🤖 AI

Jolt Atlas: Verifiable Inference via Lookup Arguments in Zero Knowledge

O Jolt Atlas é um framework de aprendizado de máquina em conhecimento zero (zkML) que estende o sistema de prova Jolt para inferência de modelos ONNX através de argumentos de pesquisa e otimizações como a teletransporte neural, permitindo a geração de provas verificáveis, privadas e executáveis em dispositivos com recursos limitados sem hardware especializado.

Autores originais: Wyatt Benno, Alberto Centelles, Antoine Douchet, Khalil Gibran

Publicado 2026-02-20

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Wyatt Benno, Alberto Centelles, Antoine Douchet, Khalil Gibran

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você tem um chef de cozinha de renome mundial (a Inteligência Artificial) que prepara um prato incrível para você. Você quer comer, mas tem um problema: você não confia no chef. Você não sabe se ele usou os ingredientes frescos que prometeu, se seguiu a receita correta ou se ele apenas fingiu que cozinhou e te entregou um prato pronto de um restaurante vizinho.

Além disso, você não quer que o chef revele o segredo da receita (os pesos do modelo) nem os ingredientes específicos que você pediu (seus dados privados). Você só quer uma garantia matemática de que o prato final é genuíno e foi feito corretamente.

É aqui que entra o Jolt Atlas.

O Que é o Jolt Atlas?

O Jolt Atlas é um "sistema de verificação mágico" que permite provar que uma Inteligência Artificial fez o trabalho dela corretamente, sem revelar como ela fez ou o que ela usou. É como ter um inspetor de cozinha invisível que entra na cozinha, verifica cada passo, assina um certificado de autenticidade e sai sem nunca ter visto a receita secreta ou os ingredientes.

Como Funciona? (As Analogias)

1. A Mudança de Foco: De "Instruções" para "Blocos de Montagem"

Antes, os sistemas de verificação funcionavam como se estivessem assistindo a um filme quadro a quadro, verificando cada movimento do processador do computador (como se um inspetor verificasse cada passo do chef: "pegou a faca", "cortou a cebola", "pegou a faca novamente"). Isso é lento e pesado.

O Jolt Atlas muda a abordagem. Em vez de olhar para cada movimento, ele olha para blocos de montagem grandes (chamados de tensors ou tensores).

A Analogia: Imagine que, em vez de verificar se o chef cortou cada fatia de tomate individualmente, o Jolt Atlas verifica se a pilha de tomates cortados tem o tamanho e a forma corretos. Ele usa uma técnica chamada Lookup Arguments (Argumentos de Busca).
Como funciona: O sistema diz: "Eu tenho uma tabela de referência com todas as formas possíveis de cortar tomates. Mostre-me que o corte que você fez está nessa tabela." Isso é muito mais rápido do que explicar a física de cada corte.

2. O "Teleporte Neural" (Neural Teleportation)

Alguns ingredientes (funções matemáticas complexas) são difíceis de verificar porque exigem tabelas gigantes de referência.

A Analogia: Imagine que você precisa verificar se o chef usou o tempero certo em uma escala de 1 a 1 milhão. A tabela de verificação seria enorme e ocuparia toda a cozinha.
A Solução: O Jolt Atlas usa o "Teleporte Neural". Ele diz: "Vamos reduzir a escala. Em vez de verificar de 1 a 1 milhão, vamos verificar de 1 a 250 mil."
O Truque: Para fazer isso sem estragar o prato, eles ajustam levemente a receita (dividem o ingrediente por um fator e compensam depois). Na prática, para a maioria dos pratos, essa pequena alteração é imperceptível ao paladar, mas permite que a verificação seja feita em uma cozinha muito menor (economizando memória).

3. O "DAG" (O Mapa de Dependências)

O processo de prova não é uma linha reta; é uma árvore de decisões.

A Analogia: Pense em uma árvore genealógica de tarefas. Para provar que o bolo está pronto, você precisa provar que a massa foi feita. Para provar a massa, precisa provar que os ovos foram batidos. O Jolt Atlas organiza essas provas em uma estrutura de "fluxo" (DAG), onde várias provas menores são agrupadas e verificadas juntas, como se você verificasse a validade de toda a família de uma só vez, em vez de falar com cada parente individualmente.

4. O "BlindFold" (O Manto de Invisibilidade)

A parte mais importante: como garantir que o inspetor não espione a receita?

