حریم خصوصی در کریپتو و AI چیست

توجه: این سند ترجمه خودکار نسخه اصلی انگلیسی است.

حریم خصوصی در کریپتو و AI چیست

حریم خصوصی در زمینهٔ کریپتو و AI به توانایی پردازش، ذخیره‌سازی و انتقال داده‌ها بدون افشای آن‌ها برای طرف‌های غیرمجاز اشاره دارد. در سیستم‌های غیرمتمرکز، حریم خصوصی به‌ویژه چالش‌برانگیز است، زیرا بلاکچین‌ها ذاتاً شفاف‌اند — تراکنش‌ها، وضعیت قراردادهای هوشمند و داده‌های on-chain به‌طور عمومی قابل مشاهده‌اند. فناوری‌های حافظ حریم خصوصی اجازه می‌دهند محاسبات روی داده‌های حساس (از جمله ورودی‌ها، خروجی‌ها و وزن‌های مدل‌های AI) انجام شود، در حالی که آن داده‌ها محرمانه باقی می‌مانند.

خلاصه: حریم خصوصی در کریپتو AI یعنی اجرای محاسبات روی داده‌ها بدون افشای خود داده‌ها. این مفهوم تکنیک‌های رمزنگارانه و مبتنی بر سخت‌افزار را ترکیب می‌کند تا ورودی‌ها، خروجی‌ها و پارامترهای مدل را در محیط‌های غیرمتمرکز محافظت کند.

چرا حریم خصوصی در AI غیرمتمرکز اهمیت دارد

در AI متمرکز، حریم خصوصی از طریق کنترل‌های دسترسی، قراردادها و اعتماد به ارائه‌دهنده مدیریت می‌شود. کاربران اعتماد می‌کنند که شرکتی که مدل را اجرا می‌کند از داده‌های آن‌ها سوءاستفاده نخواهد کرد. در AI غیرمتمرکز، هیچ طرف مورد اعتماد واحدی وجود ندارد. ارائه‌دهندگان محاسبات، ولیدیتورها و سایر شرکت‌کنندگان شبکه ممکن است ناشناس و غیرقابل اعتماد باشند. این وضعیت چند چالش حریم خصوصی ایجاد می‌کند:

• حریم خصوصی ورودی. کاربری که یک پروندهٔ پزشکی، دادهٔ مالی یا پرسش شخصی را به یک مدل AI غیرمتمرکز ارسال می‌کند، نمی‌خواهد ارائه‌دهندهٔ محاسبات ورودی خام را ببیند.
• حریم خصوصی خروجی. در برخی سناریوها، نتیجهٔ یک محاسبهٔ AI خودش حساس است — یک امتیاز ریسک، یک تشخیص پزشکی یا یک سیگنال معاملاتی که درخواست‌کننده نمی‌خواهد افشا شود.
• حریم خصوصی مدل. وزن‌های مدل AI مالکیت فکری قابل توجهی را نمایندگی می‌کنند. مالک مدلی که از یک شبکهٔ محاسباتی غیرمتمرکز استفاده می‌کند، ممکن است نخواهد ارائه‌دهندهٔ محاسبات مدل را ببیند یا کپی کند.
• حریم خصوصی داده‌های آموزشی. مدل‌هایی که روی داده‌های اختصاصی یا شخصی آموزش دیده‌اند باید از آن داده‌ها هم در حین آموزش و هم در استقرار محافظت کنند (جلوگیری از استخراج از طریق پرسش‌های خصمانه).

بدون مکانیزم‌های حافظ حریم خصوصی، AI غیرمتمرکز با یک تنش بنیادین روبه‌روست: سیستم برای بی‌نیازی از اعتماد طراحی شده، اما شرکت‌کنندگان همچنان باید به یکدیگر اعتماد کنند که به داده‌های در جریان در شبکه نگاه نکنند.

