Bạn bấm "gửi" một đơn xin vay trong một ứng dụng fintech Việt Nam, và một mô hình học máy quyết định điểm tín dụng của bạn chỉ trong vài phút. Quyết định đó định hình việc bạn có được vay hay không — nhưng không ai bên ngoài công ty có thể kiểm tra liệu mô hình đã chấm điểm bạn có đúng là mô hình mà bộ phận tuân thủ của ngân hàng đã phê duyệt hay không, nó có chạy trung thực hay không, hoặc có ai đó lặng lẽ thay nó bằng một mô hình gần đúng rẻ hơn hay không. Đây chính là bài toán niềm tin "hộp đen", và đó chính là điều zkml (zero-knowledge machine learning — học máy không tiết lộ thông tin) được sinh ra để giải quyết.
ZKML là lĩnh vực nơi học máy gặp gỡ các bằng chứng không tiết lộ (zero-knowledge proofs). Một nhà cung cấp chạy mô hình AI phía sau một API đóng, rồi đính kèm một bằng chứng mật mã rằng suy luận đã được tính toán một cách trung thực — mà không tiết lộ trọng số của mô hình, và thường cũng không tiết lộ dữ liệu đầu vào. Từ "zkml" gói ba ý tưởng: zero-knowledge (người xác minh chỉ biết được rằng phép tính là đúng), machine learning (phép tính được xác minh là một mạng nơ-ron hoặc mô hình thống kê), và một bằng chứng chỉ tốn vài mili giây để kiểm tra dù mô hình có lớn đến đâu.
Hãy nghĩ về lần cuối cùng một ngân hàng, một bệnh viện hay một nguồn tin mạng xã hội đưa ra quyết định bằng AI ảnh hưởng đến bạn. Bạn không thể mở động cơ và nhìn vào bên trong. Zk machine learning thay đổi hợp đồng: thay vì "hãy tin chúng tôi, mô hình đã chạy đúng", nhà cung cấp nói "đây là một biên nhận toán học — hãy tự kiểm tra". Bài viết này giải thích cách zkml hoạt động, tại sao nó quan trọng với AI bạn dùng hằng ngày, tại sao trọng số — mô hình đã huấn luyện — vẫn được giữ bí mật, và ý nghĩa của nó đối với ngành tài chính vận hành bằng AI đang bùng nổ ở Việt Nam.
Hình 1: Hộp Đen AI vs Biên Nhận ZKML — cùng model, cùng điểm số; khác biệt là một bằng chứng ai cũng kiểm tra được
Khoảng cách niềm tin: những gì bạn không thể nhìn thấy bên trong một AI đóng
Học máy ngày nay điều khiển những quyết định đụng đến tiền thật và cuộc sống thật. Thuật toán mạng xã hội quyết định hàng triệu người xem gì. Mô hình tín dụng quyết định ai được vay và vay với lãi suất nào. Mô hình y tế cảnh báo rủi ro. Tại Việt Nam, mô hình chấm điểm tín dụng AI của MoMo đã phục vụ hàng triệu người dùng từng đứng ngoài hệ thống ngân hàng — tiểu thương, lao động tự do, sinh viên — giải ngân khoản vay trong vài phút bằng dữ liệu thay thế như lịch sử thanh toán hóa đơn thay vì tài sản thế chấp hay giấy tờ thu nhập. Mô hình đứng sau quyết định như vậy là một bí mật thương mại, được huấn luyện trên dữ liệu riêng, và đáng giá một khoản tiền khổng lồ để bảo vệ.
Sự căng thẳng rất rõ ràng: xã hội ngày càng đòi hỏi AI minh bạch, trong khi nhà cung cấp có mọi lý do chính đáng để giữ kín mô hình. Công bố trọng số sẽ làm rò rỉ dữ liệu huấn luyện và trao cho đối thủ "kho báu quốc gia" — GPT-4 được báo cáo là tốn hơn 100 triệu USD để huấn luyện. Vậy nên chúng ta mắc kẹt trong một thế giới mà người dùng chỉ còn cách tin vào chiếc hộp.
