什么是加密货币和 AI 中的隐私
注意：本文档是英文原版的自动翻译。
什么是加密货币和 AI 中的隐私
在加密货币与人工智能的语境中，**隐私（Privacy）**指的是在不向未授权方暴露数据的情况下处理、存储和传输数据的能力。在去中心化系统中，隐私尤其具有挑战性，因为区块链在设计上是透明的——交易、智能合约状态以及链上数据都是公开可见的。隐私保护技术允许在敏感数据（包括人工智能模型的输入、输出和权重）上执行计算，同时保持这些数据的机密性。
简而言之： 加密货币人工智能中的隐私意味着在不泄露数据本身的情况下对数据执行计算。它结合了基于密码学和基于硬件的技术，以在去中心化环境中保护模型的输入、输出和参数。
为什么隐私在去中心化人工智能中很重要
在中心化的人工智能中，隐私是通过访问控制、合同以及对提供商的信任来处理的。用户相信运行模型的公司不会滥用他们的数据。而在去中心化的人工智能中，不存在单一的受信任方。计算提供商、验证者以及其他网络参与者可能是匿名且不可信的。这带来了若干隐私挑战：
- 输入隐私。 向去中心化人工智能模型提交医疗记录、财务数据或个人查询的用户，不希望计算提供商看到原始输入。
- 输出隐私。 在某些场景中，人工智能计算的结果本身就是敏感的——例如风险评分、诊断结果或交易信号，请求方不希望它被披露。
- 模型隐私。 人工智能模型权重代表着重要的知识产权。在去中心化计算网络上使用模型的模型所有者，可能不希望计算提供商看到或复制该模型。
- 训练数据隐私。 基于专有数据或个人数据训练的模型，必须在训练期间和部署时都保护这些数据（防止通过对抗性查询提取数据）。
如果没有隐私保护机制，去中心化人工智能就面临一个根本性的张力：系统被设计为无需信任（trustless），但参与者仍然必须相互信任，相信对方不会窥视网络中流动的数据。
如何实现隐私
加密货币人工智能中的隐私保护计算使用了若干方法，并且常常组合使用：
零知识证明（ZK）
零知识证明允许一方在不泄露除了陈述本身为真之外的任何信息的情况下，证明某个陈述为真。在人工智能应用中，ZK 可以证明某次模型推理被正确计算，而无需泄露模型权重或输入数据。这种方法提供了数学上的（无需信任的）密码学保证，但伴随着巨大的计算开销，尤其是对于复杂的人工智能模型。关于 zk-SNARK、zk-STARK 及其应用的详情，请参阅专门的 ZK 页面。
可信执行环境（TEE）
TEE 是处理器中一个经过硬件隔离的区域，其中的代码和数据受到保护，免受系统其余部分的影响——包括操作系统、虚拟机管理程序，甚至硬件所有者本身。TEE 允许人工智能模型在不可信的硬件上运行，同时保持模型和数据的机密性。其权衡之处在于，安全性取决于硬件制造商的实现，而非数学证明。详情请参阅专门的 TEE 页面。
安全多方计算（MPC）
MPC 允许多个参与方在不向彼此泄露各自输入的情况下，共同对它们的输入计算某个函数。在人工智能中，MPC 可以实现分布式推理，其中没有任何单个节点能看到完整的模型或完整的输入。其计算开销巨大，实际的实现通常涉及少数几个参与方，而非大型网络。
同态加密（HE）
全同态加密允许直接在加密数据上执行计算，产生一个加密结果，当该结果被解密后，与在未加密数据上执行相同计算所得的结果相匹配。理论上，这使得任何人工智能计算都可以在加密数据上进行。但在实践中，当前的 HE 方案比明文计算慢几个数量级，将其用途限制在简单运算或小型模型上。
差分隐私
差分隐私向数据或模型输出添加经过精心校准的噪声，以防止个体记录被识别出来，同时保留数据集的统计特性。它主要用于模型训练期间，以确保模型不会记住并在之后泄露个体训练样本。它是一个数学框架，而非一种加密技术。
各种方法的比较
| 方法 | 保护对象 | 信任模型 | 开销 | 成熟度 |
|---|---|---|---|---|
| ZK 证明 | 计算完整性 + 数据隐私 | 数学（无需信任） | 非常高 | 活跃研究中；小型模型已被验证 |
| TEE | 运行时数据 + 模型机密性 | 硬件制造商 | 低到中等 | 对许多工作负载已可投入生产 |
| MPC | 参与方之间的输入隐私 | 参与方中的诚实多数 | 高 | 已部署于专门场景 |
| HE | 计算期间的数据隐私 | 数学（无需信任） | 非常高 | 对人工智能工作负载处于实验阶段 |
| 差分隐私 | 训练数据隐私 | 统计保证 | 低 | 在训练流水线中被广泛采用 |
隐私保护的人工智能推理
在加密货币人工智能中最直接的应用是机密推理：在用户的数据上运行模型，使得计算提供商看不到输入，用户也看不到模型权重。这是去中心化人工智能推理网络的核心隐私问题。
当前实用的解决方案通常使用 TEE 来进行机密推理，因为其开销可控且技术成熟。基于 ZK 的方法（zkML）提供了更强的保证，但仅限于较小的模型。对于推理工作负载而言，MPC 和 HE 的方法在很大程度上仍处于实验阶段。
一个现实可行的机密推理流水线可能如下运作：
- 用户加密其输入，或将其发送到 TEE 飞地（enclave）。
- 模型在 TEE 内部运行，在那里运营方和外部观察者都无法读取数据。
- TEE 产生一个证明（attestation）——一个密码学证据，证明计算是在一个真实、未经修改的飞地内运行的。
- 结果以加密形式或通过安全通道返回给用户。
该证明使用户能够在不信任计算提供商的情况下，验证计算确实发生在一个受保护的环境中。
为什么这对 DecAIHub 很重要
