在本文中，我们将探讨新兴的ZK用例。

介绍

在过去的几个月里，我们目睹了围绕零知识用例的大量炒作，包括zkevm、zkBridges等。然而，在这样一个快节奏的环境中，新的用例正在出现，其中零知识证明(ZKP)起着至关重要的作用。本文旨在探讨ZKP在个人心目中获得更多关注的领域。

ZKML零知识机器学习

这个图表显示了zkML是如何工作的

ZKML(零知识机器学习)是一项新兴技术，在各种应用中具有巨大的潜力，尚未得到充分开发。从计算完整性和隐私保护到机器学习即服务的透明度和去中心化推理或训练，ZKML为创新打开了新的大门。以下是ZKML的一些潜在用例：

ZKML的可验证性：ZKML利用SNARK和STARK等有效性证明来确保计算的准确执行，特别是在机器学习中。通过使用这些证明，可以验证机器学习模型推理，根据给定的输入确认输出的来源。此功能允许在链下部署机器学习模型，同时方便地在链上验证ZK证明。

https：//youtu.be/odaUPMNqJs8

ZKML中的隐私保护：隐私是机器学习中的一个关键问题，ZKML提供了解决方案。它可以证明模型在测试数据上的准确性，而不会泄露所使用的权重，从而确保数据隐私。此外，ZKML促进了隐私保护推理，允许与患者共享敏感的医疗诊断，如癌症检测结果，而不会将其数据泄露给第三方。

增强机器学习即服务(ML-as-a-Service)的透明度：ZKML在提高机器学习即服务的透明度方面起着至关重要的作用。通过提供与机器学习模型API相关联的有效性证明，用户可以验证他们使用的模型的真实性。这解决了与传统API (通常被视为黑盒)相关的问题，并提高了对所提供模型的信任。

去中心化的推理和训练：ZKML能够以去中心化的方式执行机器学习任务。该模型可以通过利用零知识证明进行压缩，从而在推理或训练过程中允许公众参与和数据提交。这为协作和分布式机器学习开辟了新的途径。

ZKML证明：证明是ZKML的一个重要方面，允许从受信任的外部方合并可验证的证明。通过使用零知识证明来验证来自可靠来源的数字签名，ZKML确保了被证明信息的真实性和来源。这允许在各种应用程序中验证和使用受信任的参考。

ZK在游戏中的应用

https：//youtu.be/dLZbfTWLGNI

零知识证明(Zero Knowledge Proofs，简称ZKP)为游戏架构和游戏体验提供了许多优势。通过集成 ZKP，游戏开发商可以受益于降低成本、增强隐私保护、有效的反作弊措施和提高可扩展性。