Điều này không chỉ là lý thuyết. Khi bạn trả tiền cho một API AI tiên tiến (frontier), nhà cung cấp có thể phục vụ bạn một mô hình nhỏ hơn, rẻ hơn, áp dụng lượng tử hóa mạnh, hoặc trả về một phản hồi đã lưu cache — và bạn sẽ không bao giờ biết. Khi một công ty fintech tính điểm tín dụng của bạn, mô hình triển khai trong sản xuất có thể khác với mô hình mà cơ quan quản lý đã phê duyệt. Đây không phải là các cuộc tấn công trong phòng thí nghiệm; chúng là cám dỗ cấu trúc của bất kỳ AI đóng nào. Zk machine learning loại bỏ cám dỗ đó bằng cách làm cho tính trung thực của phép tính trở nên xác minh được về mặt mật mã — không cần niềm tin.
Ý tưởng cốt lõi: chứng minh công thức mà không cần đưa ra công thức
Trực giác về zkml được gói gọn hay nhất qua một phép so sánh từ bếp ăn Việt Nam: công thức món hủ tiếu nổi tiếng là một bí mật thương mại. Nhà hàng không thể đưa công thức cho từng thực khách để chứng minh nước dùng là thật — nhưng thực khách vẫn muốn được đảm bảo rằng họ đang ăn món chính gốc, chứ không phải hủ tiếu ăn liền. Các bằng chứng không tiết lộ cho phép nhà hàng nói: "Đây là một chứng chỉ chứng minh nước dùng của tôi được nấu theo đúng công thức và đúng quy trình — hãy kiểm tra chứng chỉ, và không học được gì về công thức."
Giờ hãy thay "công thức" bằng trọng số mô hình. Một mạng nơ-ron, ở cốt lõi, là một chuỗi rất dài các phép nhân-cộng nối tiếp bởi các phép kích hoạt phi tuyến (ReLU, softmax, sigmoid). Trọng số là những hằng số trong các phép toán đó. Để chứng minh một suy luận được tính toán đúng, nhà cung cấp biểu diễn toàn bộ mô hình thành một mạch (circuit) — một danh sách các ràng buộc toán học — rồi chạy một thuật toán chứng minh tạo ra một bằng chứng ngắn. Người xác minh kiểm tra bằng chứng đối chiếu với đầu vào công khai (các đặc trưng của bạn) và đầu ra công khai (điểm số). Điểm mấu chốt: trọng số chính là bằng chứng riêng tư (witness) — chúng tham gia vào việc tính toán bằng chứng nhưng không bao giờ được tiết lộ cho người xác minh.
Đặc tính kỳ diệu: công việc của người xác minh rất nhỏ và không tăng theo kích thước mô hình. Một bằng chứng xác minh trong mili giây có thể chứng thực cho một mô hình hàng tỷ tham số. Sự bất đối xứng đó — đắt để chứng minh, rẻ để xác minh — chính là thứ làm cho zkml khả thi.
Cách vận hành của pipeline zkml
Hành trình từ một mô hình đã huấn luyện đến một suy luận đã được xác minh có một pipeline rõ ràng:
- Mô hình → định dạng chuẩn. Mô hình đã huấn luyện được xuất ra một định dạng mở như ONNX, định dạng này mô tả phép tính dưới dạng một đồ thị các phép toán tensor.
- Biên dịch thành mạch. Một trình biên dịch như EZKL (bộ công cụ zkml phổ biến nhất) chuyển mô hình ONNX thành một mạch zero-knowledge, lượng tử hóa các số dấu phẩy động thành các số nguyên sống trong một trường nguyên tố hữu hạn. Bước này cũng hiệu chỉnh tỷ lệ (scale) và bảng tra cứu để độ chính xác của mạch khớp với mô hình gốc.
- Thiết lập khóa. Hệ thống tạo một khóa chứng minh (do nhà cung cấp giữ) và một khóa xác minh (công khai).
