Skip to main content

Apakah itu privasi dalam kripto dan AI

Nota: Dokumen ini adalah terjemahan automatik daripada versi asal bahasa Inggeris.

Apakah itu privasi dalam kripto dan AI

Privasi dalam konteks kripto dan AI merujuk kepada keupayaan untuk memproses, menyimpan, dan menghantar data tanpa mendedahkannya kepada pihak yang tidak dibenarkan. Dalam sistem terdesentralisasi, privasi amat mencabar kerana blockchain bersifat telus secara reka bentuk — transaksi, keadaan kontrak pintar, dan data on-chain boleh dilihat secara umum. Teknologi pemeliharaan privasi membolehkan pengiraan dilakukan ke atas data sensitif (termasuk input, output, dan pemberat model AI) sambil mengekalkan kerahsiaan data tersebut.

Ringkasnya: privasi dalam kripto AI bermaksud menjalankan pengiraan ke atas data tanpa mendedahkan data itu sendiri. Ia menggabungkan teknik kriptografi dan berasaskan perkakasan untuk melindungi input, output, dan parameter model dalam persekitaran terdesentralisasi.

Mengapa privasi penting dalam AI terdesentralisasi

Dalam AI terpusat, privasi dikendalikan melalui kawalan akses, kontrak, dan kepercayaan kepada penyedia. Pengguna percaya bahawa syarikat yang menjalankan model tidak akan menyalahgunakan data mereka. Dalam AI terdesentralisasi, tiada satu pihak yang dipercayai. Penyedia pengiraan, validator, dan peserta rangkaian lain mungkin tanpa nama dan tidak dipercayai. Ini mewujudkan beberapa cabaran privasi:

  • Privasi input. Pengguna yang menghantar rekod perubatan, data kewangan, atau pertanyaan peribadi kepada model AI terdesentralisasi tidak mahu penyedia pengiraan melihat input mentah.
  • Privasi output. Dalam sesetengah senario, hasil pengiraan AI itu sendiri adalah sensitif — skor risiko, diagnosis, atau isyarat dagangan yang tidak mahu didedahkan oleh peminta.
  • Privasi model. Pemberat model AI mewakili harta intelek yang penting. Pemilik model yang menggunakan rangkaian pengiraan terdesentralisasi mungkin tidak mahu penyedia pengiraan melihat atau menyalin model tersebut.
  • Privasi data latihan. Model yang dilatih menggunakan data proprietari atau peribadi mesti melindungi data tersebut, baik semasa latihan mahupun semasa penggunaan (mencegah pengekstrakan melalui pertanyaan adversarial).

Tanpa mekanisme pemeliharaan privasi, AI terdesentralisasi menghadapi ketegangan asas: sistem direka untuk menjadi tanpa kepercayaan, tetapi peserta masih perlu saling mempercayai untuk tidak melihat data yang mengalir melalui rangkaian.

Bagaimana privasi dicapai

Pengiraan pemeliharaan privasi dalam kripto AI menggunakan beberapa pendekatan, sering kali secara gabungan:

Bukti pengetahuan sifar (ZK)

Bukti pengetahuan sifar membolehkan satu pihak membuktikan sesuatu kenyataan adalah benar tanpa mendedahkan sebarang maklumat selain kebenaran kenyataan itu sendiri. Dalam aplikasi AI, ZK boleh membuktikan bahawa inferens model dikira dengan betul tanpa mendedahkan pemberat model atau data input. Pendekatan ini memberikan jaminan kriptografi matematik (tanpa kepercayaan) tetapi datang dengan overhed pengiraan yang ketara, terutamanya untuk model AI yang kompleks. Lihat halaman khusus tentang ZK untuk butiran tentang zk-SNARKs, zk-STARKs, dan aplikasinya.

