AxBlade：面向AI智能体经济的身份、可信执行与责任基础设施
白皮书 v0.1 | 2026年4月
"Sharp enough to act. Trusted enough to be accountable." 锋利如刃，链生可信。
目录
摘要
AI不再只是生成工具。它正在成为系统参与者——处理多模态输入、调用工具、连接设备、与其他智能体协作，并在真实世界中触发结果。至2030年，全球AI Agent市场规模预计将达到526.2亿美元（CAGR 46.3%），机器人市场将超过2,055亿美元。每天将有数十亿次自主AI决策影响人类的生命、财产和权利——然而，目前尚无统一的基础设施来验证这些决策、追溯其来源或追究AI系统的责任。
AxBlade是面向AI智能体经济的身份、可信执行与责任基础设施。基于专用ZK Rollup Layer 2链，通过区块链原生的行为记录、零知识证明和以太坊AI Agent身份标准（ERC-8004），确保每一次AI决策有据可查、每一份AI数据有主可依、每一个AI实体有责可追。
平台构建三条并行的基础设施主线，合规能力原生内嵌于三者之中：
身份与责任基础设施 — 为人类用户、AI智能体、模型与设备建立统一的身份、授权与责任框架
ZK Proof of Decision与数据权属基础设施 — 隐私保护的AI行为可验证记录机制，在不暴露原始数据的前提下实现审计追踪、数据确权与合规证明
预言机与可信数据基础设施 — 为多模态AI系统提供高质量、可验证、可溯源的数据输入层
合规原生层 — 合规不是补丁，它从设计之初就内嵌于身份、执行、数据与责任之中
AxBlade通过两个核心协议（Proof of Behavior 和 Proof of Decision）、一个全生命周期产品（AI行为操作系统）以及一个信誉评估框架（AI征信系统），构建AI智能体经济的治理基础设施层。
一、引言：AI问责危机
1.1 验证鸿沟
我们正处于一个历史性拐点：AI的决策能力已经远超其决策可验证性。这一"验证鸿沟"正在成为AI大规模采用的最大制度性障碍。
过程
可询问、可质证
黑箱、不透明
极大
证据链
文件、会议记录、签名
模型权重、激活值、概率分布
根本不同
责任归属
明确的决策者
开发者？运营者？模型本身？
模糊
事后审计
可回溯、可重现
模型更新后无法重现
严重缺失
法律效力
完善的证据法体系
几乎空白
亟待建设
防篡改性
物理证据难以伪造
日志可删除、模型可替换
高风险
1.2 失控的代价
真实世界中的AI安全事故正在加速爆发。AI事故数据库在2025年11月至2026年1月间新增108起事件。麦肯锡报告显示，64%营收超10亿美元的企业因AI系统故障遭受超过100万美元的损失。
Tesla Model 3 FSD突然偏离道路撞树
2025.03
自动驾驶
人身伤害
Waymo召回1,200+辆Robotaxi（NHTSA调查7起碰撞）
2025.05
自动驾驶
大规模召回
美国自动驾驶月度事故达112起历史新高
2025.11
自动驾驶
行业信任危机
律师使用AI生成虚假判例提交法庭
2025.04
AI Agent
司法公信力
AWS AI编程助手Kiro"删除并重建"生产环境致13小时宕机
2025.12
AI Agent
基础设施中断
Waymo自动驾驶汽车在圣莫妮卡学校附近撞伤儿童
2026.01
自动驾驶
AI Incident Database #1361
1.3 监管加速
全球各国政府正以日益严格的AI治理要求回应这一危机：
EU AI Act — 全面生效
2026年8月
所有高风险AI系统必须可审计；最高罚款3,500万欧元或全球营收7%
中国《网络安全法》修正案
2026年1月
AI首次明确纳入法律；罚款上限5,000万元或年营收5%
中国AI安全治理框架V2.0
2025年9月
明确要求AI系统行为可审计
美国白宫AI行政令
