Skip to main content

Was ist Privatsphäre in Krypto und KI

Hinweis: Dieses Dokument ist eine automatische Übersetzung des englischen Originals.

Was ist Privatsphäre in Krypto und KI

Privatsphäre im Kontext von Krypto und KI bezeichnet die Fähigkeit, Daten zu verarbeiten, zu speichern und zu übertragen, ohne sie unbefugten Parteien preiszugeben. In dezentralen Systemen ist Privatsphäre besonders herausfordernd, weil Blockchains von Natur aus transparent sind — Transaktionen, Smart-Contract-Zustände und On-Chain-Daten sind öffentlich sichtbar. Datenschutzwahrende Technologien erlauben es, Berechnungen auf sensiblen Daten (einschließlich der Eingaben, Ausgaben und Gewichte von KI-Modellen) durchzuführen und diese Daten dabei vertraulich zu halten.

Kurz gesagt: Privatsphäre in Krypto-KI bedeutet, Berechnungen auf Daten auszuführen, ohne die Daten selbst preiszugeben. Sie kombiniert kryptografische und hardwarebasierte Techniken, um Modelleingaben, -ausgaben und -parameter in dezentralen Umgebungen zu schützen.

Warum Privatsphäre in dezentraler KI wichtig ist

In zentralisierter KI wird Privatsphäre über Zugriffskontrollen, Verträge und Vertrauen in den Anbieter gehandhabt. Nutzer vertrauen darauf, dass das Unternehmen, das das Modell betreibt, ihre Daten nicht missbraucht. In dezentraler KI gibt es keine einzelne vertrauenswürdige Partei. Compute-Anbieter, Validatoren und andere Netzwerkteilnehmer können anonym und nicht vertrauenswürdig sein. Daraus ergeben sich mehrere Datenschutzherausforderungen:

  • Eingabe-Privatsphäre. Ein Nutzer, der eine Krankenakte, Finanzdaten oder eine persönliche Anfrage an ein dezentrales KI-Modell übermittelt, möchte nicht, dass der Compute-Anbieter die Roheingabe sieht.
  • Ausgabe-Privatsphäre. In einigen Szenarien ist das Ergebnis einer KI-Berechnung selbst sensibel — ein Risiko-Score, eine Diagnose oder ein Handelssignal, das der Anfragende nicht offengelegt haben möchte.
  • Modell-Privatsphäre. Die Gewichte von KI-Modellen stellen erhebliches geistiges Eigentum dar. Ein Modelleigentümer, der ein dezentrales Compute-Netzwerk nutzt, möchte möglicherweise nicht, dass der Compute-Anbieter das Modell sieht oder kopiert.
  • Trainingsdaten-Privatsphäre. Modelle, die auf proprietären oder persönlichen Daten trainiert werden, müssen diese Daten schützen — sowohl während des Trainings als auch im Einsatz (um eine Extraktion durch adversariale Anfragen zu verhindern).

Ohne datenschutzwahrende Mechanismen steht dezentrale KI vor einem grundlegenden Spannungsverhältnis: Das System ist darauf ausgelegt, vertrauenslos (trustless) zu sein, doch die Teilnehmer müssen einander dennoch vertrauen, dass sie nicht auf die durch das Netzwerk fließenden Daten schauen.

Wie Privatsphäre erreicht wird

Datenschutzwahrende Berechnung in Krypto-KI nutzt mehrere Ansätze, oft in Kombination:

Zero-Knowledge-Beweise (ZK)

Zero-Knowledge-Beweise erlauben es einer Partei, die Wahrheit einer Aussage zu beweisen, ohne irgendeine Information über die Wahrheit der Aussage selbst hinaus preiszugeben. In KI-Anwendungen kann ZK beweisen, dass eine Modell-Inferenz korrekt berechnet wurde, ohne die Modellgewichte oder die Eingabedaten preiszugeben. Dieser Ansatz bietet eine mathematische (vertrauenslose) kryptografische Garantie, geht aber mit erheblichem Rechenaufwand einher, insbesondere bei komplexen KI-Modellen. Siehe die eigene Seite zu ZK für Details zu zk-SNARKs, zk-STARKs und ihren Anwendungen.

