ZK Proofs Melampaui Rollups: Inferensi AI Terverifikasi di Ethereum
Engineering Team
Apa yang Dimungkinkan ZK Proofs di Luar Penskalaan
Zero-knowledge proofs telah identik dengan penskalaan blockchain sejak 2021. zkSync, StarkNet, Scroll, dan Polygon zkEVM menggunakannya untuk mengompres ribuan transaksi menjadi satu bukti yang diverifikasi di Ethereum L1. Tetapi penskalaan hanyalah aplikasi pertama. Kekuatan nyata ZK proofs adalah komputasi terverifikasi — kemampuan membuktikan bahwa program sembarang dieksekusi dengan benar tanpa menjalankannya ulang.
Pembingkaian ini penting: ZK bukan teknologi penskalaan yang kebetulan memiliki kegunaan lain. ZK adalah teknologi komputasi terverifikasi serbaguna yang kebetulan menemukan pasar skala besar pertamanya di penskalaan blockchain.
Pada 2026, aplikasi ZK yang paling menarik bukan rollup. Aplikasi tersebut adalah:
- zkML — membuktikan bahwa model machine learning menghasilkan output tertentu tanpa mengungkapkan bobot model
- ZK coprocessor — menjalankan komputasi berat off-chain dan memposting bukti ringkas on-chain
- Kredensial terverifikasi — membuktikan atribut identitas (usia, kewarganegaraan, skor kredit) tanpa mengungkapkan data yang mendasarinya
- Perlindungan MEV — mengenkripsi niat transaksi dan membuktikan validitas tanpa mengungkapkan detail ke block builder
zkML: Inferensi AI Terverifikasi
Persilangan kecerdasan buatan dan blockchain kebanyakan hanya hype hingga saat ini. Tetapi zkML — menerapkan zero-knowledge proofs ke inferensi machine learning — memecahkan masalah nyata: bagaimana Anda mempercayai bahwa model AI menghasilkan output tertentu?
Masalah Kepercayaan
Bayangkan protokol peminjaman DeFi yang menggunakan model AI untuk penilaian kredit. Model mengambil riwayat on-chain peminjam dan mengembalikan skor kredit yang menentukan rasio agunan mereka. Tiga masalah kepercayaan muncul:
- Integritas model — Bagaimana peminjam tahu protokol menggunakan model yang diklaim dan bukan yang berbeda yang mendiskriminasi mereka?
- Integritas input — Bagaimana protokol membuktikan ia menggunakan data on-chain yang benar sebagai input, bukan data palsu?
- Integritas eksekusi — Bagaimana siapa pun memverifikasi komputasi dilakukan dengan benar?
Tanpa ZK proofs, jawabannya adalah “percaya operator protokol.” Dengan zkML, jawabannya menjadi: “verifikasi buktinya.”
Cara Kerja zkML
Sistem zkML mengonversi inferensi jaringan saraf ke sirkuit aritmetik, lalu menghasilkan ZK proof dari eksekusi yang benar:
1. Kuantisasi model: Konversi bobot floating-point ke fixed-point
(misalnya float32 → int8 atau int16)
2. Kompilasi sirkuit: Terjemahkan setiap lapisan jaringan saraf ke
batasan aritmetik:
- Lapisan linear → sirkuit perkalian matriks
- Aktivasi ReLU → sirkuit perbandingan
- Softmax → sirkuit tabel lookup
3. Pembuatan witness: Eksekusi model dengan input aktual,
mencatat semua nilai antara
4. Pembuatan bukti: Gunakan sistem pembuktian (Halo2, Plonky3, SP1)
untuk menghasilkan bukti ringkas bahwa sirkuit dieksekusi dengan benar
5. Verifikasi: Smart contract di Ethereum memverifikasi bukti
dalam waktu O(1), terlepas dari ukuran model
Batasan Saat Ini dan Batas Praktis
zkML pada 2026 nyata tetapi terbatas:
| Ukuran Model | Waktu Pembuktian | Ukuran Bukti | Gas Verifikasi | Praktis? |
|---|---|---|---|---|
| Kecil (100K params) | 5-30 detik | 256 bytes | ~300K gas | Ya |
| Sedang (1M params) | 1-5 menit | 256 bytes | ~300K gas | Ya, untuk tugas async |
| Menengah (10M params) | 15-60 menit | 256 bytes | ~300K gas | Layak dengan GPU prover |
| Besar (100M+ params) | Berjam-jam hingga berhari-hari | 256 bytes | ~300K gas | Riset saja |
| Skala LLM (1B+ params) | Tidak praktis | — | — | Belum |
Wawasan kunci: ukuran bukti dan biaya verifikasi konstan terlepas dari ukuran model. Hanya waktu pembuktian yang berskala dengan kompleksitas komputasi.
Kasus Penggunaan zkML dalam Produksi
1. Penilaian kredit on-chain
Protokol DeFi menjalankan model penilaian kredit pada riwayat transaksi on-chain peminjam. ZK proof dari zkML menjamin: model yang benar digunakan, data input yang benar digunakan, dan komputasi dilakukan dengan benar.
2. Moderasi konten terverifikasi
Platform media sosial terdesentralisasi menggunakan classifier AI untuk mendeteksi konten berbahaya. zkML membuktikan classifier diterapkan secara konsisten pada semua postingan — tanpa penyensoran selektif, tanpa bias tersembunyi.
