TL;DR: ZK-ML (Zero-Knowledge Machine Learning), sinir ağı çıkarımlarını sonlu cisimler (finite fields) üzerinde aritmetik devrelere dönüştürür. Bu sayede model ağırlıklarını W, özel verileri x veya her iki parametreyi birden tamamen gizli tutarak, belirli bir y çıktı sonucunun x girdisi üzerindeki M(x) modelinin çalıştırılmasından kaynaklandığını EVM içinde kriptografik olarak kanıtlamak mümkün olur.
Merkeziyetsiz Sistemlerde Yapay Zeka Güven Sorunu
Ethereum Sanal Makinesi'nin (EVM) deterministik yapısı; kayan noktalı (floating-point) hesaplamaları, 1024 × 1024 boyutundaki matris çarpmalarını ve non-lineariteleri kaldırmaya yetmez. EVM'de yapılacak herhangi bir native çıkarım çağrısı anında blok gaz limitine (30M gas) çarpar ve validatörlerin hesaplamaları tekrarlamak için zaman harcamasına yol açarak ölçeklenebilirliği bitirir.
Geleneksel Web3 AI Neden Kara Kutu (Black-Box) Problemlerinden Muzdarip?
Yapay zekayı kriptografik kanıtlar olmadan akıllı sözleşmelere entegre etmek iki tehlikeli ödünleşime (kompromislere) dayanır: Merkeziyetçi Off-chain Oracle'lar veya Güvenli Yürütme Ortamları (Intel SGX, TDX gibi TEE'ler). Her iki senaryoda da akıllı sözleşme, üçüncü taraf bir servise körü körüne güvenmek zorunda kalır.
Oracle şeması finansal bir saldırıda anında çöker: Bir node operatörüne rüşvet vermek veya backend'e giden API isteğini yakalamak, akıllı sözleşmenin kendisini hacklemekten katbekat daha ucuzdur. TEE enklavları ise düzenli olarak yan kanal saldırılarından (Side-Channel Attacks, Spectre, Meltdown, Foreshadow) muzdariptir; saldırgan, mikromimari durum sızıntıları yoluyla gizli anahtarları doğrudan işlemci yazmaçlarından (register) çeker. Sonuç olarak Web3 protokolleri merkeziyetsiz bir yapay zeka değil, kullanıcı fonlarını rehin tutan kırılgan bir koltuk değneği elde eder.
Çıkarım Doğrulamasında Kriptografik Kanıtların (zk-SNARKs/zk-STARKs) Rolü
Zero-Knowledge matematiği tavizsiz bir bariyer örer: Modelin çalıştırılmasına yönelik ağır iş yükü off-chain ortamda güçlü GPU/NPU sunuculara devredilirken, on-chain tarafa ise kısa ve öz bir kriptografik tasdik (attestation) gönderilir.
Akıllı sözleşme hesaplama yapmayı bırakır; artık katı bir hakime dönüşür. Gigabaytlarca ağırlığı depolamasına gerek yoktur. Tek ihtiyacı olan, doğrulayıcı bayt kodu ve güvenli başlatıcı sabitleridir (Proving/Verifying Keys).
zk-SNARK'ın asimetrik matematiği (ör. Groth16, PlonKy2 veya UltraPLONK) kanıtın geçerliliğini milisaniyeler içinde onaylarsa, sözleşme «Doğru» durumunu kayda geçer. Kötü niyetli bir operatör argümanı taklit edemez: Doğru ara wire değerlerini bilmeden sahte bir kanıt üretme şansı matematiksel olarak sıfıra yaklaşır (1/2128 mertebesinde dayanıklılık).
ZK-ML: Süreç Akışı Nasıl Çalışır?
Derin öğrenme modelini PyTorch'tan akıllı sözleşmeye taşımak, basit bir ONNX dışa aktarımından ibaret değildir. Bu, sinir ağının matematiksel altyapısının komple ameliyatıdır.