隐私是 DecAIHub 评估框架中一个横跨多个维度的关注点。项目可能以多种方式使用隐私保护技术：
- 作为
AI component。 当机密推理、私有模型服务或隐私保护训练是项目人工智能流水线的核心时，它们会出现在AI component字段中。 - 作为链上特性。 一些项目使用 ZK 证明或 TEE 证明作为链上工件，从而贡献于 DecAI Fit 的 Onchain necessity 维度。
- 作为差异化优势。 隐私保护计算在技术上颇具挑战性。那些通过可验证证据（TEE 证明日志、ZK 证明验证合约）来实现它的项目，展示了真正的技术深度。
在评估隐私声明时，关键问题是：具体机制是什么，以及有什么证据表明它已经被部署？一个笼统的"隐私保护人工智能"声明，如果不指明项目使用的是 TEE、ZK、MPC 还是其他方法，就过于含糊而无法评估。
它在 DecAIHub 项目卡片中出现的位置
与隐私相关的特性会出现在项目卡片的若干字段中：
AI component—— 诸如"机密推理"、"私有模型服务"或"基于 TEE 的执行"之类的值，表明存在隐私保护机制。- 类别标签 —— 项目可能携带表明其使用隐私技术的标签，与其主要的人工智能类别并列。
- 证据表 —— 隐私方面的 Tier-1 证据包括 TEE 证明记录、ZK 验证者合约、为机密计算实现发布的审计报告，以及有文档记录的数据处理策略。
仅凭隐私无法证明什么
- 隐私无法证明 AI reality。 一个项目可以实现复杂的隐私技术，而其背后却没有真正的人工智能。
- 隐私无法证明去中心化。 单个中心化的提供商也可以运行基于 TEE 的机密推理服务。隐私保证与系统是否去中心化无关。
- 隐私无法证明安全性。 隐私保护数据免遭未授权访问，但无法防止人工智能流水线中的漏洞、逻辑错误或其他脆弱性。
- 隐私无法证明 token necessity。 隐私保护计算无需区块链或代币也能运作。代币是否带来了有意义的价值，是一个独立的评估问题。
- 声称隐私却不指明机制是无法验证的。没有 TEE、ZK、MPC 或其他具体方法的"隐私保护"是一个营销声明，而非技术声明。
请勿混淆
- ZK（零知识证明） —— 一种特定的密码学技术，既可用于隐私，也可用于扩容（zk-rollup）和验证（zkML）。隐私是一个更广泛的概念，将 ZK 作为其中一种工具。
- TEE —— 一种基于硬件的机密计算方法。TEE 是实现隐私的一种机制，而非隐私的同义词。
- 匿名性 —— 隐藏交易参与者的身份。人工智能中的隐私聚焦于保护数据和计算，而不一定是隐藏谁在进行交易。
- 静态加密 —— 加密存储的数据可保护其免遭未授权访问，但并不解决计算期间的隐私问题。隐私保护计算意味着数据在被处理时仍然受到保护。
- 数据所有权 —— 控制谁有权访问数据与隐私相关，但它属于治理与访问控制的关注点，而非计算层面的关注点。
常见问题
在加密货币人工智能中，隐私（privacy）与机密性（confidentiality）有什么区别？
在实践中，这两个术语常常可以互换使用。严格来说，隐私指的是控制何种信息被披露的权利或能力，而机密性指的是防止未授权披露的义务或机制。在加密货币人工智能中，机密计算（在受保护的环境中运行计算）是实现隐私目标的一种机制。当一个项目说"机密推理"时，通常意味着推理运行在一个保护数据的环境中（例如 TEE）——这是更广泛的隐私目标的一种具体实现。
人工智能模型能否在公共区块链上保持私密？
人工智能计算本身并不在区块链上运行——它运行在链下计算基础设施上。区块链记录的是证明、证据（attestation）或结果。隐私是在计算层（使用 TEE、ZK 或其他技术）实现的，而非在区块链层。区块链可以在不看到底层数据的情况下，验证某次私密计算被正确执行（通过 ZK 证明或 TEE 证明）。链上记录是公开的；其背后的计算和数据可以保持私密。
哪种隐私方法最适合人工智能？
不存在唯一最佳的方法——每种方法都有权衡。TEE 为真实工作负载提供了实用的性能，但依赖于硬件信任假设。ZK 证明提供了无需信任的数学保证，但计算成本高昂且仅限于较小的模型。MPC 能够在不共享输入的情况下实现联合计算，但需要参与方之间的协调。如今大多数生产系统使用 TEE 进行机密推理，并选择性地将 ZK 证明用于高价值的验证。选择取决于威胁模型、性能要求以及所涉数据的敏感程度。
隐私会拖慢人工智能推理吗？
这取决于机制。基于 TEE 的推理以接近原生的速度运行——硬件隔离引入的开销极小。基于 ZK 的验证为证明生成增加了巨大的开销（比普通推理慢几个数量级），不过验证过程很快。MPC 和 HE 都会引入可观的计算成本。在实践中，项目会选择能在所需的隐私保证与其用例可接受的性能之间取得平衡的隐私机制。
外部参考资料
- Ethereum.org — Zero-knowledge proofs —— 对 ZK 概念及其在区块链隐私和扩容中应用的基础性讲解。
- Confidential Computing Consortium —— 一个行业联盟，定义标准并推动基于硬件的机密计算（TEE 及相关技术）的采用。
- OpenMined — Privacy-preserving machine learning —— 面向隐私保护人工智能的开源社区与工具，包括联邦学习和加密计算。
No comments to display
No comments to display