Với sự tăng trưởng về cung cấp và nhu cầu dữ liệu, các cá nhân đang để lại dấu vết kỹ thuật số ngày càng rộng lớn, khiến thông tin cá nhân dễ bị lợi dụng hoặc truy cập trái phép. Chúng ta đã chứng kiến những trường hợp thông tin cá nhân bị rò rỉ trong các scandal như Cambridge Analytica.

Đối với những người chưa cập nhật thông tin, hãy xem phần 1 của loạt bài viết nơi chúng tôi đã thảo luận về:

• Tầm quan trọng của dữ liệu
• Nhu cầu tăng vọt về dữ liệu cho trí tuệ nhân tạo
• Sự xuất hiện của lớp dữ liệu

Các quy định như GDPR tại Châu Âu, CCPA tại California và các quốc gia khác trên thế giới đã biến việc bảo mật dữ liệu không chỉ là vấn đề đạo đức mà còn là yêu cầu pháp lý, thúc đẩy các công ty đảm bảo bảo vệ dữ liệu.

Với sự bùng nổ của các phát triển về AI, AI đóng vai trò then chốt trong việc tăng cường và làm phức tạp hơn hơn cảnh quan về quyền riêng tư và khả năng xác minh. Ví dụ, trong khi AI có thể giúp phát hiện các hoạt động gian lận, nó cũng cho phép tạo ra deepfake, làm cho việc xác minh tính xác thực của nội dung kỹ thuật số trở nên khó khăn hơn.

The Good

• Học máy bảo mật thông tin: Học liên minh cho phép mô hình AI được huấn luyện trực tiếp trên các thiết bị mà không trung tâm hóa dữ liệu nhạy cảm, do đó bảo vệ sự riêng tư của người dùng.
• Trí tuệ nhân tạo có thể được sử dụng để ẩn danh hoặc giả danh dữ liệu, làm cho nó khó để truy vết trở lại các cá nhân trong khi vẫn hữu ích cho phân tích.
• Trí tuệ nhân tạo rất quan trọng trong việc phát triển các công cụ để phát hiện và giảm thiểu sự lan truyền của deepfakes, đảm bảo tính xác thực của nội dung kỹ thuật số (cũng như phát hiện/xác minh tính xác thực của các tác nhân trí tuệ nhân tạo).
• Trí tuệ nhân tạo có thể giúp tự động đảm bảo các quy định xử lý dữ liệu tuân thủ các tiêu chuẩn pháp lý, làm cho quá trình xác minh có khả năng mở rộng hơn.

Những Thách Thức

• Hệ thống trí tuệ nhân tạo thường yêu cầu các bộ dữ liệu rộng lớn để hoạt động hiệu quả, nhưng cách dữ liệu này được sử dụng, lưu trữ và ai có quyền truy cập có thể mờ mịt, gây ra những lo ngại về quyền riêng tư.
• Với đủ dữ liệu và trí tuệ nhân tạo tinh vi, có thể tái nhận dạng cá nhân từ các bộ dữ liệu được cho là ẩn danh, làm suy yếu nỗ lực bảo vệ quyền riêng tư.
• Với trí tuệ nhân tạo có khả năng tạo ra văn bản, hình ảnh hoặc video cực kỳ chân thực, việc phân biệt giữa nội dung thật và do trí tuệ nhân tạo tạo ra trở nên khó khăn hơn, đặt ra thách thức về tính xác thực.
• Mô hình AI có thể bị lừa hoặc bị thao túng (tấn công đối địch), làm suy giảm tính xác thực của dữ liệu hoặc tính toàn vẹn của chính các hệ thống AI (như đã thấy từ Freysa, Jailbreak, v.v.).

Những thách thức đã thúc đẩy sự phát triển mạnh mẽ của AI x Blockchain x Khả năng xác minh x Quyền riêng tư, tận dụng sức mạnh của từng công nghệ. Chúng ta đang chứng kiến sự gia tăng của:

• Chứng minh không hiểu biết (ZKPs)
• Zero-Knowledge Transport Layer Security (zkTLS)
• Trusted Execution Environment (TEE)
• Fully Homomorphic Encryption (FHE)

1. ZKPs

ZKPs cho phép một bên chứng minh với bên khác rằng họ biết một cái gì đó hoặc một câu nói là đúng mà không tiết lộ bất kỳ thông tin nào bên ngoài chứng minh. Trí tuệ nhân tạo có thể tận dụng điều này để chứng minh rằng việc xử lý dữ liệu hoặc quyết định đáp ứng các tiêu chí nhất định mà không tiết lộ dữ liệu chính nó.