حریم خصوصی چگونه محقق می‌شود

محاسبات حافظ حریم خصوصی در کریپتو AI از چند رویکرد، اغلب به‌صورت ترکیبی، استفاده می‌کند:

اثبات‌های دانش صفر (ZK)

اثبات‌های دانش صفر به یک طرف اجازه می‌دهند درستی یک گزاره را اثبات کند بدون آنکه اطلاعاتی فراتر از درستیِ خود گزاره افشا شود. در کاربردهای AI، فناوری ZK می‌تواند اثبات کند که استنتاج یک مدل به‌درستی محاسبه شده، بدون افشای وزن‌های مدل یا داده‌های ورودی. این رویکرد یک تضمین رمزنگارانهٔ ریاضی (بدون نیاز به اعتماد) ارائه می‌دهد، اما با سربار محاسباتی قابل توجهی همراه است، به‌ویژه برای مدل‌های AI پیچیده. برای جزئیات دربارهٔ zk-SNARK‌ها، zk-STARK‌ها و کاربردهای آن‌ها، صفحهٔ اختصاصی ZK را ببینید.

محیط‌های اجرای مورد اعتماد (TEE)

یک TEE ناحیه‌ای از پردازنده است که به‌صورت سخت‌افزاری ایزوله شده و در آن کد و داده‌ها از بقیهٔ سیستم — از جمله سیستم‌عامل، هایپروایزر و حتی مالک سخت‌افزار — محافظت می‌شوند. TEE‌ها اجازه می‌دهند مدل‌های AI روی سخت‌افزار غیرقابل اعتماد اجرا شوند، در حالی که مدل و داده‌ها محرمانه باقی می‌مانند. بده‌بستان این است که امنیت به پیاده‌سازی سازندهٔ سخت‌افزار وابسته است، نه به اثبات‌های ریاضی. برای جزئیات، صفحهٔ اختصاصی TEE را ببینید.

محاسبات چندجانبهٔ امن (MPC)

MPC به چند طرف اجازه می‌دهد به‌طور مشترک تابعی را روی ورودی‌های خود محاسبه کنند، بدون آنکه آن ورودی‌ها را برای یکدیگر افشا کنند. در AI، فناوری MPC می‌تواند استنتاج توزیع‌شده‌ای را ممکن سازد که در آن هیچ گرهٔ واحدی مدل کامل یا ورودی کامل را نمی‌بیند. سربار محاسباتی قابل توجه است و پیاده‌سازی‌های عملی معمولاً شامل تعداد کمی از طرف‌ها هستند، نه شبکه‌های بزرگ.

رمزنگاری همریخت (HE)

رمزنگاری کاملاً همریخت اجازه می‌دهد محاسبات مستقیماً روی داده‌های رمزنگاری‌شده انجام شود و نتیجه‌ای رمزنگاری‌شده تولید کند که پس از رمزگشایی، با نتیجهٔ انجام همان محاسبه روی داده‌های رمزنگاری‌نشده مطابقت دارد. در تئوری، این امکان هر محاسبهٔ AI روی داده‌های رمزنگاری‌شده را فراهم می‌کند. در عمل، طرح‌های فعلی HE چندین مرتبهٔ بزرگی کندتر از محاسبات روی متن آشکارند و کاربردشان به عملیات ساده یا مدل‌های کوچک محدود می‌شود.

حریم خصوصی تفاضلی

حریم خصوصی تفاضلی نویزی دقیقاً تنظیم‌شده به داده‌ها یا خروجی‌های مدل اضافه می‌کند تا از شناسایی رکوردهای فردی جلوگیری شود، در حالی که ویژگی‌های آماری مجموعه‌داده حفظ می‌شود. این روش عمدتاً در حین آموزش مدل استفاده می‌شود تا اطمینان حاصل شود مدل نمونه‌های آموزشی فردی را حفظ نمی‌کند و بعداً نشت نمی‌دهد. این یک چارچوب ریاضی است، نه یک تکنیک رمزنگاری.

مقایسهٔ رویکردها

رویکرد	چه چیزی را محافظت می‌کند	مدل اعتماد	سربار	بلوغ
اثبات‌های ZK	صحت محاسبه + حریم خصوصی داده	ریاضی (بدون نیاز به اعتماد)	بسیار زیاد	پژوهش فعال؛ برای مدل‌های کوچک اثبات‌شده
TEE	داده‌های زمان اجرا + محرمانگی مدل	سازندهٔ سخت‌افزار	کم تا متوسط	آمادهٔ تولید برای بسیاری از بارهای کاری
MPC	حریم خصوصی ورودی میان طرف‌ها	اکثریت صادق میان طرف‌ها	زیاد	استقراریافته در محیط‌های تخصصی
HE	حریم خصوصی داده در حین محاسبه	ریاضی (بدون نیاز به اعتماد)	بسیار زیاد	آزمایشی برای بارهای کاری AI
حریم خصوصی تفاضلی	حریم خصوصی داده‌های آموزشی	تضمین آماری	کم	به‌طور گسترده در خطوط لولهٔ آموزش پذیرفته‌شده