2025年12月
统一的联邦AI政策框架
OWASP Agentic AI Top 10
2026
首个针对自主AI Agent的风险分类
联合国全球自动驾驶安全法规
2026年6月
全球统一的自动驾驶安全标准
法国自动驾驶黑匣子强制令
2025
所有自动驾驶汽车必须配备行为记录器
1.4 拆解AI决策链：问题出在哪？
要理解问责危机的根源，需要先理解AI Agent的决策是如何发生的。所有AI Agent——无论是自动驾驶系统、手术机器人还是DeFi交易Bot——其决策都由三个上游驱动：
这条决策链的每一个环节，都存在验证盲区——而这些盲区正是AI失控的根源：
数据输入
数据上链前是否被篡改？来源是否可信？
虚假价格注入 → AI交易Bot瞬间爆仓
Prompt/指令
谁下达的指令？Agent身份如何确认？
Prompt注入攻击 → Agent执行恶意操作
大模型推理
模型内部发生了什么？决策能否独立验证？
模型被静默替换 → 决策逻辑变化无人察觉
输出/行动
执行结果是否合规？是否越权？
AI招聘工具 → 产生系统性歧视
由此，自然推导出每个AI都必须回答的四个问题——每个问题对应决策链的一个验证盲区：
Prompt/指令 →
谁在行动，谁来负责？
身份问题
大模型推理 →
发生了什么，如何验证？
证据问题
数据输入 →
数据是否可信？
预言机问题
输出/行动 →
执行是否合规？
合规问题
现实已经到来
这不是未来的假设。今天，AI智能体正在通过x402协议自主完成跨服务支付，通过A2A协议与其他智能体实时协作，通过MCP调用外部工具与数据源。
AI不再只是回答问题——它在花钱、在签约、在触发真实结果。
但当一笔智能体发起的交易出错，当两个AI之间的协作产生争议，当模型调用了不该调用的数据——没有人知道谁授权了它，没有人能证明发生了什么，没有人能追究责任。
没有这套基础设施，AI就无法真正进入最重要的系统。AxBlade的构建，正是为了在AI决策链的每一个环节植入可验证性——从数据输入到最终行动，全链路可追溯、可证明、可归责。
二、愿景与使命
2.1 使命宣言
通过区块链与零知识证明技术，为AI构建一个公开、可审计、隐私保护、合规原生的数字环境——确保每一次AI决策都有据可查，每一份AI数据都有主可依，每一个AI实体都有责可追。
2.2 愿景
AI的未来不是孤立的单机智能，而是由AI智能体、人类用户、数据源、设备与外部系统共同构成的网络化智能协作体系。这个网络无法仅凭模型能力运转。它需要秩序——身份、边界、记录、可信数据与责任机制。AxBlade正在构建这套秩序。
2.3 核心定位
AxBlade不是一家AI公司。AxBlade是AI智能体经济的身份、可信执行与责任基础设施——类比于HTTPS之于互联网安全，SWIFT之于金融交易，FAA黑匣子制度之于航空安全。
在高责任、高价值的场景中，问题从来不只是"AI是否足够强大？"而是：
它能被识别吗？能被授权吗？能被验证吗？能被审计吗？能被追责吗？ 它能在保护隐私的同时参与协作吗？ 它能在规则与边界内运行，并且可以被证明吗？
30秒Pitch：
AI智能体正在通过x402自主支付、通过A2A实时协作、通过MCP调用外部工具——AI不再只是回答问题，它在花钱、在签约、在触发真实结果。但当AI犯错，没有人知道谁授权了它，没有人能证明发生了什么，没有人能追究责任。AxBlade构建面向AI智能体经济的身份、可信执行与责任基础设施——基于专用ZK Rollup Layer 2链，在共识层原生集成AI身份、行为记录和零知识合规验证，确保每一次AI决策有据可查、每一份AI数据有主可依、每一个AI实体有责可追。
2.4 战略叙事层级
AxBlade的叙事体系分为四个层级，从品牌到协议：
三、AxBlade架构
3.1 三大基础设施支柱
AxBlade构建三条并行的基础设施主线——合规能力原生内嵌于三者之中，共同回答AI决策链上的四个基本问题：