Persekitaran Pelaksanaan Dipercayai (TEE)

TEE ialah kawasan pemproses yang diasingkan secara perkakasan di mana kod dan data dilindungi daripada seluruh sistem — termasuk sistem pengendalian, hipervisor, dan malah pemilik perkakasan. TEE membolehkan model AI berjalan pada perkakasan yang tidak dipercayai sambil mengekalkan kerahsiaan model dan data. Pertukarannya ialah keselamatan bergantung pada pelaksanaan pengeluar perkakasan dan bukannya bukti matematik. Lihat halaman khusus tentang TEE untuk butiran.

Pengiraan multi-pihak selamat (MPC)

MPC membolehkan berbilang pihak mengira fungsi secara bersama ke atas input mereka tanpa mendedahkan input tersebut kepada satu sama lain. Dalam AI, MPC boleh membolehkan inferens teragih di mana tiada satu nod pun melihat model lengkap atau input lengkap. Overhed pengiraannya besar, dan pelaksanaan praktikal biasanya melibatkan bilangan pihak yang kecil dan bukannya rangkaian besar.

Penyulitan homomorfik (HE)

Penyulitan homomorfik penuh membolehkan pengiraan dilakukan secara langsung ke atas data yang disulitkan, menghasilkan keputusan tersulit yang, apabila dinyahsulit, sepadan dengan keputusan pengiraan yang sama ke atas data tidak disulitkan. Secara teori, ini membolehkan sebarang pengiraan AI ke atas data tersulit. Dalam praktiknya, skema HE semasa adalah beberapa tertib magnitud lebih perlahan daripada pengiraan teks biasa, menghadkan penggunaannya kepada operasi mudah atau model kecil.

Privasi kebezaan

Privasi kebezaan menambah hingar yang ditentukur dengan teliti pada data atau output model untuk mencegah rekod individu daripada dikenal pasti, sambil mengekalkan sifat statistik set data. Ia digunakan terutamanya semasa latihan model untuk memastikan model tidak menghafal dan kemudiannya membocorkan contoh latihan individu. Ia adalah rangka kerja matematik dan bukannya teknik penyulitan.

Perbandingan pendekatan

Pendekatan Melindungi Model kepercayaan Overhed Kematangan
Bukti ZK Integriti pengiraan + privasi data Matematik (tanpa kepercayaan) Sangat tinggi Penyelidikan aktif; model kecil telah dibuktikan
TEE Data masa jalan + kerahsiaan model Pengeluar perkakasan Rendah hingga sederhana Sedia produksi untuk banyak beban kerja
MPC Privasi input merentas pihak Majoriti jujur dalam kalangan pihak Tinggi Digunakan dalam tetapan khusus
HE Privasi data semasa pengiraan Matematik (tanpa kepercayaan) Sangat tinggi Eksperimental untuk beban kerja AI
Privasi kebezaan Privasi data latihan Jaminan statistik Rendah Diterima pakai secara meluas dalam saluran latihan

Inferens AI pemeliharaan privasi

Aplikasi paling segera dalam kripto AI ialah inferens sulit: menjalankan model ke atas data pengguna sedemikian rupa sehingga penyedia pengiraan tidak melihat input dan pengguna tidak melihat pemberat model. Ini adalah masalah privasi teras bagi rangkaian inferens AI terdesentralisasi.

Penyelesaian praktikal semasa biasanya menggunakan TEE untuk inferens sulit kerana overhednya boleh diurus dan teknologinya matang. Pendekatan berasaskan ZK (zkML) memberikan jaminan yang lebih kukuh tetapi terhad kepada model yang lebih kecil. Pendekatan MPC dan HE sebahagian besarnya masih eksperimental untuk beban kerja inferens.

Saluran inferens sulit yang realistik mungkin berfungsi seperti berikut:

  1. Pengguna menyulitkan input mereka atau menghantarnya ke enklaf TEE.
  2. Model berjalan di dalam TEE, di mana operator mahupun pemerhati luaran tidak dapat membaca data.
  3. TEE menghasilkan atestasi — bukti kriptografi bahawa pengiraan berjalan di dalam enklaf tulen yang tidak diubah suai.
  4. Keputusan dikembalikan kepada pengguna, disulitkan atau melalui saluran selamat.

