Skip to main content

Che cos'è la privacy in cripto e AI

Nota: Questo documento è una traduzione automatica della versione originale in inglese.

Che cos'è la privacy in cripto e AI

La privacy nel contesto di cripto e AI indica la capacità di elaborare, archiviare e trasmettere dati senza esporli a parti non autorizzate. Nei sistemi decentralizzati la privacy è particolarmente difficile perché le blockchain sono trasparenti per progettazione — transazioni, stati degli smart contract e dati on-chain sono pubblicamente visibili. Le tecnologie di tutela della privacy consentono di eseguire computazioni su dati sensibili (inclusi input, output e pesi dei modelli AI) mantenendo tali dati riservati.

In sintesi: la privacy nella cripto AI significa eseguire computazioni sui dati senza rivelare i dati stessi. Combina tecniche crittografiche e basate su hardware per proteggere input, output e parametri dei modelli in ambienti decentralizzati.

Perché la privacy conta nell'AI decentralizzata

Nell'AI centralizzata la privacy è gestita tramite controlli di accesso, contratti e fiducia nel fornitore. Gli utenti si fidano del fatto che l'azienda che gestisce il modello non farà un uso improprio dei loro dati. Nell'AI decentralizzata non esiste un'unica parte fidata. Fornitori di calcolo, validator e altri partecipanti alla rete possono essere anonimi e non affidabili. Questo crea diverse sfide per la privacy:

  • Privacy degli input. Un utente che invia una cartella clinica, dati finanziari o una query personale a un modello AI decentralizzato non vuole che il fornitore di calcolo veda l'input in chiaro.
  • Privacy degli output. In alcuni scenari il risultato di una computazione AI è a sua volta sensibile — un punteggio di rischio, una diagnosi o un segnale di trading che il richiedente non vuole divulgare.
  • Privacy del modello. I pesi dei modelli AI rappresentano una proprietà intellettuale significativa. Il proprietario di un modello che utilizza una rete di calcolo decentralizzata può non volere che il fornitore di calcolo veda o copi il modello.
  • Privacy dei dati di addestramento. I modelli addestrati su dati proprietari o personali devono proteggere tali dati, sia durante l'addestramento sia in produzione (prevenendo l'estrazione tramite query avversarie).

Senza meccanismi di tutela della privacy, l'AI decentralizzata affronta una tensione fondamentale: il sistema è progettato per essere trustless, ma i partecipanti devono comunque fidarsi gli uni degli altri per non guardare i dati che scorrono nella rete.

Come si ottiene la privacy

La computazione a tutela della privacy nella cripto AI utilizza diversi approcci, spesso in combinazione:

Zero-knowledge proof (ZK)

Le zero-knowledge proof consentono a una parte di dimostrare che un'affermazione è vera senza rivelare alcuna informazione oltre alla verità dell'affermazione stessa. Nelle applicazioni AI, le ZK possono dimostrare che un'inferenza del modello è stata calcolata correttamente senza rivelare i pesi del modello né i dati di input. Questo approccio fornisce una garanzia crittografica matematica (trustless), ma comporta un overhead computazionale significativo, soprattutto per modelli AI complessi. Vedi la pagina dedicata a ZK per i dettagli su zk-SNARK, zk-STARK e le loro applicazioni.

Trusted Execution Environment (TEE)

Un TEE è una regione del processore isolata a livello hardware in cui codice e dati sono protetti dal resto del sistema — inclusi sistema operativo, hypervisor e persino il proprietario dell'hardware. I TEE consentono di eseguire modelli AI su hardware non affidabile mantenendo riservati modello e dati. Il compromesso è che la sicurezza dipende dall'implementazione del produttore dell'hardware anziché da prove matematiche. Vedi la pagina dedicata a TEE per i dettagli.

Secure multi-party computation (MPC)

L'MPC consente a più parti di calcolare congiuntamente una funzione sui propri input senza rivelare tali input le une alle altre. Nell'AI, l'MPC può abilitare inferenza distribuita in cui nessun singolo nodo vede il modello completo o l'input completo. L'overhead computazionale è considerevole, e le implementazioni pratiche coinvolgono tipicamente un numero ridotto di parti anziché grandi reti.

Crittografia omomorfica (HE)

La crittografia completamente omomorfica consente di eseguire computazioni direttamente su dati cifrati, producendo un risultato cifrato che, una volta decifrato, corrisponde al risultato della stessa computazione eseguita su dati in chiaro. In teoria, questo abilita qualsiasi computazione AI su dati cifrati. In pratica, gli schemi HE attuali sono di ordini di grandezza più lenti della computazione in chiaro, il che ne limita l'uso a operazioni semplici o modelli piccoli.