支柱一：身份与责任基础设施
回答的问题： 谁在行动，谁来负责？
为人类用户、AI智能体、模型与设备建立统一的身份、授权与责任框架。明确谁在行动、被授权做什么、以及由谁为结果负责。每一个身份跨部署、跨版本、跨组织持久存在——形成永久的、可移植的问责锚点。
AxBlade L2在共识层内置4个身份系统合约（0x8017-0x801A），采用did:ethr:axblade标识符方案，构成完整的去中心化身份基础设施：
DIDRegistry (0x8017)
为每个AI/设备提供唯一链上身份
did:ethr:axblade标识符 + N-of-M社会恢复
CredentialRegistry (0x8018)
可验证凭证生命周期管理
VC发行、验证、撤销
IdentityVerifier (0x8019)
ZK proof分发与合规查询
Groth16验证 + 选择性披露 + 信用评分集成
EnterpriseIAM (0x801A)
企业组织、角色、权限管理
权限位图 + 组织结构树
ERC-8004集成
与以太坊AI Agent身份标准（45,000+注册Agent）互操作
L2适配层 + L1Messenger双向同步
版本谱系
追踪AI模型的版本演进
模型哈希与DID绑定
设备DID扩展
物理设备指纹识别与绑定
IoT/机器人扩展协议
支柱二：ZK Proof of Decision与数据权属基础设施
回答的问题： 发生了什么，如何在保护隐私的前提下被验证？
隐私保护的AI行为可验证记录机制。在不暴露原始数据的前提下，实现审计追踪、数据确权与合规证明——为AI时代提供可验证的行为记录层。
行为哈希生成
将行为数据压缩为可验证指纹
SHA-256 + 时序指纹算法
Merkle Tree聚合
将1,024个行为哈希批量聚合为单一根
稀疏Merkle Tree
ZK证明生成
证明行为合规而不暴露原始数据
PLONK/FFLONK（行为证明）+ Groth16（身份验证）
链上锚定
在AxBlade L2上实现不可篡改的证据存储
ZK Rollup L2（Type 2.5 zkEVM）+ L1锚定
离链存储
加密原始数据存储，按需检索
IPFS + 加密分片
支柱三：预言机与可信数据基础设施
回答的问题： AI所依赖的数据，是否可信、优质、可溯源？
为多模态AI系统提供高质量、可验证、可溯源的数据输入层。确保AI决策建立在可信基础上，而非污染或不可验证的输入之上。AxBlade通过两层预言机架构解决这一问题。
物理世界数据管道（TEE安全管道）：
边缘TEE节点
设备层级的安全数据处理
Intel SGX / ARM TrustZone / AMD SEV
TEE远程证明
硬件级计算完整性证明
远程证明协议
多传感器交叉验证
跨传感器模态的冗余验证
LiDAR + 视觉 + IMU交叉引用
群体预言机（未来）
拜占庭容错的群组验证
多机器人共识
链上原生Oracle（OracleHub系统合约 0x8016）：
OracleHub
多源价格聚合，偏差检测
Sequencer在batch开头自动注入合成L2交易
双数据源
防止单一数据源故障/操纵
CoinGecko + Binance双源聚合
紧急暂停
异常价格自动熔断
偏差检测 + Operator最小权限
两层预言机架构形成互补：TEE安全管道解决物理AI数据上链前的可信性问题，OracleHub系统合约为链上AI行为的金融语境提供实时可信价格基准。
3.2 合规原生设计
合规不是补丁。它从设计之初就内嵌于身份、执行、数据与责任之中——让每一个AI系统天然具备可治理能力：
监管覆盖范围：
欧盟
AI Act（2026.08全面生效）
BehaviorSpec模板覆盖所有高风险要求
欧盟
GDPR
链上仅存储哈希；原始数据可删除
中国
《网络安全法》修正案（2026.01）