A Analogia: O sistema usa uma técnica chamada BlindFold (Manto de Invisibilidade). Imagine que o chef coloca a receita dentro de um cofre blindado. O inspetor não abre o cofre. Em vez disso, ele faz perguntas matemáticas complexas ao cofre. O cofre responde de uma forma que prova que a receita está lá e está correta, mas nunca revela o conteúdo do cofre.
Isso garante Privacidade Zero: O verificador sabe que o trabalho foi feito, mas não sabe o que foi feito exatamente (os dados de entrada) nem como foi feito (os pesos do modelo).

Por Que Isso é Importante?

Rápido e Leve: O Jolt Atlas é tão eficiente que pode rodar até no seu celular (como um MacBook Pro ou um iPhone), sem precisar de supercomputadores caros.
Privacidade: Você pode usar a IA para analisar seus dados médicos ou financeiros sem que a empresa de IA saiba o que você tem.
Confiança: Em um mundo cheio de "alucinações" de IA (quando a IA inventa fatos), o Jolt Atlas garante que a resposta veio de um modelo treinado e não foi inventada no momento.
Universal: Ele usa o formato ONNX, que é como o "PDF das IAs". Não importa se a IA foi feita no PyTorch, TensorFlow ou JAX; o Jolt Atlas consegue ler e verificar todas elas.

O Resultado Prático

O artigo mostra que o Jolt Atlas consegue provar que um modelo de linguagem (como um mini-GPT) fez uma tarefa em 14 segundos, enquanto outras tecnologias levavam quase 4 minutos (e exigiam muito mais memória).

Resumo da Ópera:
O Jolt Atlas é como um selo de qualidade criptográfico para Inteligência Artificial. Ele permite que você confie cegamente nas respostas de uma IA, garantindo que elas são verdadeiras e seguras, sem precisar confiar na empresa que a criou e sem precisar revelar seus segredos. É a chave para um futuro onde podemos usar IAs poderosas em ambientes sensíveis (como bancos, hospitais ou contratos automáticos) com total transparência e privacidade.

1. O Problema

A área de Machine Learning com Conhecimento Zero (zkML) enfrenta desafios significativos de escalabilidade e eficiência. Os sistemas existentes, como zkVMs (Zero-Knowledge Virtual Machines) que emulam a execução de instruções de CPU (ex: RISC-V), são ineficientes para inferência de modelos de IA devido a:

Sobrecarga Computacional: A emulação de instruções genéricas introduz uma sobrecarga de 100.000x a 1.000.000x em relação à execução nativa.
Operações Não-Lineares: Funções de ativação modernas (Softmax, ReLU, GELU, Tanh) são difíceis de aritmetizar em sistemas de restrição de baixo grau, exigindo contagens de restrições massivas ou graus elevados.
Consumo de Memória: A materialização de grandes porções do witness (testemunha) e polinômios intermediários para compromissos (commitments) exige gigabytes de RAM, tornando a prova inviável em dispositivos com recursos limitados (on-device).
Falta de Portabilidade: A dependência de formatos específicos de frameworks dificulta a verificação cruzada entre diferentes ambientes de hardware e software.

2. Metodologia

O Jolt Atlas propõe uma mudança de paradigma: em vez de emular a execução de uma CPU, o sistema adapta o mecanismo de provas baseadas em busca (lookup arguments) do sistema Jolt diretamente para o modelo computacional de tensores do ONNX (Open Neural Network Exchange).

Os pilares metodológicos incluem:

Modelo ONNX e Grafos de Dados: O sistema utiliza grafos acíclicos direcionados (DAG) do ONNX, eliminando a necessidade de registradores de CPU e gerenciamento de memória RAM genérico. Isso simplifica a verificação de consistência de memória, focando apenas na consistência de leitura/escrita em buffers de tensores.
Argumentos de Busca (Lookup Arguments) e Sumcheck:
- Operações não-lineares são verificadas demonstrando que pares (entrada, saída) pertencem a tabelas de busca pré-computadas, evitando a aritmetização direta de funções complexas.
- O protocolo Sumcheck é utilizado para verificar grandes lotes de computações com trabalho logarítmico para o verificador.
Otimizações de Espaço (Streaming):
- Decomposição Prefixo-Sufixo: Tabelas de busca grandes são decompostas algebricamente em componentes de prefixo e sufixo. Isso permite que o provador opere em modo streaming, reduzindo o pico de memória de $O(|T|)$ para $O(|T|^{1/C})$ (onde $C$ é um parâmetro ajustável), permitindo a execução em dispositivos com memória restrita.
- Neural Teleportation: Técnica adaptada do TeleSparse para comprimir tabelas de busca de funções de ativação saturáveis (como tanh e erf). Divide-se a entrada por um fator global $\tau$ antes da ativação, reduzindo o domínio de busca necessário sem perda significativa de precisão na maioria dos casos práticos.
Privacidade (Zero-Knowledge):
- Implementação da técnica BlindFold (introduzida no Vega). O protocolo codifica o verificador do Sumcheck como um circuito R1CS e aplica "folding" (dobramento) estilo Nova.
- Isso permite que as mensagens do provador (coeficientes de polinômios) sejam enviadas como compromissos (Pedersen) em vez de valores em texto claro, garantindo que os pesos do modelo e os dados de entrada permaneçam ocultos.
Compromissos Polinomiais: Substituição do esquema Dory (usado no Jolt original) pelo HyperKZG, um esquema baseado em emparelhamentos (pairing-based) mais adequado para polinômios multilineares e verificação on-chain, permitindo compromissos mais rápidos em tensores.

3. Principais Contribuições

Arquitetura Específica para ML: A primeira extensão do paradigma Jolt para grafos de computação de tensores (ONNX), eliminando a camada de emulação de CPU e tratando operações diretamente no nível de tensores.
Prova em Espaço Restrito (Streaming): Demonstração de que a inferência de modelos pode ser provada em ambientes com memória limitada através da decomposição de tabelas de busca, viabilizando a execução on-device.
Otimização de Tabelas de Busca: Aplicação da "Neural Teleportation" para reduzir drasticamente o tamanho das tabelas de busca para funções de ativação não-lineares, mantendo a precisão do modelo.
Privacidade Eficiente: Integração do BlindFold para fornecer garantias de conhecimento zero com baixa sobrecarga, protegendo tanto os dados de entrada quanto os pesos do modelo.
Portabilidade: Suporte ao formato ONNX permite que modelos treinados em PyTorch, TensorFlow ou JAX sejam verificados sem conversões específicas de framework.

4. Resultados (Benchmarks)

Os testes foram realizados em um MacBook Pro (Apple M3, 16GB RAM).

Comparativo com EZKL (nanoGPT - 0.25M parâmetros):
- Jolt Atlas: Tempo de prova total de 14 segundos.
- EZKL: Tempo de prova de 237 segundos (sem contar a geração de chaves, que leva >400s).
- Aceleração: O Jolt Atlas é aproximadamente 17x mais rápido na geração de provas para este modelo.
Modelos Maiores (GPT-2 - 125M parâmetros):
- O sistema conseguiu gerar uma prova completa para o GPT-2 em ~38 segundos (end-to-end), incluindo geração de testemunha, compromissos e prova Sumcheck.
- Isso demonstra a viabilidade de provar modelos de linguagem (LLMs) pequenos e médios em hardware de consumo, algo anteriormente considerado impraticável para zkML.

5. Significado e Impacto

O Jolt Atlas representa um avanço crucial para a Verificação Criptográfica de IA:

Viabilidade On-Device: Ao reduzir drasticamente os requisitos de memória e tempo de prova, torna possível rodar provas de verificação diretamente em dispositivos móveis ou locais, sem necessidade de hardware especializado (GPUs/TPUs dedicadas apenas para prova).
Privacidade e Confiança: Permite a verificação de inferências em ambientes adversariais ou centrados em privacidade, onde os dados e os modelos não podem ser expostos.
Aplicações Práticas: O trabalho abre caminho para casos de uso como "guardrails" criptográficos em comércio autônomo (agentic commerce) e memórias de IA sem confiança (trustless AI context), onde é necessário garantir que uma decisão foi tomada corretamente por um modelo específico sem revelar o modelo ou os dados.
Futuro: A arquitetura é projetada para evoluir, com planos de migração para esquemas de compromisso baseados em retículos (lattice-based) para segurança pós-quântica e suporte expandido a mais operadores ONNX.

Em resumo, o Jolt Atlas supera as limitações de escalabilidade do zkML tradicional ao alinhar a estrutura de prova com a natureza tensorial das redes neurais, oferecendo um equilíbrio prático entre velocidade, privacidade e consumo de recursos.