استنتاج AI با حفظ حریم خصوصی

فوری‌ترین کاربرد در کریپتو AI، استنتاج محرمانه است: اجرای یک مدل روی داده‌های کاربر به‌گونه‌ای که نه ارائه‌دهندهٔ محاسبات ورودی را ببیند و نه کاربر وزن‌های مدل را. این مسئلهٔ اصلی حریم خصوصی برای شبکه‌های استنتاج AI غیرمتمرکز است.

راه‌حل‌های عملی فعلی معمولاً برای استنتاج محرمانه از TEE استفاده می‌کنند، زیرا سربار آن قابل مدیریت و فناوری بالغ است. رویکردهای مبتنی بر ZK (یعنی zkML) تضمین‌های قوی‌تری ارائه می‌دهند اما به مدل‌های کوچک‌تر محدودند. رویکردهای MPC و HE برای بارهای کاری استنتاج عمدتاً آزمایشی باقی مانده‌اند.

یک خط لولهٔ واقع‌گرایانهٔ استنتاج محرمانه ممکن است به این صورت کار کند:

1. کاربر ورودی خود را رمزنگاری می‌کند یا آن را به یک انکلیو TEE ارسال می‌کند.
2. مدل درون TEE اجرا می‌شود، جایی که نه اپراتور و نه ناظران خارجی نمی‌توانند داده‌ها را بخوانند.
3. TEE یک attestation تولید می‌کند — اثباتی رمزنگارانه مبنی بر اینکه محاسبه درون یک انکلیو اصیل و دست‌نخورده اجرا شده است.
4. نتیجه، رمزنگاری‌شده یا از طریق یک کانال امن، به کاربر بازگردانده می‌شود.

این attestation به کاربر امکان می‌دهد بدون اعتماد به ارائه‌دهندهٔ محاسبات، تأیید کند که محاسبه در یک محیط محافظت‌شده انجام شده است.

چرا برای DecAIHub اهمیت دارد

حریم خصوصی یک دغدغهٔ فراگیر در چارچوب ارزیابی DecAIHub است. پروژه‌ها ممکن است به چند شکل از تکنیک‌های حافظ حریم خصوصی استفاده کنند:

• به‌عنوان AI component. استنتاج محرمانه، سرویس‌دهی خصوصی مدل یا آموزش حافظ حریم خصوصی، وقتی برای خط لولهٔ AI پروژه محوری باشند، در فیلد AI component ظاهر می‌شوند.
• به‌عنوان یک ویژگی on-chain. برخی پروژه‌ها از اثبات‌های ZK یا attestationهای TEE به‌عنوان artifactهای on-chain استفاده می‌کنند که به بُعد Onchain necessity در DecAI Fit کمک می‌کند.
• به‌عنوان عامل تمایز. محاسبات حافظ حریم خصوصی از نظر فنی چالش‌برانگیز است. پروژه‌هایی که آن را با شواهد قابل تأیید (لاگ‌های attestation مربوط به TEE، قراردادهای وریفای اثبات ZK) پیاده‌سازی می‌کنند، عمق فنی واقعی را نشان می‌دهند.

هنگام ارزیابی ادعاهای حریم خصوصی، پرسش کلیدی این است: مکانیزم مشخص چیست و چه شواهدی از استقرار آن وجود دارد؟ ادعای «AI حافظ حریم خصوصی» بدون مشخص کردن اینکه پروژه از TEE، ZK، MPC یا رویکرد دیگری استفاده می‌کند، برای ارزیابی بیش از حد مبهم است.