+------------------------+ | PyTorch / ONNX Model | | (FP32 Tensors) | +------------------------+ | v +------------------------+ | Quantization Engine | | (Fixed-Point / INT8) | +------------------------+ | v +------------------------+ | Circuit Compilation | | (R1CS / Plonkish) | +------------------------+ | v +------------------------+ | Prover (Halo2 / EZKL) | ----> Generates ZK Proof (π) +------------------------+ | v +------------------------+ | EVM Verifier Contract | ----> Validates Proof via Pairing Check +------------------------+
Model Hazırlığı (Quantization & Circuit Compilation)
PyTorch'taki ağırlık matrisleri FP32 (32-bit kayan noktalı sayı) veri tipini kullanır. ZK kriptografisindeki cisimler ise katı bir şekilde büyük bir p asal sayısının moduna göre tam sayılar üzerinde çalışır (örneğin BN254 eliptik eğrisi için p = 21888242871839275222246405745257275088548364400416034343698204186575808495617).
Mühendis kuantizasyon (Quantization) uygulamak zorundadır. Kesirli değerler, belirlenen bir ölçeklendirme faktörüyle tam sayılara dönüştürülür:
xquant = ⌊x · 2S⌋
burada S ölçek faktörüdür (scale factor). Bu aşamada hassasiyet kaybı kaçınılmazdır, bu yüzden sinir ağı kuantizasyon göz önüne alınarak yeniden eğitilir (Quantization-Aware Training).
Ardından hesaplama grafiği aritmetik devreye dönüştürülür. Her işlem (toplama, çarpma) şu biçimde bir R1CS (Rank-1 Constraint System) kapısına evrilir:
(A · Z) ∘ (B · Z) = C · Z
Lineer olmayan aktivasyon fonksiyonları (ReLU, GELU, Sigmoid) ZK devreleri için tam bir kabustur. ReLU (f(x) = max(0, x)), Plonkish tipi prover'larda bit ayrıştırma (bit decomposition) veya arama tabloları (Lookup Arguments) gerektirir, bu da devre boyutunu anında kat kat büyütür.
Kanıt Üretim Aşaması (Prover Mechanics)
Prover; derlenmiş devreyi, genel girdi/çıktıları ve özel tanıkları (witness — model ağırlıkları veya kullanıcı verileri) alır. Kanıt hesaplama süreci, Yüksek Dereceli Polinomların hesaplanmasını ve sonlu cisim polinomları üzerinde Hızlı Fourier Dönüşümlerinin (FFT) çalıştırılmasını kapsar.
İşlemciler ve ekran kartları üzerindeki yük burada devasa boyutlardadır. ResNet-50 modeli için üst düzey bir GPU'da (Nvidia A100) kanıt üretim süresi onlarca saniyeden dakikalara kadar sürebilir ve yalnızca tanık vektörlerini (witness) tutmak için 128 GB'a varan RAM ister.
EVM Akıllı Sözleşme Düzeyinde Doğrulama (Verifier Contract Gas Costs)
Ethereum tarafında doğrulama, eliptik eğri eşleme kontrolüne (Elliptic Curve Pairing Check) indirgenir. EVM, BN254 için native precompile'lar sağlar: ecAdd (0x06), ecMul (0x07) ve ecPairing (0x08).
