Dengan lonjakan baik pasokan & permintaan data, individu-individu meninggalkan jejak digital yang semakin luas, membuat informasi pribadi lebih rentan terhadap penyalahgunaan atau akses tanpa izin. Kami telah melihat kasus-kasus di mana data pribadi bocor dengan skandal seperti Cambridge Analytica.

Bagi mereka yang belum mengetahui perkembangan terkini, silakan lihat bagian 1 dari seri di mana kita telah mendiskusikan:

• Pentingnya data
• Permintaan yang meningkat untuk data untuk kecerdasan buatan
• Munculnya lapisan data

Regulasi seperti GDPR di Eropa, CCPA California, dan lainnya di seluruh dunia telah menjadikan privasi data bukan hanya masalah etika tetapi juga persyaratan hukum, mendorong perusahaan untuk memastikan perlindungan data.

Dengan adanya lonjakan perkembangan AI, AI memainkan peran yang sangat penting dalam meningkatkan dan memperumit lanskap privasi & verifikasi. Misalnya, sementara AI dapat membantu mendeteksi aktivitas penipuan, ia juga memungkinkan pembuatan deepfake, sehingga lebih sulit untuk memverifikasi keaslian konten digital.

Yang Baik

• ML yang menjaga privasi: Pembelajaran federated memungkinkan model AI dilatih langsung pada perangkat tanpa mengumpulkan data sensitif secara sentral, sehingga menjaga privasi pengguna.
• AI dapat digunakan untuk membuat data anonim atau pseudonim, sehingga sulit dilacak kembali ke individu sementara tetap berguna untuk analisis.
• AI sangat penting dalam mengembangkan alat untuk mendeteksi dan mengurangi penyebaran deepfakes, memastikan kebenaran konten digital (serta mendeteksi/ memverifikasi keaslian agen AI).
• AI dapat membantu secara otomatis memastikan bahwa praktik penanganan data mematuhi standar hukum, membuat proses verifikasi lebih skalabel.

Tantangannya

• Sistem AI sering memerlukan kumpulan data besar untuk berfungsi secara efektif, tetapi bagaimana data ini digunakan, disimpan, dan siapa yang memiliki akses kepadanya dapat menjadi tidak transparan, memunculkan kekhawatiran privasi.
• Dengan data yang cukup dan kecerdasan buatan yang canggih, dimungkinkan untuk mengidentifikasi ulang individu dari kumpulan data yang seharusnya anonim, yang merusak upaya privasi.
• Dengan AI yang mampu menghasilkan teks, gambar, atau video yang sangat realistis, membedakan antara konten asli dan buatan AI menjadi lebih sulit, menantang kebenaran.
• Model AI bisa ditipu atau dimanipulasi (serangan adversarial), mengorbankan verifikasi data atau integritas sistem AI itu sendiri (seperti yang terlihat dari Freysa, Jailbreak, dll.).

Tantangan-tantangan telah mendorong lonjakan perkembangan dalam AI x Blockchain x Verifiability x Privacy, memanfaatkan kekuatan masing-masing teknologi. Kami melihat munculnya:

• Bukti Pengetahuan Nol (ZKPs)
• Zero-Knowledge Transport Layer Security (zkTLS)
• Lingkungan Eksekusi Terpercaya (TEE)
• Enkripsi Homomorfik Penuh (FHE)

1. ZKPs

ZKP memungkinkan satu pihak untuk membuktikan kepada pihak lain bahwa mereka mengetahui sesuatu atau bahwa suatu pernyataan benar tanpa mengungkapkan informasi apa pun selain bukti itu sendiri. Kecerdasan buatan dapat memanfaatkan ini untuk menunjukkan bahwa pemrosesan data atau keputusan memenuhi kriteria tertentu tanpa mengungkapkan data itu sendiri.

Studi kasus yang baik adalah@getgrass_io@getgrass_io. Grass memanfaatkan bandwidth internet yang tidak terpakai untuk mengumpulkan dan mengorganisir data web publik untuk melatih model AI.

