ما هي الخصوصية في الكريبتو والذكاء الاصطناعي

ملاحظة: هذا المستند هو ترجمة آلية للنسخة الإنجليزية الأصلية.

ما هي الخصوصية في الكريبتو والذكاء الاصطناعي

الخصوصية في سياق الكريبتو والذكاء الاصطناعي تشير إلى القدرة على معالجة البيانات وتخزينها ونقلها دون كشفها لأطراف غير مصرّح لها. في الأنظمة اللامركزية، تمثّل الخصوصية تحديًا خاصًا لأن سلاسل الكتل شفافة بحكم تصميمها — فالمعاملات وحالات العقود الذكية والبيانات على السلسلة مرئية للعامة. تتيح التقنيات الحافظة للخصوصية إجراء الحسابات على بيانات حساسة (بما في ذلك مدخلات نماذج الذكاء الاصطناعي ومخرجاتها وأوزانها) مع إبقاء تلك البيانات سرية.

باختصار: الخصوصية في كريبتو الذكاء الاصطناعي تعني تشغيل الحسابات على البيانات دون كشف البيانات نفسها. إنها تجمع بين تقنيات تشفيرية وأخرى قائمة على العتاد لحماية مدخلات النماذج ومخرجاتها ومعلماتها في البيئات اللامركزية.

لماذا تهمّ الخصوصية في الذكاء الاصطناعي اللامركزي

في الذكاء الاصطناعي المركزي، تُعالَج الخصوصية عبر ضوابط الوصول والعقود والثقة في مزوّد الخدمة. يثق المستخدمون بأن الشركة التي تشغّل النموذج لن تسيء استخدام بياناتهم. أما في الذكاء الاصطناعي اللامركزي فلا يوجد طرف موثوق واحد. فقد يكون مزوّدو الحوسبة والمدقّقون وسائر المشاركين في الشبكة مجهولين وغير موثوقين. وهذا يخلق عدة تحديات للخصوصية:

• خصوصية المدخلات. المستخدم الذي يقدّم سجلًا طبيًا أو بيانات مالية أو استعلامًا شخصيًا إلى نموذج ذكاء اصطناعي لامركزي لا يريد أن يرى مزوّد الحوسبة المدخل الخام.
• خصوصية المخرجات. في بعض السيناريوهات، تكون نتيجة حساب الذكاء الاصطناعي نفسها حساسة — درجة مخاطرة، أو تشخيص، أو إشارة تداول لا يريد طالبها الكشف عنها.
• خصوصية النموذج. تمثّل أوزان نماذج الذكاء الاصطناعي ملكية فكرية مهمة. فقد لا يرغب مالك النموذج الذي يستخدم شبكة حوسبة لامركزية في أن يرى مزوّد الحوسبة النموذج أو ينسخه.
• خصوصية بيانات التدريب. يجب على النماذج المدرَّبة على بيانات مملوكة أو شخصية حماية تلك البيانات، أثناء التدريب وأثناء النشر على حد سواء (بمنع استخراجها عبر استعلامات عدائية).

من دون آليات حافظة للخصوصية، يواجه الذكاء الاصطناعي اللامركزي توترًا جوهريًا: فالنظام مصمَّم ليكون عديم الثقة (trustless)، لكن على المشاركين مع ذلك أن يثقوا ببعضهم ألا يطّلعوا على البيانات المتدفقة عبر الشبكة.

كيف تتحقق الخصوصية

تستخدم الحوسبة الحافظة للخصوصية في كريبتو الذكاء الاصطناعي عدة مقاربات، غالبًا بالاشتراك فيما بينها:

براهين المعرفة الصفرية (ZK)

تتيح براهين المعرفة الصفرية لطرف أن يثبت صحة عبارة من دون كشف أي معلومات تتجاوز صحة العبارة ذاتها. في تطبيقات الذكاء الاصطناعي، يمكن لـ ZK أن تثبت أن استدلال نموذج جرى حسابه بشكل صحيح من دون كشف أوزان النموذج أو بيانات المدخلات. توفّر هذه المقاربة ضمانًا تشفيريًا رياضيًا (عديم الثقة) لكنها تأتي مع عبء حسابي كبير، خاصة لنماذج الذكاء الاصطناعي المعقّدة. راجع الصفحة المخصّصة عن ZK لمعرفة تفاصيل zk-SNARKs وzk-STARKs وتطبيقاتها.

