مع ارتفاع العرض والطلب على البيانات، يترك الأفراد خلفهم آثارًا رقمية متزايدة، مما يجعل المعلومات الشخصية أكثر عرضة للاستخدام غير المصرح به أو الوصول غير المصرح به. لقد رأينا حالات حدوث تسريب للبيانات الشخصية مع فضائح مثل Cambridge Analytica.

بالنسبة لأولئك الذين لم يتابعوا الأحداث بشكل كامل ، تحقق من الجزء 1 من السلسلة حيث تمت مناقشة:

• أهمية البيانات
• الطلب المتزايد على البيانات للذكاء الاصطناعي
• ظهور طبقات البيانات

جعلت التشريعات مثل GDPR في أوروبا و CCPA في كاليفورنيا وغيرها في جميع أنحاء العالم الخصوصية البيانات ليست مجرد قضية أخلاقية ولكنها متطلب قانوني، مما دفع الشركات لضمان حماية البيانات.

نظرًا للارتفاع الحاد في تطورات الذكاء الاصطناعي، يلعب الذكاء الاصطناعي دورًا حاسمًا في تعزيز وتعقيد المشهد الخاص بالخصوصية والتحقق. على سبيل المثال، بينما يمكن للذكاء الاصطناعي مساعدة في اكتشاف الأنشطة الاحتيالية، فإنه أيضًا يمكن أن يسمح بإنشاء deepfakes، مما يجعل من الأصعب التحقق من أصالة المحتوى الرقمي.

الجيد

• التعلم الموزع: يسمح التعلم التعاوني لنماذج الذكاء الاصطناعي بالتدريب مباشرة على الأجهزة دون تركيز البيانات الحساسة، مما يحافظ على خصوصية المستخدم.
• يمكن استخدام الذكاء الاصطناعي لتجعل البيانات مجهولة المصدر أو تعتمد على اسم مستعار، مما يجعل من الصعب تتبعها إلى الأفراد وفي الوقت نفسه مفيدة للتحليل.
• الذكاء الاصطناعي أمر حاسم في تطوير الأدوات المستخدمة للكشف عن الفيديوهات المزيفة والحد من انتشارها، مما يضمن صحة المحتوى الرقمي (بالإضافة إلى الكشف عن وتحقق صحة وكلاء الذكاء الاصطناعي).
• يمكن للذكاء الاصطناعي أن يساعد في ضمان توافق ممارسات التعامل مع البيانات مع المعايير القانونية تلقائيًا، مما يجعل عملية التحقق أكثر قابلية للتوسع.

التحديات

• تتطلب أنظمة الذكاء الاصطناعي في كثير من الأحيان مجموعات بيانات ضخمة للعمل بفعالية، ولكن كيفية استخدام هذه البيانات وتخزينها ومن لديه الوصول إليها يمكن أن يكون غامضًا، مما يثير مخاوف الخصوصية.
• باستخدام ما يكفي من البيانات والذكاء الاصطناعي المتطور ، يُمكن إعادة تحديد هوية الأفراد من مجموعات البيانات المجهولة ، مما يعرقل جهود الخصوصية.
• مع الذكاء الاصطناعي القادر على إنتاج نصوص وصور وفيديوهات واقعية للغاية ، يصبح التمييز بين المحتوى الأصلي والمحتوى المصنع بواسطة الذكاء الاصطناعي أمرًا أصعب ، مما يشكل تحديًا للتحقق من صحة الأمور.
• يمكن خداع الذكاء الاصطناعي النماذج أو التلاعب بها (هجمات الخصومة) ، مما يعرض للخطر إمكانية التحقق من البيانات أو سلامة أنظمة الذكاء الاصطناعي نفسها (كما يتضح من Freysa و Jailbreak وما إلى ذلك).

حفّزت التحديات ارتفاعاً في التطورات في مجال الذكاء الاصطناعي x البلوكشين x التحقق x الخصوصية، مستفيدين من قوى كل تقنية. نحن نرى ارتفاعاً في:

• براهين بدون معرفة (ZKPs)
• طبقة الأمان لنقل المعلومات بدون معرفة (zkTLS)
• بيئة التنفيذ الموثوقة (TEE)
• التشفير الكامل للتشوه (FHE)

1. ZKPs

تتيح ZKPs لطرف ما أن يثبت لطرف آخر أنه يعرف شيئًا ما أو أن بيانًا ما صحيح دون الكشف عن أي معلومات تتجاوز البرهان نفسه. يمكن للذكاء الاصطناعي الاستفادة من هذا لإظهار أن معالجة البيانات أو القرارات تلبي معايير معينة دون الكشف عن البيانات نفسها.