Differential privacy

La differential privacy aggiunge rumore accuratamente calibrato ai dati o agli output del modello per impedire che singoli record vengano identificati, preservando al contempo le proprietà statistiche del dataset. Viene utilizzata principalmente durante l'addestramento del modello per garantire che il modello non memorizzi e successivamente non faccia trapelare singoli esempi di addestramento. È un framework matematico, non una tecnica di crittografia.

Confronto tra gli approcci

Approccio Protegge Modello di fiducia Overhead Maturità
ZK proof Integrità della computazione + privacy dei dati Matematico (trustless) Molto alto Ricerca attiva; dimostrato su modelli piccoli
TEE Dati a runtime + riservatezza del modello Produttore dell'hardware Da basso a moderato Pronto per la produzione per molti workload
MPC Privacy degli input tra le parti Maggioranza onesta tra le parti Alto Distribuito in contesti specializzati
HE Privacy dei dati durante la computazione Matematico (trustless) Molto alto Sperimentale per workload AI
Differential privacy Privacy dei dati di addestramento Garanzia statistica Basso Ampiamente adottata nelle pipeline di training

Inferenza AI a tutela della privacy

L'applicazione più immediata nella cripto AI è l'inferenza confidenziale: eseguire un modello sui dati di un utente in modo che né il fornitore di calcolo veda l'input né l'utente veda i pesi del modello. È il problema di privacy centrale per le reti decentralizzate di inferenza AI.

Le soluzioni pratiche attuali usano tipicamente i TEE per l'inferenza confidenziale, perché l'overhead è gestibile e la tecnologia è matura. Gli approcci basati su ZK (zkML) forniscono garanzie più forti ma sono limitati a modelli più piccoli. Gli approcci MPC e HE restano in gran parte sperimentali per i workload di inferenza.

Una pipeline realistica di inferenza confidenziale potrebbe funzionare così:

  1. L'utente cifra il proprio input o lo invia a un enclave TEE.
  2. Il modello viene eseguito all'interno del TEE, dove né l'operatore né osservatori esterni possono leggere i dati.
  3. Il TEE produce un'attestation — una prova crittografica che la computazione è stata eseguita all'interno di un enclave autentico e non modificato.
  4. Il risultato viene restituito all'utente, cifrato o attraverso un canale sicuro.

L'attestation permette all'utente di verificare che la computazione sia avvenuta in un ambiente protetto senza doversi fidare del fornitore di calcolo.

Perché è importante per DecAIHub

La privacy è un tema trasversale nel framework di valutazione di DecAIHub. I progetti possono usare tecniche di tutela della privacy in diversi modi:

  • Come componente AI. Inferenza confidenziale, serving privato dei modelli o addestramento a tutela della privacy compaiono nel campo AI component quando sono centrali nella pipeline AI del progetto.
  • Come funzionalità on-chain. Alcuni progetti usano ZK proof o attestation TEE come artefatti on-chain, contribuendo alla dimensione Onchain necessity del DecAI Fit.
  • Come elemento differenziante. La computazione a tutela della privacy è tecnicamente impegnativa. I progetti che la implementano con evidenza verificabile (log di attestation TEE, contratti di verifica di ZK proof) dimostrano una reale profondità tecnica.

Nella valutazione delle dichiarazioni sulla privacy, la domanda chiave è: qual è il meccanismo concreto, e quale evidenza esiste che sia effettivamente in produzione? Una dichiarazione di «AI a tutela della privacy» senza specificare se il progetto usa TEE, ZK, MPC o un altro approccio è troppo vaga per essere valutata.

Dove compare nelle schede progetto di DecAIHub

Le funzionalità legate alla privacy compaiono in diversi campi delle schede progetto:

  • AI component — valori come «confidential inference», «private model serving» o «TEE-based execution» indicano meccanismi di tutela della privacy.
  • Tag di categoria — i progetti possono avere tag che indicano l'uso di tecnologie di privacy accanto alla loro categoria AI principale.
  • Tabella Evidence — l'evidenza Tier-1 per la privacy include record di attestation TEE, contratti verifier ZK, report di audit pubblicati per implementazioni di confidential computing e policy documentate di gestione dei dati.