联盟链部署；数据本地化
中国
AI安全治理框架V2.0
行为可审计模块
美国
伊利诺伊AI招聘偏见法（2026.01）
反歧视验证证明
美国
科罗拉多AI法（2026.06）
算法公平性监控
全球
UNECE DSSAD
自动驾驶行为记录标准兼容
四、核心协议
4.1 Proof of Behavior (PoB)
Proof of Behavior是AxBlade的基础协议——类比Proof of Work或Proof of Stake，但证明的是AI的行为合规性，而非计算工作量或经济质押。
协议组件
行为哈希（Behavior Hash）
行为数据的加密哈希，包含时间戳、设备ID、行为类型、参数和结果
TEE证明（TEE Attestation）
由可信执行环境生成的硬件级证明，确保行为数据完整性
ZK证明（ZK Proof）
零知识证明，证明行为符合规范而不泄露原始数据
Merkle Root
批量行为哈希的聚合根，用于链上锚定
验证者签名（Validator Signature）
验证节点的密码学确认
协议流程
物理-数字统一框架
PoB使用适配器模块统一物理和数字AI的行为记录：
4.2 Proof of Decision (PoD)
Proof of Decision将PoB从行为级记录扩展到决策级溯源。PoB回答"AI做了什么？"，PoD回答"AI为什么这样决定？"
决策收据（Decision Receipt）
决策收据是PoD的核心原语——一个结构化的、不可篡改的、密码学签名的数据对象，记录完整的AI决策上下文。
四步决策溯源链
1. 输入快照
在接收瞬间捕获所有输入
输入字段的Merkle树；图像使用感知哈希
2. 推理日志
记录和证明计算过程
TEE证明或zkML证明；CoT哈希作为辅助参考
3. 输出签名
在决策生成后立即进行密码学签名
ERC-8004密钥对 + TEE硬件证明 + 时间戳
4. 结果验证
将实际结果与预期结果进行比对
即时验证、延迟验证、对比验证、统计验证
为何选择可验证性而非可解释性
Anthropic对齐科学团队的研究（2025年4月）揭示，AI的Chain-of-Thought输出是"脆弱的"——模型仅在25-39%的情况下忠实报告其实际推理过程，在不到2%的CoT输出中承认利用性行为。
CoT自我报告
低（25-39%忠实）
仅作辅助参考，不作主要证据
输出一致性检查
中等
结合输入快照进行因果验证
机械可解释性
高但有限
长期研究路线
密码学推理证明
高
主要方案：zkML证明
硬件环境证明
高
主要方案：TEE远程证明
PoD的理论立场： 我们不依赖AI"告诉我们它在想什么"，而是通过密码学和硬件手段独立证明AI"做了什么"——这是从"可解释性"（Explainability）到**"可验证性"（Verifiability）**的范式转变。
跨Agent决策链
在多智能体系统中，PoD通过决策链追踪跨Agent的决策因果关系：
每个Agent独立签署其收据。责任可精确分割。通过比对相邻收据即可定位异常。
五、AI行为操作系统
5.1 概念
AI行为操作系统是AxBlade的核心产品——面向所有AI系统（物理设备+数字Agent）的行为全生命周期管理平台。它不是被动的"黑匣子"记录器，而是一套主动的行为管理操作系统。
核心叙事： Every AI needs an operating system for its behavior（每个AI都需要一个行为操作系统）
就像Android/iOS定义了移动设备的行为规范和应用边界，AI行为操作系统定义AI系统的行为规范、监控机制和审计接口。我们不控制AI做什么，但确保：
每个AI行为有定义（BehaviorSpec DSL）
每个AI行为被监控（实时多模态感知）
每个AI行为有证据（PoB链上证明）
每个AI行为可分析（模式识别+异常检测）
每个AI行为可纠偏（自动化策略执行）