3. Machine learning privat
Protokol kesehatan membuktikan bahwa model diagnostik menghasilkan hasil tertentu untuk data pasien — tanpa mengungkapkan data pasien maupun bobot model.
ZK Coprocessor: Komputasi Off-Chain, Verifikasi On-Chain
Smart contract di Ethereum sengaja dibatasi dalam komputasi. Biaya gas membuat logika kompleks sangat mahal. ZK coprocessor memecahkan ini dengan memindahkan komputasi off-chain sambil menjaga verifikasi on-chain.
Arsitektur
+------------------+ +-------------------+ +------------------+
| Smart Contract |---->| ZK Coprocessor |---->| Proof Verifier |
| (Permintaan) | | (Off-chain) | | (On-chain) |
+------------------+ +-------------------+ +------------------+
| 1. Emit event | | 2. Baca state | | 4. Verifikasi |
| dengan query | | 3. Eksekusi program| | bukti |
| | | Buat bukti | | 5. Simpan hasil |
+------------------+ +-------------------+ +------------------+
Mengapa Bukan Oracle Saja?
Oracle (Chainlink, API3) menyediakan data off-chain ke smart contract, tetapi memerlukan kepercayaan pada operator oracle. ZK coprocessor menyediakan komputasi tanpa kepercayaan:
| Properti | Oracle | ZK Coprocessor |
|---|---|---|
| Model kepercayaan | Percaya operator | Percaya matematika (verifikasi bukti) |
| Sumber data | API eksternal | State blockchain (terverifikasi) |
| Komputasi | Agregasi sederhana | Program sembarang |
| Biaya | Biaya per permintaan | Gas verifikasi bukti |
| Latensi | Detik | Menit (waktu pembuktian) |
Proyek ZK Coprocessor Terkemuka
Axiom — ZK coprocessor pertama untuk Ethereum, fokus pada kueri state historis.
Brevis — ZK coprocessor serbaguna yang mendukung komputasi kustom atas data blockchain.
Lagrange — spesialisasi dalam bukti state lintas-chain.
Perbandingan Sistem Pembuktian: SP1 vs RISC Zero vs Jolt
Pilihan sistem pembuktian menentukan pengalaman pengembang, kinerja, dan keamanan aplikasi ZK.
SP1 (Succinct)
SP1 adalah zkVM yang membuktikan eksekusi program RISC-V sembarang. Pengembang menulis kode Rust standar, mengompilasinya ke RISC-V, dan SP1 menghasilkan ZK proof dari eksekusi yang benar.
RISC Zero
RISC Zero adalah perintis pendekatan zkVM RISC-V. Ia menggunakan sistem pembuktian berbasis STARK dan menawarkan ekosistem tooling paling matang.
Jolt (a16z)
Jolt menggunakan pendekatan pembuktian berbasis lookup baru (Lasso + Surge) yang menghindari sirkuit aritmetik kompleks yang digunakan oleh SNARK dan STARK.
Tabel Perbandingan
| Fitur | SP1 | RISC Zero | Jolt |
|---|---|---|---|
| ISA | RISC-V | RISC-V | RISC-V |
| Sistem bukti | Plonky3 (STARK) | STARK + Groth16 wrapper | Lasso/Surge (sumcheck) |
| Bahasa | Rust | Rust | Rust |
| Gas verifikasi | ~270K | ~250K | ~300K |
| Kecepatan pembuktian | Cepat (1x) | Sedang (1,5x lebih lambat) | Cepat (0,9x) |
| Akselerasi GPU | Ya (CUDA) | Ya (CUDA, Metal) | Ya (CUDA) |
| Kematangan | Produksi (2025+) | Produksi (2024+) | Beta (2025+) |
Pertanyaan yang Sering Diajukan
Apa perbedaan antara ZK proofs dan ZK rollups?
ZK rollups adalah satu aplikasi dari ZK proofs — menggunakan ZK proofs untuk memverifikasi eksekusi transaksi batch untuk penskalaan blockchain. ZK proofs sendiri adalah alat kriptografi umum untuk komputasi terverifikasi.
Apakah saya perlu memahami kriptografi untuk membangun dengan ZK?
Dengan zkVM modern (SP1, RISC Zero, Jolt), tidak. Anda menulis kode Rust standar, dan zkVM menangani pembuatan bukti kriptografi.
Berapa biaya verifikasi ZK proof di Ethereum?
Verifikasi bukti Groth16 memerlukan biaya sekitar 250-300K gas (~$0,50-1,50 pada harga gas tipikal). Verifikasi STARK lebih mahal (~500K-1M gas) tetapi dapat dikurangi melalui komposisi bukti.
Bisakah ZK proofs menjamin keamanan AI?
Tidak. ZK proofs menjamin integritas komputasional — bahwa program berjalan dengan benar. Mereka tidak menjamin bahwa program (atau model) itu sendiri aman, tidak bias, atau selaras dengan nilai-nilai manusia.
Kapan ZK proofs akan bekerja untuk large language model?
Tidak pada 2026. zkVM saat ini dapat menangani model hingga ~10M parameter dalam waktu yang wajar. LLM memiliki miliaran parameter. Akselerasi hardware (ASIC) dan perbaikan algoritmik mungkin membuat pembuktian LLM berukuran sedang layak pada 2028-2029.