创建电子书术语词条

零知识证明（Zero-Knowledge Proof, ZKP）

定义（一句话版）
你能向别人证明“我确实知道/拥有某件事”，但不泄露任何除“这是真的”之外的信息。对，连一丢丢细节都不暴露。

核心要点
- 三大性质：
  - 完备性：如果命题是真的、你也确实知道，老老实实按协议来，验证者就会被说服。
  - 可靠性（健全性）：如果命题是假的，装也装不出来，被抓个正着的概率很高。
  - 零知识性：验证者除了“命题为真”这个事实，啥新信息也学不到（理论上可用模拟器伪造出跟真实交互一样的 transcript）。

一个直觉例子
想象你会解一个数独，但不想把答案给别人。你把格子盖住，只让对方随机挑几处检查“行列宫都合法”。每次都能过检，验证者就会越来越确信“你真的有完整解”，但全程看不到解本身。这就是零知识的味道。

常见类型（只讲大方向）
- 交互式 ZKP：证明者和验证者多轮来回“挑战-回应”。
- 非交互式 ZKP（NIZK）：只发一个证明就行，通常用 Fiat–Shamir 变换把交互“折叠”成单条消息。
- 现代家族：zk-SNARKs（证明短、验证快，通常需要可信初始化），zk-STARKs（无需可信初始化，基于可验证计算和哈希，证明更大但更“透明”）。

它能做什么（为什么你会在意）
- 匿名身份与权限证明：证明“我已成年/有资格/有票”，但不暴露生日、姓名或票号。
- 区块链与隐私：证明交易有效、余额充足或合约规则被遵守，而不公开具体数额或细节；用于隐私币、匿名支付、链上 KYC。
- 可扩展性：把“我正确计算过”压缩成一个短证明，别人很快就能验证（典型如 zk-rollup）。
- 合规与审计：交易所的“储备证明”等，在不暴露明细的前提下让外部信服。

注意别踩坑
- 零知识不是“什么都不知道”，而是“除了真不透露别的”。
- 它不是把数据加密那么简单；是证明“语句为真”的协议。
- 不同方案的安全假设不同；有的需要可信初始化参数，工程上很讲究生成与托管流程。
- 证明很短、验证很快这件事，不同技术族谱实现程度不一样，别一概而论。

一句话带走
零知识证明：让我证明“我知道”，但绝不告诉你“我知道的是什么”。

Tone consistency

- What it is: The steady, intentional “vibe” of your writing—the emotional feel, level of formality, and voice—staying the same from start to finish so readers always feel they’re hearing the same narrator.
- Why it matters: It builds trust, makes the book feel cohesive, and keeps readers from tripping over mood swings (playful one page, courtroom formal the next).
- How to keep it: Define your tone pillars (e.g., friendly, candid, lightly witty), use a simple style sheet (contractions yes, jargon no, humor light), and do a “tone pass” in edits to catch drift.
- Red flags: Abrupt shifts in formality, slang popping up then disappearing, humor in serious sections (or vice versa), switching between stiff and chatty without a reason.
- Quick check: If a random paragraph were dropped on a page with no context, would a regular reader still recognize it as you? If yes, your tone’s consistent.

Gradiente que se desvanece (vanishing gradient):  
Fenómeno durante la retropropagación en redes neuronales profundas donde los gradientes se vuelven muy pequeños (se acercan a 0) a medida que viajan hacia atrás por muchas capas o pasos de tiempo. En términos prácticos, las capas “tempranas” casi no aprenden porque sus pesos apenas se actualizan. Sucede cuando el gradiente se multiplica repetidamente por matrices de pesos y derivadas de activación con valores menores que 1 (por ejemplo, sigmoide con derivada máxima ~0.25, tanh <1, o pesos mal inicializados), lo que contrae la señal de forma exponencial. Es especialmente notorio en redes muy profundas y en RNNs largas. Consecuencias: aprendizaje lentísimo, pérdida que deja de bajar y mejoras concentradas solo cerca de la salida. Para mitigarlo: usar activaciones tipo ReLU y variantes, buenas inicializaciones (He/Xavier), normalización (Batch/Layer/Weight Norm), conexiones residuales (skip), y en secuencias, arquitecturas con compuertas como LSTM/GRU. Nota rápida: el “gradient clipping” ayuda más con gradientes explosivos; no arregla el desvanecimiento.