5.2 五层架构
第一层：行为定义层
使用BehaviorSpec DSL声明式定义AI允许和禁止的行为：
第二层：行为监控层
多模态采集器
采集传感器、日志和API调用数据
延迟 <10ms，丢包率 <0.01%
边缘TEE节点
在设备端安全处理敏感行为数据
Intel SGX / ARM TrustZone
实时流处理器
行为数据流分析
吞吐量 >100K events/s
行为指纹生成器
将行为数据压缩为哈希
SHA-256 + 时序指纹
健康探针
监控AI系统自身健康状态
1秒心跳，超时告警
第三层：行为记录层
链上证据层，实现Proof of Behavior协议。行为哈希被聚合为Merkle Tree（每批次1,024个），仅Merkle Root提交至AxBlade L2（ZK Rollup）。原始数据通过IPFS加密分片存储在链下。L2状态变更最终通过ZK证明锚定至以太坊主网，继承以太坊安全保障。
第四层：行为分析层
行为模式识别
时序聚类 + 图神经网络
异常检测引擎
Isolation Forest + Transformer
预测性分析
LSTM + 因果推理模型
合规评分系统
多维评分矩阵（0-100分）
行为报告生成
模板引擎 + NLG
第五层：行为执行层
策略引擎
规则引擎 + RL优化
自动纠偏
软纠偏（建议）/ 硬纠偏（强制）
权限调整
渐进式权限升降级
熔断器
三级熔断：警告 → 限制 → 停止
通知中心
多通道推送（API/Webhook/邮件）
5.3 多模态行为采集
运动
位置、速度、加速度、轨迹
IMU + GPS + 编码器
自动驾驶、机器人
视觉
注视点、目标检测、场景理解
摄像头 + 视觉模型
手术机器人、安防
力觉
接触力、扭矩、压力
力传感器
手术机器人、工业机器人
语言
对话内容、指令解析、响应生成
NLP管道
AI Agent、AI客服
决策
推理链、策略选择、参数调整
模型内省 + API Hook
金融AI、AI Agent
网络
API调用、数据访问、网络通信
网络探针 + 日志
数字AI系统
能量
功率、电流、温度
电气传感器
物理设备
社交
交互频率、协作模式
通信日志
多Agent系统
六、AI征信系统
6.1 愿景：AI的FICO
人类社会用了近百年建立起信用基础设施——从Equifax（1899年）到FICO评分（1956年）再到中国芝麻信用（2015年）。其核心逻辑是：在信息不对称的世界里，通过可量化、可验证的历史行为记录，降低信任成本。
AI正处于一个平行的历史性拐点。当一个AI Agent必须完成任务——驾驶汽车、诊断疾病、执行交易、操控机器人——谁来证明它"值得信赖"？凭什么？有什么证据？
人类有FICO。AI，什么都没有。直到现在。
6.2 五维评分模型（CSDRT）
AI信用不是单一数字，而是一个跨五个维度的多维行为画像：
能力（C）
25%
任务成功率、基准评分、能力边界、版本进化
基准测试、生产环境日志、A/B测试
安全（S）
30%
事故次数、漏洞记录、攻击韧性、红队测试结果
事故报告、安全审计、渗透测试
合规（R）
20%
法规遵从度、数据处理合规、认证状态、审计通过率
监管报告、第三方审计、认证机构
可靠性（D）
15%
运行时间、故障频率、一致性、SLA达成率
运行日志、性能监控、用户反馈
透明度（T）
10%
可解释性、数据溯源、决策可审计性、文档完整度
Model Card、源码审计、数据血缘
信用等级映射：
AAA
900-1000
750-850
卓越：可用于关键任务、高风险场景
AA
800-899
700-749
优秀：适用于大多数商业场景
A
700-799
650-699
良好：标准商业使用，需定期监控
BBB
600-699
600-649
一般：限制性使用，需增强监控
BB
500-599
550-599
较差：仅限低风险场景，需整改
