С ростом как предложения, так и спроса на данные люди оставляют все более обширные цифровые следы, что делает личную информацию более уязвимой для неправомерного использования или несанкционированного доступа. Мы видели случаи, когда личные данные утекали с такими скандалами, как Cambridge Analytica.

Для тех, кто не успел, ознакомьтесь с частью 1 серии, где мы обсудили:

• Важность данных
• Растущий спрос на данные для ИИ
• Появление слоев данных

Регулирования, такие как GDPR в Европе, CCPA в Калифорнии и другие по всему миру, сделали конфиденциальность данных не только этической проблемой, но и юридическим требованием, заставляя компании обеспечивать защиту данных.

Учитывая всплеск развития искусственного интеллекта, ИИ играет важную роль как в улучшении, так и в усложнении сферы конфиденциальности и проверяемости. Например, ИИ может помочь выявлять мошеннические действия, но также он позволяет создавать дипфейки, что усложняет проверку подлинности цифрового контента.

Добро

• Защита конфиденциальности машинного обучения: Федеративное обучение позволяет обучать модели искусственного интеллекта непосредственно на устройствах без централизации конфиденциальных данных, тем самым обеспечивая конфиденциальность пользователей.
• Искусственный интеллект может использоваться для анонимизации или псевдонимизации данных, что делает их сложнее отследить обратно к отдельным лицам, но все еще полезны для анализа.
• Искусственный интеллект имеет решающее значение для разработки инструментов по обнаружению и смягчению распространения дипфейков, обеспечивая проверяемость цифрового контента (а также обнаружение/проверку подлинности агентов искусственного интеллекта).
• ИИ может помочь автоматически обеспечивать соблюдение правовых стандартов при обработке данных, что делает процесс верификации более масштабируемым.

Испытания

• Системы искусственного интеллекта часто требуют обширных наборов данных для эффективной работы, но то, как эти данные используются, хранятся и кто имеет к ним доступ, может быть неясным, вызывая беспокойство о конфиденциальности.
• С достаточным количеством данных и сложным искусственным интеллектом можно переопределить личность людей из предположительно анонимизированных наборов данных, подрывая усилия по обеспечению конфиденциальности.
• С развитием искусственного интеллекта, способного создавать высокореалистичный текст, изображения или видео, становится все сложнее отличить подлинный контент от того, который создан с помощью ИИ, что затрудняет его верификацию.
• Модели искусственного интеллекта могут быть обмануты или подвергнуты манипуляциям (адверсарные атаки), что подрывает проверяемость данных или целостность самих систем искусственного интеллекта (как это видно из случаев с Фрейзой, Побегом из тюрьмы и т. д.).

Вызовы побудили взрывной рост разработок в области ИИ x Блокчейн x Проверяемость x Конфиденциальность, используя преимущества каждой технологии. Мы наблюдаем рост:

• Доказательства нулевого разглашения (ZKP)
• Zero-Knowledge Transport Layer Security (zkTLS)
• Доверенная среда выполнения (TEE)
• Полностью гомоморфное шифрование (FHE)

1. ZKPs

ZKPs позволяют одной стороне доказать другой, что они знают что-то или что утверждение верно, не раскрывая никакой информации за пределами самого доказательства. ИИ может использовать это для демонстрации того, что обработка данных или принятие решений соответствуют определенным критериям, не раскрывая сами данные.

Хороший случай изучения@getgrass_io""> @getgrass_io. Grass использует неиспользуемую интернет-полосу для сбора и организации общественных веб-данных для обучения моделей искусственного интеллекта.

Grass Network позволяет пользователям вносить свою неиспользуемую интернет-полосу пропускания с помощью браузерного расширения или приложения. Эта полоса пропускания используется для сканирования общедоступных веб-данных, которые затем обрабатываются в структурированные наборы данных, подходящие для обучения искусственного интеллекта. Сеть использует узлы, управляемые пользователями, для выполнения этого сканирования веба.

Сеть Grass Network подчеркивает конфиденциальность пользователей, сканируя только общедоступные данные, а не личную информацию. Она использует ZKPs для проверки и обеспечения целостности и происхождения данных, предотвращая их искажение и обеспечивая прозрачность. Это осуществляется через роллап суверенных данных на блокчейне Solana, который обрабатывает все транзакции от сбора данных до их обработки.

Еще одно хорошее исследование случая -@zkme_""> @zkme_

Решение zkKYC от zkMe позволяет проводить процессы KYC с сохранением конфиденциальности. С помощью ZKP zkKYC платформы могут проверять личность пользователей, не раскрывая конфиденциальную информацию, обеспечивая соблюдение нормативных требований и защищая конфиденциальность пользователей.

2. zkTLS

TLS = Стандартный протокол безопасности, который обеспечивает конфиденциальность и целостность данных между двумя взаимодействующими приложениями (наиболее часто ассоциируется с буквой "s" в HTTPS).

zk + TLS = Улучшение конфиденциальности и безопасности при передаче данных.

Хорошим примером является@OpacityNetwork""> @OpacityNetwork

Opacity использует zkTLS для предоставления безопасных и приватных решений для хранения данных. Интеграция zkTLS позволяет Opacity обеспечивать конфиденциальность и неприступность передачи данных между пользователями и серверами хранения, что решает проблемы конфиденциальности, присущие традиционным облачным хранилищам данных.

