Zypher Research: zkPrompt - Trustless AI 的安全互動協議
摘要：Felix（Zypher Network首席研究科學家）結合AI與區塊鏈技術，與Zypher Network團隊推出zkPrompt 系統。zkPrompt 系統是基於零知識證明的協議，確保用戶與LLM互動的響應真實、防篡改。涉及用戶、Prover、Proxy和LLM服務商四方，Prover生成證明驗證響應完整性。相比ZKML，系統開銷低，假設LLM可信，重點約束Prover。Proxy簽名和鏈上驗證防偽造，支持哈希上鏈保護隱私。適用於金融AI、鏈上資產管理等場景，助力可信去中心化AI生態。在 zkPrompt 協議中，系統互動涉及四個參與方：用戶（User）、證明者（Prover）、代理節點（Proxy）和大語言模型（LLM）服務提供方。
協議背景與對比
zkPrompt 的核心理念類似於 zkTLS [1]，後者將零知識證明整合進 TLS 通信流程中，以確保數據完整性與真實性。在 zkPrompt 系統中，用戶通過 Prover 向 LLM 發起請求，Prover 再通過第三方 Proxy 將請求轉發至 LLM 服務提供方。
LLM 處理請求並通過 Proxy 將響應返回給 Prover，後者再將其傳回用戶。整個 TLS 通信只發生在 Prover、Proxy 與 LLM 服務商之間。由於用戶不直接參與這段通信，可能會擔心 Prover 篡改響應內容。為解決這一信任問題，zkPrompt 要求 Prover 生成零知識證明，證明其返回的響應確實由 LLM 生成，且未被篡改，從而實現高度防篡改的安全性。
該協議的實施可顯著增強 AI Agent 的可信度與安全性，釋放高價值應用場景，例如鏈上資產管理、對沖策略、金融 AI 助理、支付系統等，這些均依賴極高可信度的 AI 系統。
設計優勢
相較於現有的 ZKML 框架如 Ezkl [2]，zkPrompt 顯著降低了系統開銷。例如，為一個簡單的 GPT-2 模型生成 Zk 證明，在 Ezkl 中可能需要數小時，這在面對 OpenAI 或 DeepSeek 等大型模型服務時幾乎無法實際部署。
我們提出了一個更為務實的信任模型：系統並不要求用戶驗證 LLM 的內部執行過程，而是假設大型 LLM 服務商是可信的，並重點確保 Prover 不得篡改輸出。這種設計反映了現實需求------主流 LLM 服務商因其聲譽和廣泛用戶基礎具有天然的可信性，而 Prover 節點通常對用戶不可見，更可能成為攻擊點，因此必須重點約束。
信任與安全模型
我們假設 Proxy 與 Prover 之間不存在串通行為。為進一步強化該假設，建議在真實部署中將 Proxy 去中心化，以避免單點信任或故障。
為簡化初期實現，我們暫時假設用戶的 Prompt 和最終響應以明文形式上鏈（隱私保護方法將在後續部分說明）。
技術挑戰與核心解決方案
主要技術挑戰在於 Prover 可以偽造密文。即使用戶看到某個密文，也無法判斷它是否確實通過 TLS 會話從 LLM 獲取，或只是 Prover 本地偽造並加密的。
為解決此問題，我們引入 Proxy 簽名機制：當 Proxy 從 LLM 接收到加密響應後，會對密文進行簽名，並將密文與簽名一並上傳鏈上。隨後，Prover 提供零知識證明，證明以下聲明成立：
解密該密文所得的明文，正是由 LLM 返回的響應。
該證明的核心在於驗證對稱解密過程的正確性，可以利用 Dubhe [3] 等現有成果高效實現。
驗證流程
由於 LLM 的響應通常包含用戶的 Prompt，驗證者（如礦工）僅需完成以下檢查：
- 驗證 Proxy 對密文的簽名是否有效；
- 檢查解密後的明文是否包含用戶原始 Prompt；
- 驗證 Prover 提供的零知識證明。
完成上述步驟後，礦工即可確認 Prover 誠實地返回了來自 LLM 的真實響應。
隱私保護設計
若用戶希望隱藏 Prompt 和響應內容，可採用如下方案：
在發送 Prompt 並收到響應後，用戶將其哈希值上傳鏈上，而非明文。設：
- H1 = Hash(Prompt)
- H2 = Hash(Response)
假設響應中的子串 [I:J] 恰好對應 Prompt。
此時，由 Proxy 將響應的密文上傳鏈上，Prover 使用響應明文 Www 作為 Witness，生成如下 Zk 證明：
- Hash(W) = H2
- Hash(W[I:J]) = H1
- Decrypt(Ciphertext) = W
驗證者只需確認 Proxy 簽名的密文有效，並驗證 Prover 提供的 Zk 證明，即可确信響應確實來源於 LLM，且未被篡改------無需透露任何明文內容。
作者簡介：
Felix Zypher Network 首席研究科學家
Felix 是 Zypher Network 人工智慧核心團隊的研究員，專注於下一代多模態大模型與可信 AI 系統。他目前主要致力於基於零知識證明（ZK）的模型壓縮方法，以提升去中心化環境中 AI Agent 的泛化能力與安全性。
在加入 Zypher 之前，Felix 曾在微軟亞洲研究院和加州大學伯克利分校參與多個前沿 AI 項目的研究和實習，積累了豐富的科研經驗。他的研究成果已發表在 NeurIPS、S\&P、CCS、Usenix Security 和 NDSS 等人工智慧與網絡安全頂級會議上。
Felix 目前是新加坡國立大學的博士候選人，其研究方向涵蓋高效模型推理優化、去中心化 AI 架構、模型魯棒性以及密碼學。憑藉 AI 與區塊鏈交叉領域的堅實背景，他致力於在 Zypher 推動 AI 與 ZK 技術的創新融合，助力構建可信、一體化且安全的去中心化 AI 生態系統。
參考文獻：
[1] zkTLS 詳細介紹：
++Https://Www.Blocmates.Com/Articles/What-Is-Zktls-A-Complete-Guide++
[2] Ezkl 項目首頁：
++Https://Github.Com/Zkonduit/Ezkl++
[3] Dubhe: 針對標準 AES 的簡潔零知識證明及其相關應用：
++Https://Homes.Luddy.Indiana.Edu/yh33/Mypub/Dubhe.Pdf++