Một nghiên cứu tốt là@getgrass_ioGrass sử dụng băng thông internet không sử dụng để thu thập và tổ chức dữ liệu web công cộng để huấn luyện các mô hình trí tuệ nhân tạo. @getgrass_io

Mạng Grass cho phép người dùng đóng góp băng thông internet không sử dụng thông qua tiện ích trình duyệt hoặc ứng dụng. Băng thông này được sử dụng để thu thập dữ liệu web công cộng, sau đó được xử lý thành các bộ dữ liệu có cấu trúc phù hợp cho việc huấn luyện trí tuệ nhân tạo. Mạng sử dụng các nút chạy bởi người dùng để thực hiện việc thu thập dữ liệu web này.

Mạng Grass nhấn mạnh quyền riêng tư của người dùng bằng cách chỉ thu thập dữ liệu công cộng, không phải thông tin cá nhân. Nó sử dụng ZKPs để xác minh và bảo vệ tính toàn vẹn và nguồn gốc của dữ liệu, ngăn chặn sự hỏng hóc dữ liệu và đảm bảo tính minh bạch. Điều này được quản lý thông qua một cuộn dữ liệu quốc gia trên blockchain Solana, xử lý tất cả giao dịch từ việc thu thập dữ liệu đến xử lý.

Một nghiên cứu tốt khác là@zkme_“”> @zkme_

Giải pháp zkKYC của zkMe giải quyết vấn đề thực hiện quy trình KYC một cách bảo vệ quyền riêng tư. Bằng cách sử dụng ZKPs, zkKYC cho phép các nền tảng xác minh danh tính người dùng mà không tiết lộ thông tin cá nhân nhạy cảm, từ đó duy trì sự tuân thủ và bảo vệ quyền riêng tư của người dùng.

2. zkTLS

TLS = Giao thức bảo mật tiêu chuẩn cung cấp sự riêng tư và tính toàn vẹn dữ liệu giữa hai ứng dụng truyền thông (thường liên quan đến chữ “s” trong HTTPS).

zk + TLS = Nâng cao quyền riêng tư và bảo mật trong truyền dữ liệu.

Một nghiên cứu tốt là@OpacityNetwork“”> @OpacityNetwork

Opacity sử dụng zkTLS để cung cấp các giải pháp lưu trữ dữ liệu an toàn và riêng tư. Bằng cách tích hợp zkTLS, Opacity đảm bảo rằng việc truyền dữ liệu giữa người dùng và máy chủ lưu trữ được bảo mật và không thể thay đổi, giải quyết các vấn đề về quyền riêng tư mặc định trong các dịch vụ lưu trữ đám mây truyền thống.

Trường hợp sử dụng — Truy cập Lương đã kiếm được

Earnifi, một ứng dụng được cho là đã leo lên vị trí hàng đầu trong bảng xếp hạng của cửa hàng ứng dụng, đặc biệt là trong các danh mục tài chính, tận dụng@OpacityNetwork“”> @OpacityNetwork‘s zkTLS.

Riêng tư: Người dùng có thể chứng minh thu nhập hoặc tình trạng việc làm cho các nhà cho vay hoặc dịch vụ khác mà không cần tiết lộ chi tiết ngân hàng nhạy cảm hoặc thông tin cá nhân như bản sao hoá của ngân hàng.

Bảo mật: Việc sử dụng zkTLS đảm bảo giao dịch này an toàn, xác minh và riêng tư. Nó ngăn chặn việc người dùng phải tin tưởng các bên thứ ba với dữ liệu tài chính đầy đủ của họ.

Hiệu quả: Hệ thống này giảm chi phí và phức tạp liên quan đến các nền tảng truy cập lương cổ phần truyền thống mà có thể yêu cầu quá trình xác minh rộng lớn hoặc chia sẻ dữ liệu.

3. TEE

TEEs cung cấp sự phân tách được thiết lập bằng phần cứng giữa môi trường thực thi bình thường và một môi trường an toàn.

Có thể là việc triển khai bảo mật nổi tiếng nhất trên AI Agents để đảm bảo rằng chúng hoàn toàn tự động.

Popularized by:

• @123skely“”>@123skely‘s@aipool_tee“”> @aipool_tee thử nghiệm: Một cuộc bán hàng trước TEE nơi cộng đồng gửi tiền cho một đại lý, người tự động phát hành các token dựa trên các quy tắc được xác định trước.
• @marvin_tong“”>@marvin_tong‘s@PhalaNetwork“”> @PhalaNetwork: Bảo vệ MEV, tích hợp với@ai16zdao“”> ElizaOS của @ai16zdao và Agent Kira như một đại lý trí tuệ nhân tạo có thể xác minh.
• @fleek“”>Triển khai TEE bằng một cú nhấp chuột của @fleek: Tập trung vào sự dễ sử dụng và tiện lợi cho các nhà phát triển.

4. FHE

Một hình thức mã hóa cho phép tính toán được thực hiện trực tiếp trên dữ liệu đã mã hóa mà không cần giải mã trước.