Grass Network memungkinkan pengguna untuk menyumbangkan bandwidth internet mereka yang tidak terpakai melalui ekstensi browser atau aplikasi. Bandwidth ini digunakan untuk mengambil data web publik, yang kemudian diproses menjadi rangkaian data terstruktur yang cocok untuk pelatihan AI. Jaringan ini menggunakan node yang dijalankan oleh pengguna untuk melakukan web scraping ini.

Jaringan Grass menekankan privasi pengguna dengan hanya mengumpulkan data publik, bukan informasi pribadi. Ini menggunakan ZKPs untuk memverifikasi dan mengamankan integritas dan asal data, mencegah korupsi data, dan memastikan transparansi. Ini dikelola melalui sovereign data rollup pada blockchain Solana, yang menangani semua transaksi mulai dari pengumpulan data hingga pemrosesan.

Studi kasus lain yang bagus adalah@zkme_""> @zkme_

Solusi zkKYC dari zkMe mengatasi tantangan dalam melakukan proses KYC dengan menjaga privasi. Dengan memanfaatkan ZKP, zkKYC memungkinkan platform untuk memverifikasi identitas pengguna tanpa mengungkap informasi pribadi yang sensitif, sehingga tetap patuh pada peraturan sambil menjaga privasi pengguna.

2. zkTLS

TLS = Protokol keamanan standar yang menyediakan privasi dan integritas data antara dua aplikasi yang berkomunikasi (paling sering dikaitkan dengan "s" di HTTPS).

zk + TLS = Meningkatkan privasi dan keamanan dalam transmisi data.

Studi kasus yang baik adalah@OpacityNetwork""> @OpacityNetwork

Opacity menggunakan zkTLS untuk menawarkan solusi penyimpanan data yang aman dan privat. Dengan mengintegrasikan zkTLS, Opacity memastikan bahwa transmisi data antara pengguna dan server penyimpanan tetap rahasia dan tidak bisa dimanipulasi, mengatasi masalah privasi yang melekat pada layanan penyimpanan cloud tradisional.

Kasus penggunaan — Akses Gaji yang Diperoleh

Earnifi, sebuah aplikasi yang dilaporkan telah naik ke posisi teratas dalam peringkat toko aplikasi, terutama dalam kategori keuangan, memanfaatkan@OpacityNetwork""> @OpacityNetwork‘s zkTLS.

Privasi: Pengguna dapat membuktikan pendapatan atau status pekerjaan mereka kepada pemberi pinjaman atau layanan lain tanpa mengungkapkan rincian bank sensitif atau informasi pribadi seperti laporan bank.

Keamanan: Penggunaan zkTLS memastikan bahwa transaksi ini aman, terverifikasi, dan pribadi. Ini mencegah pengguna harus mempercayai pihak ketiga dengan data keuangan mereka secara penuh.

Efisiensi: Sistem ini mengurangi biaya dan kompleksitas yang terkait dengan platform akses upah yang diperoleh secara tradisional yang mungkin memerlukan proses verifikasi yang ekstensif atau berbagi data.

3. TEE

TEEs menyediakan pemisahan yang ditegakkan oleh perangkat keras antara lingkungan eksekusi normal dan lingkungan yang aman.

Mungkin implementasi keamanan yang paling terkenal pada AI Agents untuk memastikan bahwa mereka adalah agen yang sepenuhnya mandiri.

Dipopulerkan oleh:

• @123skely"">@123skely‘s@aipool_teeEksperimen @aipool_tee: Pra-penjualan TEE di mana komunitas mengirim dana ke agen, yang secara otonom mengeluarkan token berdasarkan aturan yang telah ditentukan sebelumnya.
• @marvin_tong"">@marvin_tong's@PhalaNetwork""> @PhalaNetwork: Perlindungan MEV, integrasi dengan@ai16zdao""> ElizaOS dari @ai16zdao, dan Kira sebagai agen AI otonom yang dapat diverifikasi.
• @fleek"">Penerapan TEE dengan satu klik @fleek: Berfokus pada kemudahan penggunaan dan aksesibilitas bagi pengembang.

4. FHE

Sebuah bentuk enkripsi yang memungkinkan komputasi dilakukan langsung pada data terenkripsi tanpa perlu didekripsi terlebih dahulu.