Atestasi membolehkan pengguna mengesahkan bahawa pengiraan berlaku dalam persekitaran terlindung tanpa mempercayai penyedia pengiraan.

Mengapa ia penting untuk DecAIHub

Privasi ialah kebimbangan lintas bidang dalam rangka kerja penilaian DecAIHub. Projek boleh menggunakan teknik pemeliharaan privasi dalam beberapa cara:

  • Sebagai komponen AI. Inferens sulit, penyajian model peribadi, atau latihan pemeliharaan privasi muncul dalam medan komponen AI apabila ia menjadi teras kepada saluran AI projek.
  • Sebagai ciri on-chain. Sesetengah projek menggunakan bukti ZK atau atestasi TEE sebagai artifak on-chain, menyumbang kepada dimensi Onchain necessity dalam DecAI Fit.
  • Sebagai pembeza. Pengiraan pemeliharaan privasi mencabar dari segi teknikal. Projek yang melaksanakannya dengan bukti boleh disahkan (log atestasi TEE, kontrak pengesahan bukti ZK) menunjukkan kedalaman teknikal yang tulen.

Apabila menilai dakwaan privasi, soalan utamanya ialah: apakah mekanisme konkritnya, dan apakah bukti yang wujud bahawa ia telah digunakan? Dakwaan "AI pemeliharaan privasi" tanpa menyatakan sama ada projek menggunakan TEE, ZK, MPC, atau pendekatan lain adalah terlalu kabur untuk dinilai.

Di mana ia muncul dalam kad projek DecAIHub

Ciri berkaitan privasi muncul merentas beberapa medan dalam kad projek:

  • AI component — nilai seperti "confidential inference," "private model serving," atau "TEE-based execution" menunjukkan mekanisme pemeliharaan privasi.
  • Tag kategori — projek mungkin membawa tag yang menunjukkan penggunaan teknologi privasi di samping kategori AI utama mereka.
  • Jadual bukti — bukti Tier-1 untuk privasi termasuk rekod atestasi TEE, kontrak pengesah ZK, laporan audit yang diterbitkan untuk pelaksanaan pengiraan sulit, dan dasar pengendalian data yang didokumenkan.

Apa yang privasi sahaja tidak buktikan

  • Privasi tidak membuktikan AI reality. Projek boleh melaksanakan teknologi privasi yang canggih tanpa mempunyai AI sebenar di sebaliknya.
  • Privasi tidak membuktikan desentralisasi. Satu penyedia terpusat boleh menjalankan perkhidmatan inferens sulit berasaskan TEE. Jaminan privasi tidak bergantung pada sama ada sistem itu terdesentralisasi.
  • Privasi tidak membuktikan keselamatan. Privasi melindungi data daripada akses tidak dibenarkan, tetapi tidak melindungi daripada pepijat, ralat logik, atau kelemahan lain dalam saluran AI.
  • Privasi tidak membuktikan token necessity. Pengiraan pemeliharaan privasi boleh berfungsi tanpa blockchain atau token. Sama ada token menambah nilai bermakna adalah penilaian yang berasingan.
  • Mendakwa privasi tanpa menyatakan mekanisme tidak boleh disahkan. "Pemeliharaan privasi" tanpa TEE, ZK, MPC, atau pendekatan konkrit lain adalah dakwaan pemasaran, bukan dakwaan teknikal.