بيئات التنفيذ الموثوقة (TEE)

TEE هي منطقة معزولة عتاديًا داخل المعالج تُحمى فيها الشيفرة والبيانات من بقية النظام — بما في ذلك نظام التشغيل والمشرف الافتراضي (hypervisor) وحتى مالك العتاد. تتيح بيئات TEE تشغيل نماذج الذكاء الاصطناعي على عتاد غير موثوق مع إبقاء النموذج والبيانات سريين. والمفاضلة هي أن الأمان يعتمد على تنفيذ الشركة المصنّعة للعتاد بدلًا من البراهين الرياضية. راجع الصفحة المخصّصة عن TEE لمعرفة التفاصيل.

الحوسبة الآمنة متعددة الأطراف (MPC)

تتيح MPC لأطراف متعددة أن تحسب معًا دالة على مدخلاتها دون كشف تلك المدخلات لبعضها. في الذكاء الاصطناعي، يمكن أن تمكّن MPC من استدلال موزّع حيث لا ترى أي عقدة منفردة النموذج الكامل أو المدخل الكامل. والعبء الحسابي كبير، وعادة ما تتضمّن التطبيقات العملية عددًا صغيرًا من الأطراف بدلًا من شبكات كبيرة.

التشفير المتماثل (HE)

يتيح التشفير المتماثل الكامل إجراء الحسابات مباشرة على بيانات مشفّرة، منتجًا نتيجة مشفّرة تطابق — عند فكّ تشفيرها — نتيجة إجراء الحساب نفسه على بيانات غير مشفّرة. نظريًا، يمكّن هذا أي حساب للذكاء الاصطناعي على بيانات مشفّرة. عمليًا، فإن مخططات HE الحالية أبطأ بمقادير من رتب عديدة من الحساب على نص صريح، ما يحدّ استخدامها بعمليات بسيطة أو نماذج صغيرة.

الخصوصية التفاضلية

تضيف الخصوصية التفاضلية ضوضاء معايرة بعناية إلى البيانات أو مخرجات النموذج لمنع تحديد هوية السجلات الفردية، مع الحفاظ على الخصائص الإحصائية لمجموعة البيانات. تُستخدم أساسًا أثناء تدريب النموذج لضمان ألا يحفظ النموذج أمثلة تدريب فردية ثم يسرّبها لاحقًا. وهي إطار رياضي وليست تقنية تشفير.

مقارنة المقاربات

المقاربة	تحمي	نموذج الثقة	العبء	النضج
براهين ZK	سلامة الحساب + خصوصية البيانات	رياضي (عديم الثقة)	مرتفع جدًا	بحث نشط؛ نماذج صغيرة مُثبتة
TEE	بيانات وقت التشغيل + سرية النموذج	الشركة المصنّعة للعتاد	منخفض إلى متوسط	جاهز للإنتاج لكثير من أحمال العمل
MPC	خصوصية المدخلات عبر الأطراف	أغلبية أمينة بين الأطراف	مرتفع	منشور في بيئات متخصّصة
HE	خصوصية البيانات أثناء الحساب	رياضي (عديم الثقة)	مرتفع جدًا	تجريبي لأحمال الذكاء الاصطناعي
الخصوصية التفاضلية	خصوصية بيانات التدريب	ضمان إحصائي	منخفض	معتمد على نطاق واسع في مسارات التدريب

الاستدلال الحافظ للخصوصية في الذكاء الاصطناعي

التطبيق الأكثر إلحاحًا في كريبتو الذكاء الاصطناعي هو الاستدلال السري: تشغيل نموذج على بيانات المستخدم بحيث لا يرى مزوّد الحوسبة المدخل ولا يرى المستخدم أوزان النموذج. هذه هي مشكلة الخصوصية الجوهرية لشبكات الاستدلال للذكاء الاصطناعي اللامركزي.

تستخدم الحلول العملية الحالية عادة بيئات TEE للاستدلال السري لأن العبء قابل للإدارة والتقنية ناضجة. توفّر المقاربات القائمة على ZK (zkML) ضمانات أقوى لكنها محدودة بالنماذج الأصغر. أما مقاربات MPC وHE فتظل تجريبية إلى حد كبير لأحمال الاستدلال.

قد يعمل مسار استدلال سري واقعي على النحو التالي:

1. يشفّر المستخدم مدخله أو يرسله إلى حُجَيرة (enclave) من نوع TEE.
2. يعمل النموذج داخل بيئة TEE، حيث لا يستطيع المشغّل ولا المراقبون الخارجيون قراءة البيانات.
3. تنتج بيئة TEE إثباتًا (attestation) — برهانًا تشفيريًا على أن الحساب جرى داخل حُجَيرة أصيلة وغير معدّلة.
4. تُعاد النتيجة إلى المستخدم، مشفّرة أو عبر قناة آمنة.