Studi kasus yang bagus adalah@mindnetwork_xyz""> @mindnetwork_xyz dan teknologi FHE properti mereka / kasus penggunaannya.

Kasus Penggunaan — FHE Restaking Layer & Risk-free Voting

Lapisan Pengembalian FHE

Dengan menggunakan FHE, aset yang di-stake ulang tetap terenkripsi, artinya kunci pribadi tidak pernah terungkap, yang secara signifikan mengurangi risiko keamanan. Hal ini memastikan privasi sambil memverifikasi transaksi.

Voting Tanpa Risiko (MindV)

Pemungutan suara tata kelola terjadi melalui data terenkripsi, memastikan suara tetap pribadi dan aman, mengurangi risiko paksaan atau penyuapan. Pengguna mendapatkan hak suara ($vFHE) dengan memegang aset yang dipertaruhkan kembali, memisahkan tata kelola dari eksposur aset langsung.

FHE + TEE

Dengan menggabungkan TEE dan FHE, mereka menciptakan lapisan keamanan yang kokoh untuk pemrosesan kecerdasan buatan:

• TEE melindungi operasi dalam lingkungan komputasi dari ancaman eksternal.
• FHE memastikan operasi terjadi pada data yang terenkripsi selama proses berlangsung.

Bagi lembaga yang menangani $100mn - $1BN+ dalam transaksi, privasi dan keamanan sangat penting untuk mencegah frontrunning, peretasan, atau paparan strategi perdagangan.

Untuk Agen AI, enkripsi ganda ini meningkatkan privasi & keamanan, sehingga berguna untuk:

• Privasi data pelatihan yang sensitif
• Melindungi bobot model internal (mencegah rekayasa balik/pencurian IP)
• Perlindungan data pengguna

Tantangan utama bagi FHE tetap biayanya yang tinggi karena intensitas komputasinya, yang menyebabkan konsumsi energi dan latensi yang meningkat.

Penelitian yang sedang berlangsung sedang mengeksplorasi optimisasi seperti akselerasi hardware, teknik enkripsi hibrid, dan peningkatan algoritma untuk mengurangi beban komputasi dan meningkatkan efisiensi. Oleh karena itu, kasus penggunaan terbaik untuk FHE adalah aplikasi komputasi rendah, yang memiliki latensi tinggi.

Menutup untuk Bagian 2

FHE = Operasi pada data yang terenkripsi tanpa dekripsi (privasi terkuat tetapi paling mahal)

TEE = Perangkat Keras, eksekusi yang aman dalam lingkungan terisolasi (keseimbangan antara keamanan & kinerja)

ZKP = Membuktikan pernyataan atau mengautentikasi identitas tanpa mengungkapkan data yang mendasarinya (bagus untuk membuktikan fakta/kredensial)

Ini adalah topik yang luas untuk dibahas, jadi ini bukanlah akhirnya. Satu pertanyaan kunci masih tersisa: bagaimana kita dapat memastikan bahwa mekanisme verifikasi yang didorong oleh kecerdasan buatan benar-benar dapat dipercaya di era peningkatan kecanggihan deepfake? Di Bagian 3, kita akan menyelami lebih dalam tentang:

• Lapisan verifikasi
• Peran AI dalam memverifikasi integritas data
• Pengembangan masa depan dalam privasi & keamanan

Tetaplah berada di sini!

Sumber Daya Kualitas Tambahan tentang TEE & ZKP (di bawah ini)

Disclaimer:

1. Artikel ini dicetak ulang dari [0xJeff]. Semua hak cipta milik penulis asli [0xJeff]. Jika ada keberatan dengan cetak ulang ini, silakan hubungi Gate Belajartim, dan mereka akan menanganinya dengan segera.
2. Penolakan Tanggung Jawab Kewajiban: Pandangan dan opini yang terdapat dalam artikel ini semata-mata milik penulis dan tidak merupakan saran investasi apa pun.
3. Tim Belajar gate melakukan terjemahan artikel ke dalam bahasa lain. Menyalin, mendistribusikan, atau menjiplak artikel yang diterjemahkan dilarang kecuali disebutkan.