- Chứng minh. Trong lúc suy luận, nhà cung cấp chạy mô hình trên đầu vào của bạn và chạy thuật toán chứng minh, tạo ra một bằng chứng — thường chỉ vài kilobyte.
- Xác minh. Bất kỳ ai có khóa xác minh đều kiểm tra được bằng chứng trong mili giây. Trên blockchain, một lệnh verify() của EZKL tốn khoảng 200k–500k gas; một hợp đồng thông minh có thể kiểm tra bằng chứng rồi mới thực thi.
Hình 2: Pipeline ZKML — model → mạch → bằng chứng → xác minh; trọng số giữ kín từ đầu đến cuối
Các lựa chọn thiết kế có ảnh hưởng rất lớn. Cách trình biên dịch bố trí mạch làm thay đổi tốc độ chứng minh tới 24 lần. Các phép toán phi tuyến như softmax không thể biểu diễn trực tiếp dưới dạng ràng buộc số học, nên các hệ thống dùng bảng tra cứu, xấp xỉ tuyến tính từng phần, hoặc xấp xỉ đa thức. Một số hệ thống mới nhất (NanoZK) cho thấy xấp xỉ bằng bảng tra cứu không làm mất độ chính xác nào đo được, và phân tách các transformer lớn thành các bằng chứng độc lập theo từng lớp chạy song song — một khối cỡ GPT-2 có thể được chứng minh trong ~43 giây với bằng chứng 6,9KB và xác minh trong 23ms.
Tại sao trọng số vẫn được giữ bí mật
Toàn bộ điểm cốt lõi của zkml là trọng số — mô hình đã huấn luyện — không bao giờ rời khỏi nhà cung cấp. Điều này đạt được nhờ đặc tính zero-knowledge: bằng chứng thuyết phục người xác minh rằng tồn tại một witness hợp lệ (một bộ trọng số nào đó, áp vào đầu vào này, tạo ra đầu ra này) mà không hề truyền tải witness đó.
Hai điểm tinh tế quan trọng cho các triển khai thực tế. Thứ nhất, một mình bằng chứng không cho người xác minh biết mô hình nào đã chạy — chỉ biết rằng một mô hình khớp với mạch đã tạo ra đầu ra này. Để gắn bằng chứng với một mô hình cụ thể, nhà cung cấp công bố một cam kết mô hình (model commitment) — một dấu vân tay giống hàm băm của trọng số — trong đầu vào công khai. Người chứng minh sau đó phải chứng tỏ trọng số bên trong mạch khớp với cam kết đó. Các giao thức chuyên dụng gọi là Commit-and-Prove SNARK (CP-SNARK) làm cho việc này hiệu quả.
Thứ hai, hầu hết các hệ thống tiết lộ kiến trúc mô hình (số lớp, loại phép kích hoạt) trong khi chỉ giấu trọng số. Đó thường là một sự đánh đổi chấp nhận được: các mô hình trọng số mở (open-weight) như các biến thể Llama rất phổ biến, và chỉ riêng kiến trúc hiếm khi phơi bày dữ liệu huấn luyện hay các tham số đã tinh chỉnh.
Những đánh đổi trung thực: chứng minh vẫn còn đắt
Zkml không phải bữa ăn miễn phí. Ba chi phí cần biết:
- Thời gian và bộ nhớ của người chứng minh. Một suy luận GPU có thể mất 5 mili giây; tạo bằng chứng có thể mất 5 giây, 5 phút, hoặc lâu hơn tùy kích thước mô hình và hệ thống bằng chứng. Điều này khiến zkml chưa phù hợp với giao dịch tần suất cao hay chat thời gian thực ở quy mô lớn hiện nay, nhưng lại hoàn hảo cho báo cáo tuân thủ định kỳ, các quyết định không đồng bộ giá trị cao, hoặc các quyết định tín dụng có thể kiểm toán. Vùng biên của lĩnh vực (DeepProve, Lagrange, 2026) hiện đã chứng minh toàn bộ suy luận GPT-2 và Gemma 3 ở tốc độ ~86–174 token mỗi phút, với xác minh trong 1–3,7 giây và chứng minh phân tán mở rộng vượt 1.800 token mỗi phút — xác minh LLM từ đầu đến cuối đang đến gần.
