虽然在理论上，使用零知识证明对整个 AI 模型进行完全验证听起来令人印象深刻，但实际上，这被证明非常缓慢、资源密集且难以部署。当每个组件都必须一起证明时，性能会遭受巨大的打击。

这正是@inference_labs的做法转向选择性信任而不是全有或全无的验证策略的原因。只有模型中真正关键的部分经过加密证明，而其他部分则以全速运行。

这使得可验证的人工智能在现实世界应用中变得可行。高风险决策获得了牢不可破的安全性，日常推理保持快速，模型隐私得以保护。这是真正向大规模部署零知识（ZK）驱动的智能迈出了一大步，远远超出了理论概念。

这个愿景与Inference Labs专注于高效、实用的ZKML和模块化验证系统完美契合，而不是强迫在各个领域进行详尽的证明。