Trusted Execution Environments (TEE)

Ein TEE ist ein hardware-isolierter Bereich eines Prozessors, in dem Code und Daten vor dem Rest des Systems geschützt sind — einschließlich des Betriebssystems, des Hypervisors und sogar des Hardware-Eigentümers. TEEs erlauben es KI-Modellen, auf nicht vertrauenswürdiger Hardware zu laufen, während das Modell und die Daten vertraulich bleiben. Der Kompromiss besteht darin, dass die Sicherheit von der Implementierung des Hardware-Herstellers abhängt und nicht von mathematischen Beweisen. Siehe die eigene Seite zu TEE für Details.

Secure Multi-Party Computation (MPC)

MPC erlaubt es mehreren Parteien, gemeinsam eine Funktion über ihre Eingaben zu berechnen, ohne diese Eingaben einander preiszugeben. In der KI kann MPC verteilte Inferenz ermöglichen, bei der kein einzelner Knoten das vollständige Modell oder die vollständige Eingabe sieht. Der Rechenaufwand ist erheblich, und praktische Implementierungen umfassen typischerweise eine kleine Anzahl von Parteien statt großer Netzwerke.

Homomorphe Verschlüsselung (HE)

Vollständig homomorphe Verschlüsselung erlaubt es, Berechnungen direkt auf verschlüsselten Daten durchzuführen und ein verschlüsseltes Ergebnis zu erzeugen, das nach Entschlüsselung dem Ergebnis entspricht, das man bei derselben Berechnung auf unverschlüsselten Daten erhalten hätte. Theoretisch ermöglicht dies jede KI-Berechnung auf verschlüsselten Daten. In der Praxis sind aktuelle HE-Verfahren um Größenordnungen langsamer als Klartextberechnungen, was ihren Einsatz auf einfache Operationen oder kleine Modelle beschränkt.

Differential Privacy

Differential Privacy fügt Daten oder Modellausgaben sorgfältig kalibriertes Rauschen hinzu, um zu verhindern, dass einzelne Datensätze identifiziert werden, während die statistischen Eigenschaften des Datensatzes erhalten bleiben. Sie wird vor allem während des Modelltrainings eingesetzt, um sicherzustellen, dass das Modell einzelne Trainingsbeispiele nicht auswendig lernt und später preisgibt. Es handelt sich um ein mathematisches Rahmenwerk und nicht um eine Verschlüsselungstechnik.

Vergleich der Ansätze

Ansatz Schützt Vertrauensmodell Aufwand Reifegrad
ZK-Beweise Berechnungsintegrität + Datenschutz Mathematisch (vertrauenslos) Sehr hoch Aktive Forschung; kleine Modelle bewiesen
TEE Laufzeitdaten + Modellvertraulichkeit Hardware-Hersteller Niedrig bis moderat Produktionsreif für viele Workloads
MPC Eingabe-Privatsphäre über Parteien hinweg Ehrliche Mehrheit unter den Parteien Hoch Eingesetzt in spezialisierten Kontexten
HE Datenschutz während der Berechnung Mathematisch (vertrauenslos) Sehr hoch Experimentell für KI-Workloads
Differential Privacy Trainingsdaten-Datenschutz Statistische Garantie Niedrig Weit verbreitet in Trainings-Pipelines

Datenschutzwahrende KI-Inferenz

Die unmittelbarste Anwendung in Krypto-KI ist die vertrauliche Inferenz: ein Modell auf den Daten eines Nutzers auszuführen, sodass weder der Compute-Anbieter die Eingabe sieht noch der Nutzer die Modellgewichte. Dies ist das zentrale Datenschutzproblem für dezentrale KI-Inferenznetzwerke.

Aktuelle praktische Lösungen nutzen für vertrauliche Inferenz typischerweise TEEs, weil der Aufwand handhabbar und die Technologie ausgereift ist. ZK-basierte Ansätze (zkML) bieten stärkere Garantien, sind aber auf kleinere Modelle beschränkt. MPC- und HE-Ansätze bleiben für Inferenz-Workloads weitgehend experimentell.

Eine realistische Pipeline für vertrauliche Inferenz könnte wie folgt funktionieren:

  1. Der Nutzer verschlüsselt seine Eingabe oder sendet sie an eine TEE-Enklave.
  2. Das Modell läuft innerhalb des TEE, wo weder der Betreiber noch externe Beobachter die Daten lesen können.
  3. Das TEE erzeugt eine Attestierung — einen kryptografischen Beweis, dass die Berechnung innerhalb einer echten, unveränderten Enklave lief.
  4. Das Ergebnis wird an den Nutzer zurückgegeben, verschlüsselt oder über einen sicheren Kanal.