- Độ chính xác của lượng tử hóa. Số học số nguyên thân thiện với mạch có thể lệch khỏi mô hình dấu phẩy động gốc. Hiệu chỉnh cẩn thận và bảng tra cứu giữ độ lệch ở mức không trong các hệ thống hiện đại, nhưng một lần biên dịch cẩu thả sẽ lặng lẽ làm suy giảm mô hình.
- Tính đúng đắn của mạch. Một bằng chứng chứng minh rằng mạch đã được thực thi trung thực. Bản thân nó không chứng minh mạch đó trung thành biểu diễn đúng mô hình dự kiến — cần một cuộc kiểm toán tương đương riêng. Và nhiều hệ thống bằng chứng (Groth16) yêu cầu một buổi lễ thiết lập tin cậy (trusted setup); các hệ thống minh bạch như Halo2 tránh được điều này nhưng đổi lại bằng chứng lớn hơn.
Zkml AI inference trong thế giới thực
Đây không phải đồ chơi phòng thí nghiệm. Việc dùng trong sản xuất đang lan rộng:
- Tài chính on-chain (DeFi). Các giao thức cho vay phi tập trung như Sentiment dùng mô hình GARCH biên dịch bằng EZKL để tính tỷ lệ vay trên giá trị tài sản (loan-to-value) kèm bằng chứng mật mã rằng phép tính rủi ro đã đi theo đúng mô hình dự kiến. Bộ xác minh on-chain thực thi điều đó; nếu bằng chứng thất bại, giao dịch bị từ chối. Các chương trình thí điểm chấm điểm tín dụng (ví dụ zkdefi của Obsqra) biên dịch mô hình chấm điểm qua EZKL thành bằng chứng Groth16 được xác minh on-chain.
- Kiểm toán không cần niềm tin. Các nhà nghiên cứu (ZkAudit, ICML 2024) cho thấy một nhà cung cấp mô hình có thể công bố một cam kết về trọng số và dữ liệu huấn luyện, rồi trả lời các câu hỏi kiểm toán — "tập dữ liệu có chứa tài liệu vi phạm bản quyền không?", "mô hình có thiên vị không?" — bằng ZKP, mà không tiết lộ gì khác.
- Sinh trắc học bảo vệ quyền riêng tư. EZKL định vị mình như một phần mở rộng tổng quát, lập trình được của Apple Face ID: xác minh danh tính bằng một mô hình, chứng minh rằng bước kiểm tra đã chạy đúng, và không bao giờ phơi bày dữ liệu khuôn mặt.
- API LLM xác minh được. Khi DeepProve và NanoZK trưởng thành, các API AI cao cấp có thể chứng minh rằng chúng trả về đầu ra đích thực từ đúng mô hình đã khai báo — người dùng có sự chắc chắn về mật mã, nhà cung cấp giữ được trọng số.
- Các ngành có quản lý. Trong tài chính, y tế và công nghệ pháp lý, cơ quan quản lý ngày càng muốn biết mô hình được triển khai đúng là mô hình đã được phê duyệt. Một bằng chứng zk khiến cuộc kiểm toán diễn ra tức thì và không xâm lấn.
Hình 3: Các Trường Hợp Dùng ZKML — một lõi proof phục vụ DeFi, tài chính quản lý, kiểm toán, sinh trắc học và API LLM
Zkml ở Việt Nam: từ điểm tín dụng đến niềm tin
Việt Nam là một nơi có duyên một cách đáng ngạc nhiên với zkml, bởi vì các mảnh ghép đã nằm sẵn tại chỗ. Chấm điểm tín dụng AI của MoMo phục vụ hàng triệu người vốn không có lịch sử tín dụng, và CIC (Trung tâm Thông tin Tín dụng Quốc gia) đang xây dựng lại mô hình chấm điểm quanh AI với các nguyên tắc tường minh về khả năng giải thích, tính ổn định và tuân thủ quy định. Nghị định 94/2025/NĐ-CP — có hiệu lực từ 1/7/2025 — tạo ra một khu vực thử nghiệm (sandbox) quy định của Ngân hàng Nhà nước Việt Nam cho chấm điểm tín dụng fintech, mở đường pháp lý cho các mô hình sáng tạo.