در کارت‌های پروژهٔ DecAIHub کجا ظاهر می‌شود

ویژگی‌های مرتبط با حریم خصوصی در چند فیلد کارت‌های پروژه ظاهر می‌شوند:

• AI component — مقادیری مانند «استنتاج محرمانه»، «سرویس‌دهی خصوصی مدل» یا «اجرای مبتنی بر TEE» نشان‌دهندهٔ مکانیزم‌های حافظ حریم خصوصی‌اند.
• برچسب‌های دسته‌بندی — پروژه‌ها ممکن است در کنار دستهٔ اصلی AI خود، برچسب‌هایی داشته باشند که استفاده از فناوری حریم خصوصی را نشان می‌دهد.
• جدول Evidence — شواهد Tier-1 برای حریم خصوصی شامل رکوردهای attestation مربوط به TEE، قراردادهای وریفایر ZK، گزارش‌های ممیزی منتشرشده برای پیاده‌سازی‌های محاسبات محرمانه و سیاست‌های مستند مدیریت داده است.

حریم خصوصی به‌تنهایی چه چیزی را اثبات نمی‌کند

• حریم خصوصی AI reality را اثبات نمی‌کند. یک پروژه می‌تواند فناوری پیچیدهٔ حریم خصوصی را پیاده‌سازی کند در حالی که هیچ AI واقعی پشت آن نیست.
• حریم خصوصی تمرکززدایی را اثبات نمی‌کند. یک ارائه‌دهندهٔ متمرکز واحد می‌تواند سرویس استنتاج محرمانهٔ مبتنی بر TEE اجرا کند. تضمین حریم خصوصی مستقل از این است که سیستم غیرمتمرکز باشد یا نه.
• حریم خصوصی امنیت را اثبات نمی‌کند. حریم خصوصی داده‌ها را از دسترسی غیرمجاز محافظت می‌کند، اما در برابر باگ‌ها، خطاهای منطقی یا سایر آسیب‌پذیری‌های خط لولهٔ AI محافظتی ایجاد نمی‌کند.
• حریم خصوصی Token necessity را اثبات نمی‌کند. محاسبات حافظ حریم خصوصی می‌تواند بدون بلاکچین یا توکن کار کند. اینکه توکن ارزش معناداری اضافه می‌کند یا نه، ارزیابی جداگانه‌ای است.
• ادعای حریم خصوصی بدون مشخص کردن مکانیزم قابل تأیید نیست. «حافظ حریم خصوصی» بدون TEE، ZK، MPC یا رویکرد مشخص دیگر، یک ادعای بازاریابی است، نه یک ادعای فنی.

اشتباه نگیرید با

• ZK (اثبات‌های دانش صفر) — یک تکنیک رمزنگارانهٔ مشخص که می‌تواند برای حریم خصوصی استفاده شود، اما همچنین برای مقیاس‌پذیری (zk-rollupها) و راستی‌آزمایی (zkML) به کار می‌رود. حریم خصوصی مفهوم گسترده‌تری است که ZK را به‌عنوان یکی از ابزارها در بر می‌گیرد.
• TEE — رویکردی مبتنی بر سخت‌افزار برای محاسبات محرمانه. TEE یکی از مکانیزم‌های دستیابی به حریم خصوصی است، نه مترادف آن.
• گمنامی — پنهان کردن هویت شرکت‌کنندگان تراکنش. حریم خصوصی در AI بر محافظت از داده‌ها و محاسبات تمرکز دارد، نه لزوماً بر پنهان کردن اینکه چه کسی تراکنش انجام می‌دهد.
• رمزنگاری داده‌های ذخیره‌شده — رمزنگاری داده‌های ذخیره‌شده آن‌ها را از دسترسی غیرمجاز محافظت می‌کند اما به حریم خصوصی در حین محاسبه نمی‌پردازد. محاسبات حافظ حریم خصوصی یعنی داده‌ها در حین پردازش نیز محافظت‌شده باقی می‌مانند.
• مالکیت داده — کنترل اینکه چه کسی به داده‌ها دسترسی دارد به حریم خصوصی مربوط است، اما یک دغدغهٔ حاکمیتی و کنترل دسترسی است، نه دغدغه‌ای محاسباتی.

پرسش‌های متداول

تفاوت میان حریم خصوصی و محرمانگی در کریپتو AI چیست؟

در عمل، این دو اصطلاح اغلب به‌جای یکدیگر استفاده می‌شوند. به‌طور دقیق، حریم خصوصی به حق یا توانایی کنترل اینکه چه اطلاعاتی افشا شود اشاره دارد، در حالی که محرمانگی به تعهد یا مکانیزمی اشاره دارد که از افشای غیرمجاز جلوگیری می‌کند. در کریپتو AI، محاسبات محرمانه (اجرای محاسبات در یک محیط محافظت‌شده) مکانیزمی است که هدف حریم خصوصی را محقق می‌کند. وقتی پروژه‌ای می‌گوید «استنتاج محرمانه»، معمولاً منظور این است که استنتاج در محیطی (مانند TEE) اجرا می‌شود که از داده‌ها محافظت می‌کند — این یک پیاده‌سازی مشخص از هدف گسترده‌تر حریم خصوصی است.

