表现
RD 熱度指數
RD 增長指數
比較
跟隨更新
跟隨列表
人物
關於EZKL
EZKL 是一個以開發者為核心的工具包，可將深度學習模型轉換為零知識證明。其核心業務是讓使用者證明 AI 模型在私有資料上正確執行，同時不洩露資料或模型本身。主要價值主張在於橋接 AI 與密碼學：它將標準的 ONNX 圖轉換為基於 Halo2 的 SNARK 電路，實現鏈上、瀏覽器或邊緣裝置上的可驗證推論。 它解決的市場痛點是 AI 領域的信任缺口：現今使用者無法驗證模型輸出的真實性，而資料擁有者也不願分享敏感輸入。EZKL 透過提供運算完整性的密碼學保證，同時維護隱私，來解決此問題。其競爭優勢在於易用性——無需電路設計專業知識——以及其實用的部署選項，包括 Solidity 驗證器與 JavaScript 工具。 在過去六個月（2026-02-28 至 2026-08-31），EZKL 專注於透過 Lilith 擴展證明生成能力，這是一項卸載重度運算的雲端服務。它也引入了協作式 SNARK（co-SNARK），允許雙方在不向彼此揭露私有輸入的情況下共同生成證明——這是多參與者 AI 場景的重要進展。該專案維持其經審計的程式碼庫，並持續擴展生態系整合。仍有一項明顯限制：對於非常大的模型，證明生成在計算上仍舊昂貴，且工具需要一定程度地熟悉密碼學概念，不過團隊正積極降低此門檻。
過去六個月（2026-03-01 至 2026-09-01）的主要進展： - 推出協作式 SNARKs（cosnarks），使兩個或以上參與方能夠在不向彼此暴露私密資料的情況下共同生成零知識證明。此技術由 Halo2 共同作者 Ying Tong Lai 主導，現已整合至 EZKL，允許以最低的工作流程變更重複使用現有的證明/驗證金鑰。 - 將 cosnark 證明功能整合至雲端規模的證明生成叢集 Lilith，可透過單一指令快速建立協作證明對等伺服器。 - 以封閉測試形式發布 cosnarks，目前正在進行早期採用者的試用。 未來發展重點與路線圖： - 引入非對稱 MPC，以減輕資料提供者（例如行動裝置）的運算負擔，並補充 iOS 綁定與金屬加速功能。此為活躍研究領域，將在未來數月內進行探索。 - 擴展至 Halo2 以外的其他證明系統，以提供更廣泛的靈活性。 - 持續針對大型模型與高吞吐量場景最佳化證明生成，預計透過 GPU 加速與折疊方案，在 2027 年前將證明大小縮減至 KB 等級。
傑森·莫頓（執行長） 傑森·莫頓是 EZKL 的共同創辦人兼執行長。他曾擔任數學與統計學終身教授，因量子啟發式密碼演算法獲得國防高級研究計劃局青年教師獎，並於 2011 年擔任國防高級研究計劃局最初深度學習計畫的首席研究員。他創立並出售了一家基於以太坊的金融中介機構，曾任 Lit Protocol 的密碼學主管，並擁有哈佛大學心理學學士學位、密西根大學經濟學碩士學位，以及加州大學柏克萊分校數學博士學位。