Mối liên hệ nằm ở đây: zkml ai inference chính là thứ cho phép một người cho vay vận hành bằng AI chứng minh với cơ quan quản lý — và với người vay hoài nghi — rằng mô hình đang chạy trong sản xuất đúng là mô hình đã được kiểm định, rằng điểm số được tính bằng chính mô hình đó, và rằng không có sự can thiệp thủ công nào lọt vào pipeline. Khi một người vay tranh chấp điểm số, ngân hàng có thể đưa ra một bằng chứng thay vì một lời giải thích; khi CIC kiểm toán một ngân hàng đối tác, họ có thể kiểm tra các bằng chứng thay vì tin vào ảnh chụp màn hình. Tính toàn vẹn mật mã biến "tin vào hộp đen" thành "kiểm tra biên nhận".
Với các lập trình viên Việt Nam, rào cản gia nhập đang hạ thấp. EZKL là mã nguồn mở và có thể điều khiển bằng Python; bạn có thể biên dịch một mô hình chấm điểm ONNX nhỏ thành một mạch và xác minh on-chain ngay hôm nay. Thí nghiệm đầu tiên được khuyến nghị phản ánh điều hầu hết các đội thực sự làm: chọn một mô hình, lượng tử hóa nó về dấu phẩy tĩnh (fixed-point), đo thời gian chứng minh so với ngân sách độ trễ của bạn, và xác nhận độ chính xác được giữ vững. Khoảng cách giữa "AI chạy được" và "AI đáng tin" chính là nơi zkml đứng vào.
Những câu hỏi thường gặp
Zkml là gì theo nghĩa đơn giản?
Zkml (zero-knowledge machine learning) là một cách để chứng minh rằng một mô hình AI đã tạo ra một đầu ra cụ thể từ một đầu vào cụ thể — mà không tiết lộ trọng số của mô hình hay dữ liệu đầu vào. Hãy nghĩ về nó như một biên nhận chống giả mạo cho mỗi phép tính AI.Zkml khác gì so với mã hóa đồng cấu (homomorphic encryption) hay TEE?
Mã hóa đồng cấu cho phép tính toán trên dữ liệu đã mã hóa (bảo vệ đầu vào, nhưng giấu phép tính với nhà cung cấp). Môi trường thực thi tin cậy (TEE như SGX) bảo vệ cả hai nhưng cần phần cứng đặc biệt và một giả định tin cậy vào nhà sản xuất chip. Zk machine learning bảo vệ mô hình và đầu vào đồng thời thêm một bằng chứng xác minh công khai — không cần phần cứng đặc biệt, và bất kỳ ai cũng kiểm tra được kết quả.Zkml đã sẵn sàng cho sản xuất chưa?
Với các mô hình có cấu trúc (chấm điểm tín dụng, LTV, mạng nơ-ron nhỏ) thì có — EZKL đã vận hành các bộ xác minh on-chain. Với các LLM tiên tiến, nó đang đến gần: bằng chứng suy luận LLM từ đầu đến cuối hiện chạy ở ~86–174 token mỗi phút, đủ nhanh cho nhiều trường hợp không đồng bộ. Giới hạn chính nằm ở thời gian và bộ nhớ của người chứng minh, chứ không phải khâu xác minh.Tôi có cần một blockchain để dùng zkml không?
Không. Người xác minh có thể là một ứng dụng điện thoại, một máy chủ web, hay một chiếc laptop của cơ quan quản lý. Blockchain hấp dẫn vì nó cho mọi người một điểm xác minh công khai, chống giả mạo và cho phép hợp đồng thông minh phản ứng với kết quả bằng chứng — nhưng đó là một lựa chọn, không phải yêu cầu.Zkml có ý nghĩa gì với các startup fintech và AI ở Việt Nam?