Die Attestierung erlaubt es dem Nutzer zu verifizieren, dass die Berechnung in einer geschützten Umgebung stattgefunden hat, ohne dem Compute-Anbieter vertrauen zu müssen.

Warum es für DecAIHub wichtig ist

Privatsphäre ist ein querschnittliches Anliegen in DecAIHubs Bewertungsrahmen. Projekte können datenschutzwahrende Techniken auf verschiedene Weise einsetzen:

  • Als AI component. Vertrauliche Inferenz, privates Modell-Serving oder datenschutzwahrendes Training erscheinen im Feld AI component, wenn sie für die KI-Pipeline des Projekts zentral sind.
  • Als On-Chain-Funktion. Einige Projekte nutzen ZK-Beweise oder TEE-Attestierungen als On-Chain-Artefakte, was zur Dimension Onchain necessity von DecAI Fit beiträgt.
  • Als Differenzierungsmerkmal. Datenschutzwahrende Berechnung ist technisch anspruchsvoll. Projekte, die sie mit überprüfbaren Belegen umsetzen (TEE-Attestierungsprotokolle, ZK-Beweisverifizierungs-Contracts), zeigen echte technische Tiefe.

Bei der Bewertung von Datenschutzbehauptungen lautet die Schlüsselfrage: Was ist der konkrete Mechanismus, und welche Belege gibt es dafür, dass er eingesetzt wird? Eine Behauptung von „datenschutzwahrender KI“ ohne Angabe, ob das Projekt TEE, ZK, MPC oder einen anderen Ansatz verwendet, ist zu vage, um sie zu bewerten.

Wo es in DecAIHub-Projektkarten erscheint

Datenschutzbezogene Funktionen erscheinen in mehreren Feldern von Projektkarten:

  • AI component — Werte wie „confidential inference“, „private model serving“ oder „TEE-based execution“ weisen auf datenschutzwahrende Mechanismen hin.
  • Kategorie-Tags — Projekte können Tags tragen, die ihren Einsatz von Datenschutztechnologie neben ihrer primären KI-Kategorie kennzeichnen.
  • Evidenztabelle — Tier-1-Belege für Datenschutz umfassen TEE-Attestierungsaufzeichnungen, ZK-Verifier-Contracts, veröffentlichte Audit-Berichte für Implementierungen vertraulicher Berechnung sowie dokumentierte Richtlinien zum Datenumgang.

Was Privatsphäre allein nicht beweist

  • Privatsphäre beweist keine AI reality. Ein Projekt kann ausgefeilte Datenschutztechnologie implementieren und dabei keine echte KI dahinter haben.
  • Privatsphäre beweist keine Dezentralisierung. Ein einzelner zentralisierter Anbieter kann einen TEE-basierten vertraulichen Inferenzdienst betreiben. Die Datenschutzgarantie ist unabhängig davon, ob das System dezentral ist.
  • Privatsphäre beweist keine Sicherheit. Datenschutz schützt Daten vor unbefugtem Zugriff, schützt aber nicht vor Bugs, Logikfehlern oder anderen Schwachstellen in der KI-Pipeline.
  • Privatsphäre beweist keine Token necessity. Datenschutzwahrende Berechnung kann ohne Blockchain oder Token funktionieren. Ob der Token einen sinnvollen Mehrwert bietet, ist eine separate Bewertung.
  • Datenschutz zu behaupten, ohne den Mechanismus anzugeben, ist nicht überprüfbar. „Datenschutzwahrend“ ohne TEE, ZK, MPC oder einen anderen konkreten Ansatz ist eine Marketingbehauptung, keine technische.