Cosa la privacy da sola non dimostra

  • La privacy non dimostra la AI reality. Un progetto può implementare tecnologie di privacy sofisticate senza avere alcuna AI reale dietro.
  • La privacy non dimostra la decentralizzazione. Un singolo fornitore centralizzato può gestire un servizio di inferenza confidenziale basato su TEE. La garanzia di privacy è indipendente dal fatto che il sistema sia decentralizzato.
  • La privacy non dimostra la sicurezza. La privacy protegge i dati dall'accesso non autorizzato, ma non protegge da bug, errori logici o altre vulnerabilità nella pipeline AI.
  • La privacy non dimostra la Token necessity. La computazione a tutela della privacy può funzionare senza una blockchain o un token. Se il token aggiunge valore significativo è una valutazione separata.
  • Dichiarare la privacy senza specificare il meccanismo non è verificabile. «Privacy-preserving» senza TEE, ZK, MPC o un altro approccio concreto è una dichiarazione di marketing, non tecnica.

Da non confondere con

  • ZK (zero-knowledge proof) — una tecnica crittografica specifica che può essere usata per la privacy, ma anche per la scalabilità (zk-rollup) e la verifica (zkML). La privacy è un concetto più ampio che include le ZK come uno degli strumenti.
  • TEE — un approccio basato su hardware al confidential computing. Il TEE è uno dei meccanismi per ottenere la privacy, non un suo sinonimo.
  • Anonimato — nascondere l'identità dei partecipanti alle transazioni. La privacy nell'AI si concentra sulla protezione di dati e computazione, non necessariamente sul nascondere chi effettua le transazioni.
  • Crittografia a riposo — cifrare i dati archiviati li protegge dall'accesso non autorizzato ma non affronta la privacy durante la computazione. Computazione a tutela della privacy significa che i dati restano protetti mentre vengono elaborati.
  • Proprietà dei dati — controllare chi ha accesso ai dati è correlato alla privacy, ma è una questione di governance e controllo degli accessi piuttosto che computazionale.

Domande frequenti

Qual è la differenza tra privacy e riservatezza nella cripto AI?

Nella pratica, i termini sono spesso usati in modo intercambiabile. In senso stretto, la privacy si riferisce al diritto o alla capacità di controllare quali informazioni vengono divulgate, mentre la riservatezza si riferisce all'obbligo o al meccanismo che impedisce la divulgazione non autorizzata. Nella cripto AI, il confidential computing (eseguire computazioni in un ambiente protetto) è un meccanismo che realizza l'obiettivo della privacy. Quando un progetto dice «confidential inference», di solito intende che l'inferenza viene eseguita in un ambiente (come un TEE) che protegge i dati — è un'implementazione specifica dell'obiettivo più ampio della privacy.

I modelli AI possono essere privati su una blockchain pubblica?

La computazione AI in sé non viene eseguita sulla blockchain — viene eseguita su infrastruttura di calcolo off-chain. La blockchain registra prove, attestation o risultati. La privacy si ottiene al livello del calcolo (usando TEE, ZK o altre tecniche), non al livello della blockchain. La blockchain può verificare che una computazione privata sia stata eseguita correttamente (tramite una ZK proof o un'attestation TEE) senza vedere i dati sottostanti. Il record on-chain è pubblico; la computazione e i dati dietro di esso possono restare privati.

Quale approccio alla privacy è il migliore per l'AI?

Non esiste un unico approccio migliore — ognuno ha i suoi compromessi. I TEE offrono prestazioni pratiche per workload reali ma dipendono da assunzioni di fiducia sull'hardware. Le ZK proof forniscono garanzie matematiche trustless ma sono computazionalmente costose e limitate a modelli più piccoli. L'MPC abilita la computazione congiunta senza condividere gli input ma richiede coordinamento tra le parti. La maggior parte dei sistemi di produzione oggi usa TEE per l'inferenza confidenziale, con ZK proof usate selettivamente per verifiche ad alto valore. La scelta dipende dal modello di minaccia, dai requisiti di prestazioni e dalla sensibilità dei dati coinvolti.

La privacy rallenta l'inferenza AI?

Dipende dal meccanismo. L'inferenza basata su TEE gira a velocità quasi nativa — l'isolamento hardware introduce un overhead minimo. La verifica basata su ZK aggiunge un overhead significativo alla generazione delle prove (di ordini di grandezza più lenta dell'inferenza semplice), sebbene la verifica sia veloce. MPC e HE introducono entrambi costi computazionali sostanziali. In pratica, i progetti scelgono il meccanismo di privacy che bilancia la garanzia di privacy richiesta con prestazioni accettabili per il loro caso d'uso.

Riferimenti esterni

Vedi anche

No comments to display

Back to top