Nó có nghĩa là một người cho vay, một công ty bảo hiểm hay một tổ chức tín dụng có thể chứng minh mô hình AI của mình đã được thực thi trung thực với người dùng và với cơ quan quản lý — biến sự minh bạch AI từ một lời hứa thành một bảo đảm toán học. Với sandbox chấm điểm tín dụng của Nghị định 94/2025/NĐ-CP và quá trình hiện đại hóa AI của CIC, sự quan tâm của cơ quan quản lý là có thật.Zkml có thể chứng minh một mô hình đã được huấn luyện đúng không?
Bằng chứng về quá trình huấn luyện (chứng minh một mô hình được huấn luyện trung thực trên một tập dữ liệu cho trước) là phân ngành khó nhất; ZkAudit đã trình diễn kiểm toán không cần niềm tin cho việc huấn luyện trên các mô hình cỡ ImageNet. Chứng minh suy luận — chủ đề của bài viết này — rẻ hơn nhiều và là nửa đã sẵn sàng cho sản xuất của lĩnh vực.Kết luận
Mỗi ngày, các hệ thống AI đóng đưa ra quyết định về tiền, về sức khỏe và về thông tin của bạn — và yêu cầu bạn tin vào chiếc hộp. Zkml thay niềm tin đó bằng mật mã: nhà cung cấp chạy mô hình một lần, tạo ra một bằng chứng bất kỳ ai cũng kiểm tra được, và không bao giờ trao ra trọng số thứ làm nên giá trị của mô hình. Sự đánh đổi là trung thực — chứng minh vẫn còn đắt, lượng tử hóa phải được xử lý cẩn thận, và bản thân mạch cũng cần được kiểm toán — nhưng hướng đi là không thể nhầm lẫn. Ngành AI đang chuyển từ "hãy tin chúng tôi" sang "hãy tự xác minh", và zero-knowledge machine learning chính là động cơ của bước chuyển đó.
Với Việt Nam, thời điểm là hoàn hảo. Đất nước có hàng triệu người vay mới, một tổ chức tín dụng vận hành bằng AI đang tự hiện đại hóa, một cơ quan quản lý mở sandbox, và một cộng đồng lập trình viên vốn đã xuất khẩu nhân tài AI đẳng cấp thế giới. Câu hỏi không còn là liệu AI Việt Nam có đưa ra quyết định hay không — nó đã làm điều đó rồi. Câu hỏi là liệu những quyết định đó có thể được chứng minh hay không. Zkml ai inference là câu trả lời, và biên nhận chỉ dài vài kilobyte.
Bảng tham chiếu nhanh
| Đặc tính | ZKML (Zero-Knowledge Machine Learning) |
|---|---|
| Mục đích | Chứng minh suy luận AI chạy đúng mà không tiết lộ trọng số mô hình |
| Nguyên thủy cốt lõi | zk-SNARKs (Groth16, Halo2, Plonky2, GKR, sumcheck) |
| Pipeline | Mô hình ONNX → biên dịch thành mạch → chứng minh → xác minh |
| Bộ công cụ chính | EZKL, zkml (UIUC), ZKTorch, zkLLM, Jolt Atlas |
| Chi phí chứng minh | Vài giây đến vài phút (GPU), giảm nhanh mỗi năm |
| Chi phí xác minh | Mili giây; ~200–500k gas on-chain |
| Thứ giữ bí mật | Trọng số mô hình (witness); thường cả dữ liệu đầu vào |
| Thứ công khai | Cam kết mô hình, đầu vào/đầu ra, bằng chứng, khóa xác minh |
| Ứng dụng thực tế | LTV DeFi, chấm điểm tín dụng, kiểm toán không cần niềm tin, sinh trắc học, API LLM xác minh được |
| Góc Việt Nam | Chấm điểm tín dụng AI của MoMo, hiện đại hóa CIC, sandbox Nghị định 94/2025/NĐ-CP |
| Giới hạn chính | Thời gian/bộ nhớ chứng minh, độ lệch lượng tử hóa, kiểm toán tương đương mạch |