Một nghiên cứu case study tốt là@mindnetwork_xyz“”> @mindnetwork_xyz và công nghệ FHE độc quyền/các trường hợp sử dụng của họ.

Trường hợp sử dụng - Lớp FHE Restaking & Bỏ phiếu an toàn

FHE Restaking Layer

Bằng cách sử dụng FHE, tài sản được đặt cược lại vẫn được mã hóa, có nghĩa là khóa riêng tư không bao giờ bị tiết lộ, giảm đáng kể các rủi ro về bảo mật. Điều này đảm bảo quyền riêng tư khi xác minh giao dịch.

Bỏ phiếu An toàn (MindV)

Việc bỏ phiếu quản trị xảy ra trên dữ liệu được mã hóa, đảm bảo phiếu bỏ phiếu được giữ riêng tư và an toàn, giảm thiểu rủi ro ép buộc hoặc hối lộ. Người dùng kiếm được quyền bỏ phiếu ($vFHE) bằng cách nắm giữ tài sản đã tái đặt, tách biệt quản trị khỏi tiếp xúc trực tiếp với tài sản.

FHE + TEE

Kết hợp TEE và FHE, họ tạo ra một lớp bảo mật mạnh mẽ cho việc xử lý trí tuệ nhân tạo:

• TEE bảo vệ các hoạt động trong môi trường tính toán khỏi các mối đe dọa bên ngoài.
• FHE đảm bảo các hoạt động diễn ra trên dữ liệu được mã hóa suốt quá trình.

Đối với các tổ chức xử lý $100 triệu - $1 tỷ+ trong giao dịch, sự riêng tư và an ninh là rất quan trọng để ngăn chặn frontrunning, hacking, hoặc tiết lộ chiến lược giao dịch.

Đối với các AI Agents, việc mã hóa kép này tăng cường quyền riêng tư và bảo mật, làm cho nó hữu ích cho:

• Quyền riêng tư dữ liệu đào tạo nhạy cảm
• Bảo vệ trọng lượng mô hình nội bộ (ngăn chặn kỹ thuật đảo ngược/ăn cắp IP)
• Bảo vệ dữ liệu người dùng

Thách thức chính đối với FHE vẫn là chi phí tài nguyên quá cao do tính toán phức tạp, dẫn đến tăng tiêu thụ năng lượng và độ trễ.

Nghiên cứu đang tiếp tục khám phá các tối ưu hóa như tăng tốc phần cứng, kỹ thuật mã hóa kết hợp và cải tiến thuật toán để giảm gánh nặng tính toán và tăng cường hiệu quả. Do đó, các trường hợp sử dụng tốt nhất cho FHE là ứng dụng tính toán thấp, độ trễ cao.

Kết thúc phần 2

FHE = Hoạt động trên dữ liệu được mã hóa mà không cần giải mã (đặc quyền bảo mật mạnh nhất nhưng đắt nhất)

TEE = Phần cứng, thực thi an toàn trong môi trường cô lập (sự cân bằng giữa bảo mật & hiệu suất)

ZKP = Chứng minh các tuyên bố hoặc xác thực danh tính mà không tiết lộ dữ liệu cơ bản (tốt cho việc chứng minh sự thật/thẻ tín dụng)

Đây là một chủ đề rộng lớn để bàn luận, vì vậy đây không phải là điểm dừng. Một câu hỏi quan trọng còn tồn tại: làm thế nào chúng ta có thể đảm bảo rằng các cơ chế xác minh do trí tuệ nhân tạo đáng tin cậy trong một thời đại ngày càng tinh vi của deepfake? Trong Phần 3, chúng tôi sẽ đi sâu hơn vào:

• The verifiability layer
• Vai trò của Trí tuệ Nhân tạo trong việc xác thực tính toàn vẹn dữ liệu
• Sự phát triển trong tương lai về quyền riêng tư và bảo mật

Stay tuned!

Tài Nguyên Chất Lượng Bổ Sung về TEE & ZKPs (bên dưới)

Thông báo:

1. Bài viết này được sao chép từ [[](https://x.com/Defi0xJeff/status/1887131310625521964)[0xJeff](https://x.com/Defi0xJeff)\]. Tất cả bản quyền thuộc về tác giả gốc [0xJeff]. Nếu có ý kiến ​​phản đối về việc tái bản này, vui lòng liên hệ với Gate Họcđội ngũ và họ sẽ xử lý nhanh chóng.
2. Từ chối trách nhiệm: Các quan điểm và ý kiến được thể hiện trong bài viết này chỉ là của tác giả và không tạo thành bất kỳ lời khuyên đầu tư nào.
3. Nhóm Learn của gate thực hiện việc dịch bài viết sang các ngôn ngữ khác. Việc sao chép, phân phối hoặc đạo văn bản dịch là không được phép trừ khi có được đề cập.