiva, los modelos de ML se están preparando para transformar casi todas las industrias—si no lo han hecho ya—pero también están llevando al límite la capacidad de cómputo. Entonces, ¿cómo verificamos y atestiguamos que los modelos de ML son auténticos utilizando blockchains, donde las operaciones en cadena pueden ser prohibitivamente costosas?
Necesitamos una forma demostrable de confiar en los modelos de IA para saber que el modelo que estamos utilizando no ha sido manipulado ni falsamente anunciado. Cuando realizas consultas a ChatGPT sobre tus películas de ciencia ficción favoritas, probablemente confíes en el modelo que se está utilizando, y no es el fin del mundo si la calidad de las respuestas disminuye aquí y allá. Sin embargo, en industrias como finanzas y salud, la precisión y confiabilidad son críticas. Un error podría tener efectos económicos negativos en cascada a nivel mundial.
ZK y su rol esencial en la AI fiable
Aquí es donde el ZK juega un papel crucial. Al aprovechar las pruebas ZK, los cálculos de ML aún pueden ejecutarse fuera de la cadena mientras tienen verificación en cadena. Esto abre nuevas vías para desplegar modelos de IA en aplicaciones de blockchain. El aprendizaje automático de conocimiento cero, o ZKML, permite la verificación criptográfica de los algoritmos de ML y sus resultados, mientras mantiene privados los algoritmos reales, cerrando la brecha entre las demandas computacionales de la IA y las garantías de seguridad de la blockchain.
Una de las aplicaciones más emocionantes de ZKML es en DeFi. Imagina un pool de liquidez donde un algoritmo de IA gestiona la rebalanza de activos para maximizar la rentabilidad mientras refina sus estrategias de trading en el camino. ZKML puede ejecutar estos cálculos fuera de la cadena y luego usar pruebas ZK para asegurar que un modelo de ML es legítimo, en lugar de ser algún otro algoritmo o las operaciones de otra persona. Al mismo tiempo, ZK puede proteger los datos de trading de los usuarios para que mantengan la confidencialidad financiera, incluso si los modelos de ML que utilizan para realizar transacciones son públicos. ¿El resultado? Protocolos DeFi impulsados por IA con verificabilidad ZK.
Conocer mejor a nuestras máquinas
A medida que la IA se vuelve más central en la actividad humana, las preocupaciones sobre manipulación, manipulación, y ataques adversariales no hacen más que aumentar. Los modelos de IA, especialmente aquellos que manejan decisiones críticas, deben ser resistentes a ataques que podrían corromper sus salidas. Por supuesto, queremos que las aplicaciones de IA sean seguras. No se trata solo de seguridad en el sentido tradicional (es decir, garantizar que los modelos no se comporten de manera impredecible), sino también de crear un entorno sin confianza donde el modelo en sí pueda ser verificado fácilmente.
En un mundo donde los modelos proliferan, esencialmente estamos viviendo nuestras vidas guiados por la IA. A medida que crece el número de modelos, también aumenta el potencial para ataques donde la integridad del modelo se ve socavada. Esto es particularmente preocupante en escenarios donde la salida de un modelo de IA podría no ser lo que parece.
Al integrar la criptografía ZK en la IA, podemos comenzar a construir confianza y responsabilidad en estos modelos ahora. Al igual que un certificado SSL o una insignia de seguridad en tu navegador web, probablemente habrá un símbolo para la verificabilidad de la IA—uno que garantice que el modelo con el que interactúas es el que esperas.
En Blade Runner, la prueba de Voight-Kampff intentaba distinguir replicantes de humanos. Hoy, mientras navegamos por un mundo cada vez más impulsado por la IA, enfrentamos un desafío similar: distinguir modelos de IA auténticos de aquellos potencialmente comprometidos. En cripto, la criptografía ZK podría ser nuestra prueba Voight-Kampff—un método robusto y escalable para verificar la integridad de los modelos de IA sin comprometer su funcionamiento interno. De esa manera, no solo nos preguntamos si los androides sueñan con ovejas eléctricas, sino también asegurarnos de que la IA que está guiando nuestras vidas digitales es exactamente lo que afirma ser.
Rob Viglione es el cofundador y CEO de Horizen Labs, el estudio de desarrollo detrás de varios proyectos web3 líderes, incluidos zkVerify, Horizen y ApeChain. Rob está profundamente interesado en la escalabilidad de web3, la eficiencia blockchain y las pruebas de conocimiento cero. Su trabajo se centra en desarrollar soluciones innovadoras para zk-rollups para mejorar la escalabilidad, generar ahorros de costos y aumentar la eficiencia. Tiene un doctorado en Finanzas, un MBA en Finanzas y Marketing, y una licenciatura en Física y Matemáticas Aplicadas. Actualmente, Rob es miembro de la Junta Directiva de la Asociación de Comercio de Blockchain de Puerto Rico.
Preguntas Frecuentes (FAQs)
- ¿Qué son las pruebas de conocimiento cero?
Las pruebas de conocimiento cero (ZK) son métodos criptográficos que permiten a una parte demostrar a otra que un cálculo específico fue ejecutado correctamente sin revelar los datos reales.
- ¿Cómo beneficia ZK a la inteligencia artificial y el aprendizaje automático?
ZK permite verificar modelos de aprendizaje automático sin exponer los algoritmos, asegurando confianza y autenticidad en la IA mientras se operan cálculos fuera de la cadena para ahorrar costos y aumentar la eficiencia.
- ¿Cuál es la importancia de ZK en las aplicaciones DeFi?
En DeFi, ZK ayuda a garantizar que los modelos de IA que gestionan fondos y estrategias sean legítimos, protegiendo al mismo tiempo la privacidad financiera de los usuarios, y facilitando protocolos descentralizados impulsados por IA con verificabilidad.