يتيح الإثبات للمستخدم التحقق من أن الحساب جرى في بيئة محمية من دون الثقة بمزوّد الحوسبة.

لماذا تهمّ في DecAIHub

الخصوصية هي اعتبار شامل في إطار التقييم الخاص بـ DecAIHub. قد تستخدم المشاريع تقنيات حافظة للخصوصية بعدة طرق:

• بوصفها AI component. يظهر الاستدلال السري، أو تقديم النماذج الخاص، أو التدريب الحافظ للخصوصية في حقل AI component عندما تكون محورية في مسار الذكاء الاصطناعي للمشروع.
• بوصفها ميزة على السلسلة. تستخدم بعض المشاريع براهين ZK أو إثباتات TEE كمصنوعات على السلسلة، ما يسهم في بُعد Onchain necessity ضمن DecAI Fit.
• بوصفها عامل تمايز. الحوسبة الحافظة للخصوصية صعبة تقنيًا. والمشاريع التي تنفّذها بدليل قابل للتحقق (سجلات إثبات TEE، عقود التحقق من براهين ZK) تُظهر عمقًا تقنيًا حقيقيًا.

عند تقييم ادعاءات الخصوصية، يكون السؤال الأساسي: ما هي الآلية الملموسة، وما الدليل على أنها منشورة؟ إن ادعاء «ذكاء اصطناعي حافظ للخصوصية» دون تحديد ما إذا كان المشروع يستخدم TEE أو ZK أو MPC أو مقاربة أخرى هو ادعاء غامض جدًا لتقييمه.

أين تظهر في بطاقات مشاريع DecAIHub

تظهر الميزات المتعلقة بالخصوصية عبر عدة حقول في بطاقات المشاريع:

• AI component — قيم مثل «الاستدلال السري» أو «تقديم النماذج الخاص» أو «التنفيذ القائم على TEE» تشير إلى آليات حافظة للخصوصية.
• وسوم الفئات — قد تحمل المشاريع وسومًا تشير إلى استخدامها لتقنية الخصوصية إلى جانب فئة الذكاء الاصطناعي الأساسية لها.
• جدول الأدلة — تتضمّن أدلة Tier-1 للخصوصية سجلات إثبات TEE، وعقود التحقق من ZK، وتقارير تدقيق منشورة لتطبيقات الحوسبة السرية، وسياسات معالجة بيانات موثّقة.

ما الذي لا تثبته الخصوصية وحدها

• الخصوصية لا تثبت AI reality. يمكن لمشروع أن ينفّذ تقنية خصوصية متطورة بينما لا يوجد خلفه ذكاء اصطناعي حقيقي.
• الخصوصية لا تثبت اللامركزية. يمكن لمزوّد مركزي واحد أن يشغّل خدمة استدلال سري قائمة على TEE. وضمان الخصوصية مستقل عمّا إذا كان النظام لامركزيًا.
• الخصوصية لا تثبت الأمان. تحمي الخصوصية البيانات من الوصول غير المصرّح به، لكنها لا تحمي من الأخطاء البرمجية أو الأخطاء المنطقية أو غيرها من الثغرات في مسار الذكاء الاصطناعي.
• الخصوصية لا تثبت Token necessity. يمكن للحوسبة الحافظة للخصوصية أن تعمل من دون سلسلة كتل أو رمز. وما إذا كان الرمز يضيف قيمة ذات معنى هو تقييم منفصل.
• ادعاء الخصوصية دون تحديد الآلية ليس قابلًا للتحقق. فعبارة «حافظ للخصوصية» دون TEE أو ZK أو MPC أو مقاربة ملموسة أخرى هي ادعاء تسويقي لا تقني.

لا تخلط بين

• ZK (براهين المعرفة الصفرية) — تقنية تشفيرية محدّدة يمكن استخدامها للخصوصية، لكن أيضًا للتوسيع (zk-rollups) والتحقق (zkML). الخصوصية مفهوم أوسع يشمل ZK كأداة واحدة.
• TEE — مقاربة قائمة على العتاد للحوسبة السرية. TEE هي إحدى آليات تحقيق الخصوصية، وليست مرادفًا لها.
• عدم الكشف عن الهوية (Anonymity) — إخفاء هوية المشاركين في المعاملات. تركّز الخصوصية في الذكاء الاصطناعي على حماية البيانات والحساب، وليس بالضرورة على إخفاء من يجري المعاملة.
• التشفير في حالة السكون — تشفير البيانات المخزَّنة يحميها من الوصول غير المصرّح به لكنه لا يعالج الخصوصية أثناء الحساب. الحوسبة الحافظة للخصوصية تعني بقاء البيانات محمية أثناء معالجتها.
• ملكية البيانات — التحكّم في من له حق الوصول إلى البيانات مرتبط بالخصوصية لكنه شأن يتعلق بالحوكمة والتحكّم في الوصول لا بالحساب.