دراسة حالة جيدة هي@getgrass_io""\u003e @getgrass_io. Grass يستغل عرض النطاق الترددي غير المستخدم لجمع وتنظيم البيانات العامة على الويب لتدريب نماذج الذكاء الاصطناعي.

يسمح شبكة العشب للمستخدمين بالمساهمة بعرض النطاق الترددي الفارغ للإنترنت من خلال إضافة المتصفح أو التطبيق. يتم استخدام هذا النطاق الترددي لجمع بيانات الويب العامة ، التي يتم معالجتها بعد ذلك إلى مجموعات بيانات منظمة مناسبة لتدريب الذكاء الاصطناعي. تستخدم الشبكة العقد التي يتم تشغيلها من قبل المستخدمين لأداء جمع البيانات من الويب هذا.

تؤكد شبكة Grass على خصوصية المستخدم من خلال جمع البيانات العامة فقط ، وليس المعلومات الشخصية. إنها تستخدم ZKPs للتحقق وتأمين سلامة البيانات وأصلها ، مما يمنع تلف البيانات ويضمن الشفافية. يتم إدارة ذلك من خلال تجميع بيانات السيادة على سلسلة كتل Solana ، التي تتعامل مع جميع المعاملات من جمع البيانات إلى المعالجة.

دراسة حالة أخرى جيدة هي@zkme_""> @zkme_

تعالج حلول zkMe للتحقق المعرفي الصفري (zkKYC) تحدي إجراء عمليات التحقق المعرفي الصفري بطريقة تحافظ على الخصوصية. من خلال استخدام ZKPs، يمكن لـ zkKYC تمكين المنصات من التحقق من هويات المستخدمين دون تعريض المعلومات الشخصية الحساسة، مما يحافظ على الامتثال مع الحفاظ على خصوصية المستخدم.

2. zkTLS

TLS = بروتوكول أمان قياسي يوفر الخصوصية وسلامة البيانات بين تطبيقين يتواصلان (الأكثر شيوعاً مرتبط بالـ"s" في HTTPS).

zk + TLS = تعزيز الخصوصية والأمان في نقل البيانات.

حالة دراسية جيدة هي@OpacityNetwork""> @OpacityNetwork

تستخدم Opacity zkTLS لتقديم حلول تخزين البيانات الآمنة والخاصة. من خلال دمج zkTLS ، يضمن Opacity أن نقل البيانات بين المستخدمين وخوادم التخزين يبقى سريًا ومحميًا من التلاعب ، مما يعالج مخاوف الخصوصية المترتبة على خدمات تخزين السحابة التقليدية.

حالة الاستخدام - الوصول إلى الأجر المكتسب

تستفيد إيرنفي ، التطبيق الذي يفترض أنه قد ارتقى إلى موقع رائد في تصنيفات متجر التطبيقات ، ولا سيما في فئات التمويل ، من@OpacityNetwork""> @OpacityNetwork‘s zkTLS.

الخصوصية: يمكن للمستخدمين إثبات دخلهم أو وضعهم الوظيفي للمقرضين أو الخدمات الأخرى دون الكشف عن تفاصيل البنك الحساسة أو المعلومات الشخصية مثل كشوفات البنك.

الأمان: يضمن استخدام zkTLS أن هذه المعاملات آمنة وموثوقة وخاصة. إنه يمنع الحاجة للمستخدمين بالوثوق بأطراف ثالثة مع بياناتهم المالية الكاملة.

الكفاءة: يقلل هذا النظام من التكلفة والتعقيد المرتبطين بمنصات الوصول إلى الأجور التقليدية التي قد تتطلب عمليات التحقق الشاملة أو مشاركة البيانات.

3. TEE

يوفر TEEs فصلًا محميًا بشكل مادي بين بيئة التنفيذ العادية والبيئة الآمنة.

ربما يكون تنفيذ الأمان الأكثر شهرة على وكلاء الذكاء الاصطناعي لضمان أنهم وكلاء مستقلين بالكامل.

شُهِرَ بواسطة:

• @123skely"">@123skely‘s@aipool_tee""> @aipool_tee تجربة: بيع المسبق لـ TEE حيث يرسل المجتمع الأموال إلى وكيل، الذي يصدر الرموز تلقائيًا بناءً على قواعد محددة مسبقًا.
• @marvin_tong"">@marvin_tong‘s@PhalaNetwork""> @PhalaNetwork: حماية MEV ، التكامل مع gate@ai16zdao""> نظام ElizaOS الخاص بـ @ai16zdao والعميلة كيرا كوكيل ذاتي التحقق كوكيل ذكاء اصطناعي.
• @fleek">نشر TEE بنقرة واحدة من Fleek: التركيز على سهولة الاستخدام وإمكانية الوصول للمطورين.