Jangan kelirukan dengan

  • ZK (bukti pengetahuan sifar) — teknik kriptografi khusus yang boleh digunakan untuk privasi, tetapi juga untuk penskalaan (zk-rollups) dan pengesahan (zkML). Privasi ialah konsep lebih luas yang merangkumi ZK sebagai salah satu alat.
  • TEE — pendekatan berasaskan perkakasan untuk pengiraan sulit. TEE ialah satu mekanisme untuk mencapai privasi, bukan sinonimnya.
  • Ketanpanamaan — menyembunyikan identiti peserta transaksi. Privasi dalam AI menumpukan pada perlindungan data dan pengiraan, tidak semestinya pada menyembunyikan siapa yang bertransaksi.
  • Penyulitan semasa rehat — menyulitkan data tersimpan melindunginya daripada akses tidak dibenarkan tetapi tidak menangani privasi semasa pengiraan. Pengiraan pemeliharaan privasi bermaksud data kekal terlindung semasa diproses.
  • Pemilikan data — mengawal siapa yang mempunyai akses kepada data berkaitan dengan privasi tetapi merupakan kebimbangan tadbir urus dan kawalan akses dan bukannya kebimbangan pengiraan.

Soalan lazim

Apakah perbezaan antara privasi dan kerahsiaan dalam kripto AI?

Dalam praktiknya, istilah ini sering digunakan secara bertukar ganti. Secara ketat, privasi merujuk kepada hak atau keupayaan untuk mengawal maklumat yang didedahkan, manakala kerahsiaan merujuk kepada kewajipan atau mekanisme yang mencegah pendedahan tanpa kebenaran. Dalam kripto AI, pengiraan sulit (menjalankan pengiraan dalam persekitaran terlindung) ialah mekanisme yang mencapai matlamat privasi. Apabila projek menyebut "inferens sulit," ia biasanya bermaksud inferens berjalan dalam persekitaran (seperti TEE) yang melindungi data — ini adalah pelaksanaan khusus bagi matlamat privasi yang lebih luas.

Bolehkah model AI kekal peribadi pada blockchain awam?

Pengiraan AI itu sendiri tidak berjalan pada blockchain — ia berjalan pada infrastruktur pengiraan off-chain. Blockchain merekodkan bukti, atestasi, atau keputusan. Privasi dicapai pada lapisan pengiraan (menggunakan TEE, ZK, atau teknik lain), bukan pada lapisan blockchain. Blockchain boleh mengesahkan bahawa pengiraan peribadi dilakukan dengan betul (melalui bukti ZK atau atestasi TEE) tanpa melihat data asas. Rekod on-chain adalah awam; pengiraan dan data di sebaliknya boleh kekal peribadi.

Pendekatan privasi manakah yang terbaik untuk AI?

Tiada satu pendekatan terbaik — setiap satu mempunyai pertukaran. TEE menawarkan prestasi praktikal untuk beban kerja sebenar tetapi bergantung pada andaian kepercayaan perkakasan. Bukti ZK memberikan jaminan matematik tanpa kepercayaan tetapi mahal dari segi pengiraan dan terhad kepada model yang lebih kecil. MPC membolehkan pengiraan bersama tanpa berkongsi input tetapi memerlukan penyelarasan antara pihak. Kebanyakan sistem produksi hari ini menggunakan TEE untuk inferens sulit, dengan bukti ZK digunakan secara terpilih untuk pengesahan bernilai tinggi. Pilihan bergantung pada model ancaman, keperluan prestasi, dan kesensitifan data yang terlibat.

Adakah privasi memperlahankan inferens AI?

Ia bergantung pada mekanisme. Inferens berasaskan TEE berjalan pada kelajuan hampir asli — pengasingan perkakasan memperkenalkan overhed minimum. Pengesahan berasaskan ZK menambah overhed yang ketara kepada penjanaan bukti (beberapa tertib magnitud lebih perlahan daripada inferens biasa), walaupun pengesahannya pantas. MPC dan HE kedua-duanya memperkenalkan kos pengiraan yang besar. Dalam praktiknya, projek memilih mekanisme privasi yang mengimbangi jaminan privasi yang diperlukan dengan prestasi yang boleh diterima untuk kes penggunaan mereka.

Rujukan luaran

Lihat juga

No comments to display

Back to top