Nicht verwechseln mit

  • ZK (Zero-Knowledge-Beweise) — eine spezifische kryptografische Technik, die für Datenschutz, aber auch für Skalierung (zk-Rollups) und Verifizierung (zkML) genutzt werden kann. Privatsphäre ist ein breiteres Konzept, das ZK als ein Werkzeug einschließt.
  • TEE — ein hardwarebasierter Ansatz für vertrauliche Berechnung. TEE ist ein Mechanismus zum Erreichen von Privatsphäre, kein Synonym dafür.
  • Anonymität — das Verbergen der Identität von Transaktionsteilnehmern. Privatsphäre in der KI konzentriert sich auf den Schutz von Daten und Berechnung, nicht notwendigerweise darauf, zu verbergen, wer Transaktionen durchführt.
  • Verschlüsselung im Ruhezustand — die Verschlüsselung gespeicherter Daten schützt sie vor unbefugtem Zugriff, adressiert aber nicht den Datenschutz während der Berechnung. Datenschutzwahrende Berechnung bedeutet, dass die Daten während der Verarbeitung geschützt bleiben.
  • Datenhoheit — die Kontrolle darüber, wer Zugriff auf Daten hat, ist mit Datenschutz verwandt, aber ein Governance- und Zugriffskontrollanliegen, kein rechnerisches.

Häufig gestellte Fragen

Was ist der Unterschied zwischen Privatsphäre und Vertraulichkeit in Krypto-KI?

In der Praxis werden die Begriffe oft synonym verwendet. Streng genommen bezieht sich Privatsphäre auf das Recht oder die Fähigkeit, zu kontrollieren, welche Informationen preisgegeben werden, während Vertraulichkeit sich auf die Verpflichtung oder den Mechanismus bezieht, der eine unbefugte Offenlegung verhindert. In Krypto-KI ist vertrauliche Berechnung (das Ausführen von Berechnungen in einer geschützten Umgebung) ein Mechanismus, der das Ziel der Privatsphäre erreicht. Wenn ein Projekt von „confidential inference“ spricht, bedeutet das typischerweise, dass die Inferenz in einer Umgebung (wie einem TEE) läuft, die die Daten schützt — dies ist eine spezifische Umsetzung des breiteren Datenschutzziels.

Können KI-Modelle auf einer öffentlichen Blockchain privat sein?

Die KI-Berechnung selbst läuft nicht auf der Blockchain — sie läuft auf Off-Chain-Compute-Infrastruktur. Die Blockchain zeichnet Beweise, Attestierungen oder Ergebnisse auf. Privatsphäre wird auf der Compute-Ebene erreicht (mittels TEE, ZK oder anderer Techniken), nicht auf der Blockchain-Ebene. Die Blockchain kann verifizieren, dass eine private Berechnung korrekt durchgeführt wurde (über einen ZK-Beweis oder eine TEE-Attestierung), ohne die zugrunde liegenden Daten zu sehen. Die On-Chain-Aufzeichnung ist öffentlich; die Berechnung und die dahinterstehenden Daten können privat bleiben.

Welcher Datenschutzansatz ist am besten für KI?

Es gibt keinen einzigen besten Ansatz — jeder hat Kompromisse. TEEs bieten praktische Leistung für reale Workloads, hängen aber von Hardware-Vertrauensannahmen ab. ZK-Beweise bieten vertrauenslose mathematische Garantien, sind aber rechenintensiv und auf kleinere Modelle beschränkt. MPC ermöglicht gemeinsame Berechnung, ohne Eingaben zu teilen, erfordert aber Koordination zwischen den Parteien. Die meisten heutigen Produktionssysteme nutzen TEEs für vertrauliche Inferenz, wobei ZK-Beweise selektiv für hochwertige Verifizierung eingesetzt werden. Die Wahl hängt vom Bedrohungsmodell, den Leistungsanforderungen und der Sensibilität der beteiligten Daten ab.

Verlangsamt Datenschutz die KI-Inferenz?

Es hängt vom Mechanismus ab. TEE-basierte Inferenz läuft nahezu mit nativer Geschwindigkeit — die Hardware-Isolation verursacht minimalen Mehraufwand. ZK-basierte Verifizierung fügt der Beweiserzeugung erheblichen Mehraufwand hinzu (um Größenordnungen langsamer als reine Inferenz), wobei die Verifizierung selbst schnell ist. MPC und HE verursachen beide erhebliche Rechenkosten. In der Praxis wählen Projekte den Datenschutzmechanismus, der die erforderliche Datenschutzgarantie mit einer akzeptablen Leistung für ihren Anwendungsfall in Einklang bringt.

Externe Referenzen

Siehe auch

No comments to display

Back to top