4. FHE

نوع من التشفير يسمح بأداء الحسابات مباشرة على البيانات المشفرة دون الحاجة إلى فك تشفيرها أولاً.

دراسة حالة جيدة هي@mindnetwork_xyz@mindnetwork_xyz وتقنيتهم الحصرية FHE / حالات استخدامهم.

حالة الاستخدام - طبقة إعادة الرهن التام بالتشفير والتصويت بدون مخاطر

طبقة إعادة رهن FHE

من خلال استخدام FHE ، تبقى الأصول المستثمرة مشفرة ، مما يعني أن المفاتيح الخاصة لا تتعرض للعرض ، مما يقلل بشكل كبير من مخاطر الأمان. يضمن هذا الخصوصية أثناء التحقق من المعاملات.

التصويت خالٍ من المخاطر (MINE)

يحدث التصويت على الحوكمة عبر البيانات المشفرة، مما يضمن بقاء التصويت سريًا وآمنًا، مما يقلل من مخاطر الإكراه أو الرشوة. يكسب المستخدمون قوة التصويت ($vFHE) من خلال حيازتهم للأصول المعادة، مفصلين الحوكمة عن التعرض المباشر للأصول.

FHE + TEE

من خلال الجمع بين TEE و FHE ، يقومون بإنشاء طبقة أمان قوية لمعالجة الذكاء الاصطناعي:

• يحمي TEE العمليات داخل البيئة الحاسوبية من التهديدات الخارجية.
• FHE يضمن أن العمليات تحدث على البيانات المشفرة طوال العملية.

بالنسبة للمؤسسات التي تتعامل بمبلغ 100 مليون دولار - 1 مليار دولار وأكثر في المعاملات، فإن الخصوصية والأمان أمران بالغين الأهمية لمنع التحكم المسبق، القرصنة، أو كشف استراتيجيات التداول.

بال نصفي يعزز الخصوصية والأمان، مما يجعله مفيدًا لـ: AI Agents،

• الخصوصية الحساسة لبيانات التدريب
• حماية أوزان النموذج الداخلي (منع الهندسة العكسية / سرقة الملكية الفكرية)
• حماية بيانات المستخدم

التحدي الرئيسي لـ FHE يظل تكلفته العالية بسبب شدة الحسابية، مما يؤدي إلى زيادة استهلاك الطاقة والتأخير.

البحث الجاري يعمل على استكشاف الأمثلة مثل تسريع الأجهزة وتقنيات التشفير الهجينة وتحسين الخوارزميات لتقليل الأعباء الحسابية وتعزيز الكفاءة. وبالتالي فإن أفضل حالات استخدام FHE هي تطبيقات الحسابات المنخفضة والتأخير العالي.

الانتهاء من الجزء الثاني

FHE = العمليات على البيانات المشفرة بدون فك التشفير (الخصوصية الأقوى ولكنها الأغلى)

TEE = الأجهزة، التنفيذ الآمن في بيئة معزولة (توازن بين الأمان والأداء)

ZKP = إثبات البيانات أو التحقق من الهويات دون الكشف عن البيانات الأساسية (جيد لإثبات الحقائق / الاوراق الاعتمادية)

هذا موضوع شاسع يجب تغطيته، لذلك هذا ليس النهاية. تبقى سؤال مهم: كيف يمكننا التأكد من أن آليات التحقق التي تعمل بواسطة الذكاء الاصطناعي موثوقة حقًا في عصر تزايد احترافية deepfake؟ في الجزء الثالث، نقوم بالتعمق في:

• طبقة التحقق
• دور الذكاء الاصطناعي في التحقق من سلامة البيانات
• تطورات مستقبلية في الخصوصية والأمان

ابق على اطلاع!

موارد الجودة الإضافية حول TEE & ZKPs (أدناه)

تنويه:

1. تم نشر هذه المقالة مرة أخرى من[0xJeff]. جميع حقوق النشر تنتمي إلى الكاتب الأصلي [0xJeff]. إذا كان هناك اعتراضات على هذا النشر المقتبس، يرجى التواصل مع بوابة تعلمالفريق، وسيتولون الأمر على وجه السرعة.
2. إخلاء المسؤولية عن ال pass والآراء المعبر عنها في هذه المقالة هي فقط تلك المؤلف ولا تشكل أي نصيحة استثمارية.
3. فريق تعلم بوابة يقوم بترجمة المقالة إلى لغات أخرى. يُحظر نسخ أو توزيع أو ارتكاب السرقة الأدبية للمقالات المترجمة ما لم يكن ذلك مذكورًا.