الأسئلة الشائعة

ما الفرق بين الخصوصية والسرية في كريبتو الذكاء الاصطناعي؟

عمليًا، يُستخدم المصطلحان غالبًا بالتبادل. بدقة، تشير الخصوصية إلى الحق أو القدرة على التحكّم بما يُكشف من معلومات، بينما تشير السرية إلى الالتزام أو الآلية التي تمنع الكشف غير المصرّح به. في كريبتو الذكاء الاصطناعي، تكون الحوسبة السرية (تشغيل الحسابات في بيئة محمية) آلية تحقّق هدف الخصوصية. وعندما يقول مشروع «استدلال سري»، فهو يعني عادة أن الاستدلال يعمل في بيئة (مثل TEE) تحمي البيانات — وهذا تطبيق محدّد لهدف الخصوصية الأوسع.

هل يمكن أن تكون نماذج الذكاء الاصطناعي خاصة على سلسلة كتل عامة؟

حساب الذكاء الاصطناعي نفسه لا يعمل على سلسلة الكتل — بل يعمل على بنية حوسبة تحتية خارج السلسلة. وتسجّل سلسلة الكتل البراهين أو الإثباتات أو النتائج. تتحقق الخصوصية على طبقة الحوسبة (باستخدام TEE أو ZK أو تقنيات أخرى)، لا على طبقة سلسلة الكتل. يمكن لسلسلة الكتل أن تتحقق من أن حسابًا خاصًا جرى بشكل صحيح (عبر برهان ZK أو إثبات TEE) من دون رؤية البيانات الأساسية. السجل على السلسلة عام؛ أما الحساب والبيانات وراءه فيمكن أن يظلا خاصين.

أي مقاربة خصوصية هي الأفضل للذكاء الاصطناعي؟

لا توجد مقاربة واحدة هي الأفضل — لكل منها مفاضلاتها. توفّر بيئات TEE أداءً عمليًا لأحمال العمل الواقعية لكنها تعتمد على افتراضات الثقة بالعتاد. توفّر براهين ZK ضمانات رياضية عديمة الثقة لكنها مكلفة حسابيًا ومحدودة بالنماذج الأصغر. تمكّن MPC من حساب مشترك دون مشاركة المدخلات لكنها تتطلب تنسيقًا بين الأطراف. وتستخدم معظم أنظمة الإنتاج اليوم بيئات TEE للاستدلال السري، مع استخدام براهين ZK انتقائيًا للتحقق العالي القيمة. ويعتمد الاختيار على نموذج التهديد ومتطلبات الأداء وحساسية البيانات المعنية.

هل تبطّئ الخصوصية استدلال الذكاء الاصطناعي؟

يعتمد ذلك على الآلية. يعمل الاستدلال القائم على TEE بسرعة قريبة من السرعة الأصلية — إذ يُدخل العزل العتادي عبئًا ضئيلًا. تضيف التحقق القائم على ZK عبئًا كبيرًا إلى توليد البرهان (أبطأ بمقادير من رتب عديدة من الاستدلال العادي)، رغم أن التحقق سريع. وتُدخل كل من MPC وHE تكاليف حسابية كبيرة. عمليًا، تختار المشاريع آلية الخصوصية التي توازن بين ضمان الخصوصية المطلوب وأداء مقبول لحالة استخدامها.

مراجع خارجية

• Ethereum.org — Zero-knowledge proofs — شرح تأسيسي لمفاهيم ZK وتطبيقاتها في خصوصية سلسلة الكتل وتوسيعها.
• Confidential Computing Consortium — اتحاد صناعي يحدّد المعايير ويعزّز تبنّي الحوسبة السرية القائمة على العتاد (TEE والتقنيات المرتبطة بها).
• OpenMined — Privacy-preserving machine learning — مجتمع وأدوات مفتوحة المصدر للذكاء الاصطناعي الحافظ للخصوصية، بما في ذلك التعلّم الموحّد (federated learning) والحساب المشفّر.

انظر أيضًا

• ما هي ZK (المعرفة الصفرية)
• ما هي TEE (بيئة التنفيذ الموثوقة)
• ما هي zkML
• ما هو الاستدلال
• كيف تعرف ما إذا كان للمشروع ذكاء اصطناعي حقيقي