B
400-499
500-549
差：不建议商业使用
CCC及以下
<400
<500
极差：应禁止部署
6.3 评分引擎架构
关键设计决策：
时间衰减
指数衰减，半衰期6个月
AI迭代快，旧版本行为参考价值递减
版本继承
新版本继承50%旧版本信用
防止通过频繁换版本"洗白"不良记录
场景权重
高风险场景权重×3
医疗/驾驶的一次事故远比客服失误严重
负面事件
惩罚系数2-5×
安全事故的影响远大于正常运行的积累
冷启动
基于基准测试的初始评分
解决新Agent没有历史数据的问题
申诉机制
链上申诉 + 仲裁委员会
类比人类征信的争议解决流程
6.4 ZK信用证明
核心创新：零知识信用证明允许AI系统证明其信用超过某一阈值，无需暴露实际分数或底层数据。
使用场景： 某AI手术助手需要证明其安全评分达到医院部署的最低标准（安全评分 ≥ 800），但无需披露完整的信用历史、事故详情或专有训练数据。
6.5 应用场景
消费者购买前查信用
"AI的Carfax"——购买自动驾驶汽车前查询AI信用
$10-25亿（仅AV细分）
企业部署评估
企业级AI Copilot/Agent部署前的信用评估
$200亿（企业AI支出1%）
保险定价
AI信用数据作为机器人/AI保险精算基础
2034年$750亿（AI保险市场）
DeFi Bot验证
AI交易Bot的链上信用徽章
DeFi TVL $1,500亿+
医疗AI评估
医院基于AI诊断系统信用做采购决策
$50-100亿
Agent-to-Agent信任
多Agent系统中的自动化信任建立
核心基础设施需求
监管合规
持续合规监控与自动化审计报告
2027年$50亿+
政府采购
AI信用报告作为公共招标的强制评估标准
$500亿+政府AI采购
七、技术架构
7.1 AxBlade L2 — 基于ZK Rollup的AI治理链
AxBlade运行在专门面向AI治理场景构建的以太坊ZK Rollup Layer 2上。底层引擎基于经过主网实战验证的开源ZK Rollup实现（Apache 2.0许可），在此基础上进行AI治理基础设施的差异化定制扩展。
选择ZK Rollup而非Optimistic Rollup的理由： ZK Rollup通过零知识证明在数学层面保证状态转换正确性，提供1-24小时硬最终性（vs Optimistic Rollup的7天挑战期），天然匹配AI行为记录对不可篡改和快速确认的要求。
核心技术指标
架构类型
ZK Rollup（Type 2.5 zkEVM）
高度EVM兼容，仅修改少量Gas计量操作码
证明系统
PLONK / FFLONK
证明小、验证快、通用性强
Chain ID
271
—
EVM兼容
99%+
支持Solidity 0.8+智能合约无缝迁移
TPS
10,000（第一阶段）
满足大规模行为记录需求
交易成本
~$0.0001/tx
通过Merkle Tree批量聚合降低每行为成本
软最终性
1-2秒
Sequencer确认
硬最终性
1-24小时
L1 ZK证明验证后
数据可用性
On-chain DA（以太坊）
继承以太坊数据可用性保障
系统合约
5个自定义 + 40个原生
AI治理原生基础设施
测试覆盖
521个测试（Solidity + Rust + SDK + circom）
多层级测试保障
架构定制：零耦合扩展
AxBlade L2的差异化不在底层ZK引擎本身，而在共识层原生集成的AI治理基础设施。自定义模块以Sidecar模式运行，不修改底层引擎核心逻辑，降低升级冲突风险。
共识层定制：
State Keeper
Oracle价格自动注入
Operator TX模式（batch开头注入合成L2交易）
Bootloader
系统合约地址注册
5个自定义地址 0x8016-0x801A
Wiring Layer
价格聚合服务