Ağda dağıtılmış Verifier sözleşmeleri için gaz tüketimi ve kanıt parametreleri tablosu:
| Şema / Backend | Eğri Çözünürlüğü | Kanıt Boyutu (Bytes) | Doğrulama Gaz Tüketimi (EVM Gas) | Trusted Setup Gereksinimi |
|---|---|---|---|---|
| Groth16 (EZKL) | BN254 | ~256-384 | ~190,000 – 230,000 | Evet (Per-circuit Ceremony) |
| UltraPLONK (Halo2) | BN254 / KZG | ~512-1024 | ~300,000 – 450,000 | Evet (Universal SRS) |
| STARK (Fri / Winterfell) | None (Hash-based) | ~80,000 – 200,000 | > 1,500,000 (EVM'de kârsız) | Hayır (Transparent) |
| Nova (Folding Scheme) | BN254 / Grumpkin | ~1024 (Recursive) | ~280,000 | Evet (Universal) |
Groth16 gaz savaşını ezip geçer. Ancak her benzersiz sinir ağı topolojisi için ayrı bir prosedürel Trusted Setup seremonisi gerektirir. Tek bir katmanı değiştirdiğinizde Setup'ı baştan yapmanız gerekir.
Temel Teknik Zorluklar ve Darboğazlar
ZK-ML, kriptografik garantinin bedelini hesaplama kaynaklarıyla ödediğiniz sürekli mühendislik ödünleşimleri diyarıdır.
Hesaplama karmaşıklığı (Proving Overhead) sektörün ana freni olmaya devam ediyor. Kanıt üretim süresinin normal model yürütme süresine (native inference) oranı yaklaşık 105 - 106 seviyesindedir. Basit bir sınıflandırma modelinin çıkarımı CPU'da 2 milisaniye sürerken, aynı model için ZK-proof derlemek sunucunuzu 30 saniyeliğine eritir.
Bellek. R1CS kısıtlamalarına açılmış çok boyutlu tensörler, talepkar AAA oyunlardan çok daha hızlı bir şekilde RAM'i tüketir. 7 milyar parametreli bir LLM'yi ZK devresine derlemeyi deneyin — petabaytlarca RAM'e ve henüz seri üretimde piyasada olmayan özel ASIC hızlandırıcılara sahip bir veri merkezine ihtiyacınız olacak.
DeFi ve Güvenlikte Pratik Kullanım Senaryoları
Kişisel verileri açığa çıkarmadan yapılan özel kredi skorlaması (credit scoring), Web3'te borçlanmayı yeni bir seviyeye taşır. Borçlu; banka hesap özetlerini, mülkiyet geçmişini, on-chain işlem geçmişini ve vergi beyannamelerini toplar. Skorlama modeli, EZKL WebAssembly modülü aracılığıyla tarayıcıda veya mobil cihazda yerel olarak çalıştırılır. Aave veya Compound akıllı sözleşmesine temiz bir sonuç gönderilir: ZK kanıtıyla birlikte «Credit Score = 780». Protokol, daha düşük teminatla kredi verir. Sıfır kişisel veri sızıntısı, sağlayıcının veritabanı için sıfır risk.
Kanıtlanabilir strateji dürüstlüğüne sahip otonom ticaret ajanları (trading agents), hedge fonlarındaki güven sorununu ortadan kaldırır. DeFi'de 50 milyon dolar yöneten bir kantitatif fon hayal edin. Fonun stratejisi akıllı, kapalı bir ML modelidir. Yatırımcılar, yöneticinin MEV botları veya sahte işlemler yoluyla havuzu batırmadığından emin olmak ister. Hedge fon, portföyün her yeniden dengelemesi (rebalance) için bir ZK kanıtı üretir. Sözleşme şunu doğrular: İşlem, tüccarın kişisel hevesine göre değil, belirtilen modelin matematiksel çıkarımına dayanarak gerçekten gerçekleştirilmiştir.
Sonuç ve Merkeziyetsiz Yapay Zekanın Geleceği
ZK-ML, güveni sosyal ve hukuki düzlemden saf matematiğe dönüştürür. Özyinelemeli katlama şemalarının (Folding Schemes) ve native Donanım Hızlandırıcıların (Hardware Accelerators) gelişimi sayesinde kanıt üretim overhead'i 100 kat daha düştüğü anda akıllı sözleşmeler basit hesap makineleri olmaktan çıkacak ve yeni finansal düzenin otonom, doğrulanabilir ajanlarına dönüşecektir.
