近年来，人工智能与密码学的交叉领域屡屡涌现突破性成果。继此前AI在哈希函数碰撞搜索中展现惊人效率后，研究人员再次将目光投向零知识证明（ZK）领域。近日，一支由密码学家、机器学习专家组成的联合团队宣布，在其对开源零知识虚拟机OpenVM的ZkVM进行深度分析时，AI系统意外发现了一种此前未被察觉的电路优化空间，有望将ZK证明生成速度提升约30%。这一发现再次印证了AI在底层密码学工程中“辅助人类直觉”的巨大潜力。
背景：当AI遇上ZK
OpenVM是一个致力于构建开放、模块化零知识证明栈的开源项目，其核心组件ZkVM（零知识虚拟机）能够将任意程序执行转化为可验证的电路约束，从而在不泄露执行细节的前提下证明计算正确性。然而，ZK证明的生成过程往往面临高昂的计算开销——电路规模越大，证明运算越繁重。传统优化依赖于工程师对电路结构的手工分析，过程耗时且易遗漏模式。
此次研究的起点并非专门针对OpenVM。团队使用了一套基于图神经网络和强化学习的AI系统，其设计初衷是自动识别任意算术电路中的冗余约束与可合并子电路。当研究人员将经过编译的OpenVM ZkVM电路作为输入时，AI在数小时内便输出了一份异常报告。
AI发现了什么？
核心发现集中在一个被称为“递归折叠中间状态”的电路区域。OpenVM ZkVM在实现递归证明组合时，采用了一种经典的多层状态保留机制。AI指出，其中用于维护各层状态哈希一致性的部分约束存在“结构对称可压缩性”：按照传统手工分解，这些约束被拆分为若干独立子电路；但AI通过模式匹配发现，这些子电路之间的加法和乘法门实际上可以重排为一种“带反馈的并行累加器”结构，从而将原本所需的约2400个门减少至约1800个。
“人类工程师在手工设计时，会倾向于将逻辑单元拆解到‘最易理解’的粒度，以保证可调试性。”团队首席密码学家在媒体说明会上解释，“但AI没有认知惯性，它能直接搜索最小代价的拓扑排列。”更令人惊讶的是，AI还建议修改某一类随机挑战数的生成顺序，使得后续FRI协议中的多项式求值间隔发生偏差，进而减少一个轮次的查询——这在传统安全分析中被认为不可行，但AI通过大量模拟证实，修改后的参数仍在128位安全强度内。
技术细节与验证
为了验证这些发现的真实性，团队手工检查了AI重构后的电路，并使用Plonky2证明系统原型进行测试。结果表明，在Intel Xeon 8383 CPU单核上，证明时间从原来的平均4.7秒降低至3.3秒，证明体积未显著增大，验证时间几乎不变。更重要的是，安全性分析未发现任何数值脆弱性或信息泄漏风险。
不过，该项目并非没有争议。一些密码学社区成员指出，AI所谓的“发现”本质上是将人类已有优化技巧重新组合，并无真正的新数学原理。支持者则反驳：正是这种“重新组合”能力能够覆盖人类难以手动探索的广阔设计空间，尤其当电路规模达到数亿门时，AI的全局搜索优势无可替代。
行业影响与展望
这一成果迅速引发了行业关注。多家ZK硬件加速初创公司表示，将考虑在编译器后端集成类似AI辅助优化模块。此外，OpenVM项目方已经宣布将采纳其中一部分建议并入主分支，并奖励团队约5万美元的赏金。
从更长远的视角看，这起事件标志着AI从“辅助分析”向“协同设计”的过渡。传统上，密码学协议的设计与优化高度依赖领域专家的直觉；而如今，AI正在成为“第三只眼睛”，帮助设计者看到那些被思维定式遮蔽的角落。下一步，研究者计划将AI系统泛化至更多不同的ZkVM架构（如RISC Zero、zkMIPS），并探索能否让AI直接生成电路级“证明友好”的程序片段。
在密码学这个追求绝对严谨的领域，AI带来的“不太严谨但有奇效”的优化，或许正是未来性能跃升的关键钥匙。当然，任何由AI提供的修改在正式部署前都必须经过严格的形式化验证——正如OpenVM团队所做的那样——但不可否认的是，机器与人类智慧的互补，正在开启一扇新的大门。