CoinGecko + Binance双源 + PriceAggregator
Wiring Layer
信用评分服务
CreditScoreService + 5因子加权评分
Wiring Layer
桥监控服务
SettlementMonitor + LP自动结算
五大原生系统合约
在原有40个系统合约基础上新增5个AI治理专用合约，DApp无需额外部署即可调用：
0x8016
OracleHub
多源价格聚合、偏差检测、Operator权限控制、紧急暂停
可信数据基础设施
0x8017
DIDRegistry
did:ethr:axblade身份标识、委托管理、N-of-M社会恢复
身份与问责基础设施
0x8018
CredentialRegistry
可验证凭证（VC）生命周期管理：发行、验证、撤销
行为凭证管理
0x8019
IdentityVerifier
ZK proof验证、合规查询、选择性披露、信用评分集成
隐私保护合规验证
0x801A
EnterpriseIAM
企业组织结构、角色管理、权限位图
企业级访问控制
原生Oracle — 零成本实时喂价：
延迟
<100ms
5-30s
400ms
成本
$0.001
$10-50
$0.01
集成方式
原生view call
需部署消费合约
需拉取交易
OracleHub作为系统合约运行在L2内核，Sequencer在每个batch开头自动注入价格。DApp调用getLatestPrice()如同读取一个storage slot，零Gas开销。
LP快速桥 — 一小时到账：
ZK Rollup的通病是提款慢（等proof上链1-24h）。AxBlade L2内置FastWithdrawalPoolV2：LP在L1即时垫付，用户不到一小时拿到资产；proof上链后，合约使用原生Merkle proof做无信任结算，LP自动拿回本金。无需信任第三方，任何人可提交proof触发结算。
架构全景
与主流L2的定位区分
类型
ZK Rollup
ZK Rollup
Optimistic
Optimistic
原生Oracle
✅
❌
❌
❌
原生DID
✅
❌
❌
❌
LP快速桥
✅
❌
❌
❌
AI行为记录
✅ 内置
❌
❌
❌
提款时间
<1h（快速）
1-24h
7天
7天
Oracle成本
$0.001
需第三方
需第三方
需第三方
企业合规
ZK KYC
❌
❌
❌
定位
AI治理 + 机构
通用
通用
消费级
7.2 TEE + ZK混合架构
AxBlade的安全模型将硬件信任（TEE）与数学信任（ZK）结合在纵深防御架构中：
数据采集
在Enclave内安全采集原始数据
—
可信数据源
数据处理
在Enclave内进行行为分析
—
过程不可观测、不可篡改
证明生成
生成TEE远程证明
生成行为合规ZK证明
双重证明
链上验证
证明验证（轻量）
ZK证明验证（链上）
完全可验证性
隐私保护
运行时数据保护
验证时数据保护
全管道隐私
为什么选择混合架构？
纯TEE
高性能、实时性好
依赖硬件信任根（Intel ME历史漏洞）
边缘实时处理
纯ZK
数学级安全、无需硬件信任
证明生成慢；大模型不可行
链上验证
TEE+ZK混合
平衡性能与安全
架构复杂度较高
全场景覆盖
降级保障： 如果TEE被攻破，ZK证明仍具数学有效性。如果ZK证明生成过慢无法满足某场景要求，TEE证明提供过渡期覆盖。
ZK身份电路
AxBlade L2内置6种Groth16 ZK电路（Baby Jubjub曲线EdDSA签名），每种对应一个独立Verifier合约部署在L2上：
KYCComplianceProof
0
~7,800
KYC合规验证——证明"已通过KYC"而不泄露个人信息
CreditScoreProof
1
~7,800
信用评分证明——证明"信用 ≥ 阈值"而不泄露具体分数
EnterpriseIdentityProof