Use case — Доступ к заработной плате

Earnifi, приложение, которое, как сообщается, заняло лидирующие позиции в рейтингах магазинов приложений, особенно в финансовых категориях, использует@OpacityNetwork""> zkTLS @OpacityNetwork

Конфиденциальность: Пользователи могут доказать свой доход или статус занятости кредиторам или другим службам, не раскрывая чувствительные банковские данные или личную информацию, такую как выписки из банка.

Безопасность: Использование zkTLS гарантирует, что эти транзакции безопасны, проверены и конфиденциальны. Это позволяет пользователям избежать доверия третьим сторонам с полными финансовыми данными.

Эффективность: Эта система снижает затраты и сложность, связанные с традиционными платформами доступа к заработной плате, которые могут потребовать обширных процессов верификации или обмена данными.

3. TEE

TEEs обеспечивают аппаратно гарантированное разделение между обычной средой выполнения и защищенной.

Возможно, самая известная реализация безопасности на ИИ-агентах, чтобы гарантировать, что они являются полностью автономными агентами.

Популяризовано:

• @123skely"">@123skely‘s@aipool_tee""> @aipool_tee эксперимент: предпродажа TEE, где сообщество отправляет средства агенту, который автономно выпускает токены на основе заранее определенных правил.
• @marvin_tong"">@marvin_tong‘s@PhalaNetwork@PhalaNetwork: защита MEV, интеграция с@ai16zdao«> @ai16zdao — это ElizaOS и агент Кира в качестве проверяемого автономного агента ИИ.
• @fleekОднокликвенная развертывание TEE от @fleek: Сосредоточенность на удобстве использования и доступности для разработчиков.

4. FHE

Форма шифрования, которая позволяет выполнять вычисления непосредственно на зашифрованных данных, не дешифруя их сначала.

Хороший кейс-стади@mindnetwork_xyz""> @mindnetwork_xyz и их собственная технология FHE/применение случаев.

Использование - слой повторного ставки FHE & безопасное голосование

Слой повторного стейкинга FHE

Используя FHE, переставленные активы остаются зашифрованными, что означает, что приватные ключи никогда не раскрываются, что значительно снижает риски безопасности. Это обеспечивает конфиденциальность при проверке транзакций.

Безрисковое голосование (MindV)

Голосование за управление происходит на зашифрованных данных, что обеспечивает конфиденциальность и безопасность голосов, уменьшая риски принуждения или взяточничества. Пользователи получают силу голоса ($vFHE), удерживая перевложенные активы, раскрепляя управление от непосредственного воздействия на активы.

FHE + TEE

Комбинируя TEE и FHE, они создают надежный уровень безопасности для обработки искусственного интеллекта:

• TEE защищает операции в вычислительной среде от внешних угроз.
• FHE гарантирует, что операции происходят на зашифрованных данных на протяжении всего процесса.

Для институций, которые обрабатывают от $100 млн до $1 млрд+ в транзакциях, конфиденциальность и безопасность крайне важны для предотвращения фронтрана, взлома или разглашения торговых стратегий.

Для искусственного интеллекта агенты, это двойное шифрование улучшает конфиденциальность и безопасность, делая его полезным для:

• Конфиденциальность чувствительных данных обучения
• Защита весов внутренней модели (предотвращение обратной разработки/кражи интеллектуальной собственности)
• Защита данных пользователей

Основной вызов для FHE остается высокой издержкой из-за высокой вычислительной интенсивности, что приводит к увеличению энергопотребления и задержкам.

Текущие исследования исследуют оптимизации, такие как аппаратное ускорение, гибридные техники шифрования и улучшения алгоритмов для снижения вычислительной нагрузки и повышения эффективности. Таким образом, лучшие примеры использования полностью гомоморфного шифрования (FHE) - это приложения с низкой вычислительной сложностью и высокой задержкой.

Завершение для Части 2

FHE = Операции с зашифрованными данными без дешифровки (сильнейшая конфиденциальность, но наиболее дорогая)

TEE = Аппаратное обеспечение, безопасное выполнение в изолированной среде (баланс между безопасностью и производительностью)

ZKP = Доказательство утверждений или аутентификация личностей без раскрытия базовых данных (хорошо подходит для доказательства фактов/данных)

Это обширная тема, и это не конец. Однако остается один важный вопрос: как мы можем обеспечить надежность механизмов проверки, основанных на искусственном интеллекте, в эпоху все возрастающей сложности deepfake? В третьей части мы углубимся в следующие аспекты:

• Слой проверяемости
• Роль искусственного интеллекта в проверке целостности данных
• Будущие разработки в области конфиденциальности и безопасности

Оставайтесь на связи!

Дополнительные ресурсы по TEE & ZKPs (ниже)

Disclaimer:

1. Эта статья взята из [0xJeff]. Все авторские права принадлежат оригинальному автору [0xJeff]. Если у вас есть возражения по поводу этой перепечатки, пожалуйста, свяжитесь со Gate Learnкоманда, и они быстро справятся с этим.
2. Отказ от ответственности: Мнения и взгляды, выраженные в этой статье, являются исключительно мнениями автора и не являются инвестиционными советами.
3. Команда Gate Learn переводит статьи на другие языки. Копирование, распространение или плагиат переведенных статей запрещено, если об этом не указано.