آیا مدل‌های AI می‌توانند روی یک بلاکچین عمومی خصوصی باشند؟

خودِ محاسبهٔ AI روی بلاکچین اجرا نمی‌شود — بلکه روی زیرساخت محاسباتی off-chain اجرا می‌شود. بلاکچین اثبات‌ها، attestationها یا نتایج را ثبت می‌کند. حریم خصوصی در لایهٔ محاسبات (با استفاده از TEE، ZK یا تکنیک‌های دیگر) محقق می‌شود، نه در لایهٔ بلاکچین. بلاکچین می‌تواند تأیید کند که یک محاسبهٔ خصوصی به‌درستی انجام شده (از طریق اثبات ZK یا attestation مربوط به TEE) بدون آنکه داده‌های زیرین را ببیند. رکورد on-chain عمومی است؛ محاسبه و داده‌های پشت آن می‌توانند خصوصی باقی بمانند.

کدام رویکرد حریم خصوصی برای AI بهترین است؟

هیچ رویکرد یگانهٔ بهترینی وجود ندارد — هر کدام بده‌بستان‌های خود را دارند. TEE‌ها عملکرد عملی برای بارهای کاری واقعی ارائه می‌دهند اما به فرض‌های اعتماد سخت‌افزاری وابسته‌اند. اثبات‌های ZK تضمین‌های ریاضی بدون نیاز به اعتماد فراهم می‌کنند اما از نظر محاسباتی پرهزینه و به مدل‌های کوچک‌تر محدودند. MPC محاسبهٔ مشترک بدون اشتراک‌گذاری ورودی‌ها را ممکن می‌سازد اما نیازمند هماهنگی میان طرف‌هاست. امروزه بیشتر سیستم‌های تولیدی برای استنتاج محرمانه از TEE استفاده می‌کنند و اثبات‌های ZK به‌طور گزینشی برای راستی‌آزمایی‌های با ارزش بالا به کار می‌روند. انتخاب به مدل تهدید، الزامات عملکردی و حساسیت داده‌های درگیر بستگی دارد.

آیا حریم خصوصی استنتاج AI را کند می‌کند؟

به مکانیزم بستگی دارد. استنتاج مبتنی بر TEE تقریباً با سرعت بومی اجرا می‌شود — ایزوله‌سازی سخت‌افزاری سربار حداقلی ایجاد می‌کند. راستی‌آزمایی مبتنی بر ZK سربار قابل توجهی به تولید اثبات اضافه می‌کند (چندین مرتبهٔ بزرگی کندتر از استنتاج ساده)، هرچند خودِ راستی‌آزمایی سریع است. MPC و HE هر دو هزینه‌های محاسباتی قابل توجهی به همراه دارند. در عمل، پروژه‌ها مکانیزم حریم خصوصی‌ای را انتخاب می‌کنند که میان تضمین حریم خصوصی مورد نیاز و عملکرد قابل قبول برای کاربردشان توازن برقرار کند.

منابع خارجی

• Ethereum.org — Zero-knowledge proofs — توضیح بنیادین مفاهیم ZK و کاربردهای آن‌ها در حریم خصوصی و مقیاس‌پذیری بلاکچین.
• Confidential Computing Consortium — کنسرسیوم صنعتی که استانداردها را تعریف و پذیرش محاسبات محرمانهٔ مبتنی بر سخت‌افزار (TEE و فناوری‌های مرتبط) را ترویج می‌کند.
• OpenMined — Privacy-preserving machine learning — جامعهٔ متن‌باز و ابزارهایی برای AI حافظ حریم خصوصی، از جمله یادگیری فدرال و محاسبات رمزنگاری‌شده.

همچنین ببینید

• ZK (دانش صفر) چیست
• TEE (محیط اجرای مورد اعتماد) چیست
• zkML چیست
• استنتاج چیست
• چگونه بفهمیم یک پروژه واقعاً AI دارد