除了扩展和隐私外，ZK 还有哪些用例？

撰写：Raghav Agarwal

编译：深潮 TechFlow

扩容和隐私是目前 ZK 的两个最常见的用例，然而，ZK 有更大的潜力实现更多的创新用例。LongHash 研究员 Raghav Agarwal 盘点了加密领域采用 ZK 技术的前沿研究与应用。

ZK 在 web3 中的应用越来越普遍。目前，扩展性和隐私是 ZK 最常见的两种用例，但 ZK 还有很多潜力，并且可以实现更多创新的用例。有哪些新的 ZK 用例正在出现呢？

随机性： ZK 可以与 VDF（可验证的延迟函数）相结合，在区块链上实现完全安全的随机性。虽然 Ethereum 上有许多随机功能可用，但它们存在一些微妙的缺陷，如偏置性、活性、成本高昂、额外的信任假设等。Paradigm 开发了一个 ETH 原生的、与 VDF 兼容的随机性信标，由 RANDAO 和可插拔的块哈希预言机提供支持。

验证链外数据：Space and Time 允许数据仓库生成 SQL 查询执行的 SNARK 证明，以证明查询计算准确完成，并且查询和数据都是可验证的防篡改的。

对于数据库（DB）而言，在网络中不可能让每个单独的 DB 节点运行相同的查询一千次并达成共识。Proof of SQL 允许开发人员将事务性查询和可扩展分析的结果直接连接到他们的智能合约上。

DeFi 安全：ETH Denver 第一名项目 zkPoEX 使白帽黑客能够报告智能合约的实时漏洞，同时保持漏洞的机密性。

这可以使审计员安全地生成漏洞的 ZK 证明，而不会透露实际的漏洞。审计员可以证明他们知道一笔交易可在某些合约中产生不良状态的变化，而不透露漏洞的具体细节。

ZK 电子邮件验证： 由 Yush 和 Sampriti 在 PARC 开发的 ZK 电子邮件允许用户匿名验证电子邮件签名，同时掩盖他们想要的任何数据。它可以使用户使用他们的电子邮件来证明他们拥有某个 Twitter 账号。

Github 贡献证明：ZkRepo 允许用户创建一个证明，证明他们为某个 github repo 做出了贡献，而不透露他们是谁。DAO 可以使用它来奖励他们的 Github 贡献者，而贡献者也可以保持匿名。

存储证明：Herodotus 正在使用 ZK 构建存储证明技术，以实现以太坊区块链之间的同步跨层数据访问。开发人员可以使用它来构建合约，在 L2 上读取 L1 状态，在 L1 上读取 L2 状态，并能够同步读取 L2 状态。

位置验证：zkMaps 可用于验证用户是否在某个地理区域内，而不泄露其确切位置。 私人链上投票：Poseidon 构建的 DeFROST 实现了在 Nouns DAO 上的私人投票，可以直接使用多重签名投票，也支持委托投票。

ZK 支持的虚拟机：除了 Polygon、zkSync 等正在构建的 zkEVM，ZK 也可以用来构建其他虚拟机，如 zkWASM。zkWASM 可以让开发者用自己喜欢的语言编写 ZKP 应用，而用户可以在浏览器中运行它。

Wasm 是 W3C 工作组开发的网络浏览器标准，包括 Google、Meta、Intel、Microsoft 等。它的开发使得代码可以部署在任何浏览器中并获得相同的结果。现已被 Web2 技术巨头广泛采用。

Figma 采用 Wasm 将加载时间缩短 3 倍，Google Earth 采用 Wasm 以在 Chrome 以外的浏览器上启用 google earth，Adobe 在 2021 年在 Photoshop 的公测中使用了 Wasm 。

身份系统：数字身份是一个难以解决的问题。事实上，几乎所有身份系统都需要隐私，这使得 ZK 成为开发安全、私密身份系统并消除中心化参与者的不二选择。

zk 身份堆栈由三个主要层组成：发行方、状态和数据可用性层。一些利用 ZK 为其用户提供链上身份的知名团队包括 holonym、Outdid.io、zCloak Network、Worldcoin、zkPass 和 Sismo 等。

ZK 机器学习（ZKML）：ZKML 是一个越来越受到关注的研究领域。ML 信任问题正变得日益关键，随着 ML 应用的爆炸性增长。下面我将简要介绍一些正在运行的项目。

通常情况下，ML 模型使用的模型参数和输入是私有的，需要模型用户信任模型所有者。ML 模型本身通常是在大型数据集上运行的黑匣子，容易受到偏见和甚至歧视的影响。

ZKML 可以用于模型真实性、模型完整性、将来自外部验证方的证明整合到模型中、去中心化推理或培训等方面。

Zkonduit 构建的 ezkl 库允许任何人为使用 ONNX 导出的 ML 模型创建 ZK 证明。这使得任何 ML 工程师都可以创建其模型推理的 ZK 证明，并向任何验证者证明输出结果。

gensyn 正在建立一个去中心化的计算系统，用户可以输入公共数据，并由一个去中心化的节点网络来训练他们的模型，并验证训练的正确性。

Modulus Labs 对链上推理的不同证明系统进行了基准测试，并在 Starknet 上创建了一个使用 AI 进行决策的交易机器人。

这不是所有应用案例的详尽列表，只是试图记录一些应用程序以突出 ZK 的潜力。这些可以被用作新应用案例的灵感来源，进而让 Web3 向大规模采用更近一步。