データの供給と需要の増加に伴い、個人はますます広範なデジタルフットプリントを残し、個人情報が誤用や不正アクセスのリスクにさらされています。Cambridge Analyticaのようなスキャンダルで個人データが漏洩するケースも見受けられます。

追いついていない人のために、シリーズの第1部をチェックしてください。そこでは、以下の内容について説明しました:

• データの重要性
• AIのためのデータに対する需要の増加
• データレイヤーの出現

ヨーロッパのGDPRやカリフォルニア州のCCPAなど、世界中の規制がデータプライバシーを倫理的な問題だけでなく、法的要件にし、企業にデータ保護を確実にするよう推進しています。

AIの発展により、AIはプライバシーと検証の風景を向上させる一方で、さらに複雑にする重要な役割を果たしています。例えば、AIは詐欺行為を検出するのに役立つ一方で、ディープフェイクの作成を可能にし、デジタルコンテンツの信頼性を検証することがより困難になっています。

ザ・グッド

• プライバシーを保護するML：フェデレーテッドラーニングは、AIモデルを中央集権化された個人情報を保持せずにデバイス上で直接トレーニングすることを可能にするため、ユーザーのプライバシーを保護します。
• AIは、個人を特定しにくくするためにデータを匿名化または擬名化するために使用することができ、それでも分析には依然として役立ちます。
• AIは、ディープフェイクの拡散を検出し、軽減するためのツールの開発において重要であり、デジタルコンテンツの検証可能性を確保する（AIエージェントの真正性を検出/検証することも含む）。
• AIは、法的基準に準拠したデータ処理プラクティスを自動的に確認することで、検証プロセスをより拡張可能にすることができます。

チャレンジ

• AIシステムはしばしば効果的に機能するために膨大なデータセットを必要としますが、このデータがどのように使用され、保存され、誰がアクセスできるかは不透明であり、プライバシー上の懸念を引き起こすことがあります。
• 十分なデータと高度なAIがあれば、見かけ上匿名化されたデータセットから個人を再識別することが可能となり、プライバシーの取り組みが崩れる可能性があります。
• AIが非常にリアルなテキスト、画像、または動画を生成できるようになると、本物とAIによる作成コンテンツを見分けることが難しくなり、検証が困難になります。
• AIモデルはトリックや操作（敵対攻撃）によってだまされる可能性があり、データの検証可能性やAIシステム自体の完全性が危険にさらされることがある（Freysa、Jailbreakなどで見られるように）。

これらの課題は、それぞれの技術の強みを活かしたAI×ブロックチェーン×検証可能性×プライバシーの開発に拍車をかけています。私たちは、以下の増加を目の当たりにしています。

• ゼロ知識証明（ZKPs）
• Zero-Knowledge Transport Layer Security (zkTLS)
• 信頼された実行環境（TEE）
• Fully Homomorphic Encryption（完全同型暗号化）

1. ZKPs

ZKPsは、あるパーティーが何かを知っているか、または文が真実であることを他のパーティーに証明することができますが、証明そのもの以外の情報は公開しません。AIは、データの処理や意思決定が特定の基準を満たしていることを証明するためにこれを活用することができますが、データそのものを開示することはありません。

良い事例研究は@getgrass_io""> @getgrass_io. Grassは未使用のインターネット帯域を活用して、AIモデルのトレーニング用に公共のWebデータを収集し整理します。

Grass Networkは、ブラウザ拡張機能またはアプリを通じてユーザーがアイドル状態のインターネット帯域幅を貢献できるようにします。この帯域幅は、公開されたWebデータをスクレイピングするために使用され、それがAIトレーニングに適した構造化データセットに処理されます。ネットワークは、ユーザーが運営するノードを使用してこのWebスクレイピングを実行します。

Grass Networkは、個人情報ではなく公開データのみをスクレイピングすることで、ユーザーのプライバシーを重視しています。ZKPsを使用してデータの整合性と起源を検証および保護し、データの破損を防ぎ透明性を確保しています。これはソラナブロックチェーン上の主権データロールアップを介して管理されており、データ収集から処理までのすべてのトランザクションを処理しています。

もう1つの良いケーススタディは@zkme_""> @zkme_

zkMeのzkKYCソリューションは、プライバシーを保護する方法でKYCプロセスを実施するという課題に対処しています。ZKPを利用することで、zkKYCはプラットフォームが利用者の身元を確認することを可能にし、機密性の高い個人情報を公開することなく、コンプライアンスを維持しながら利用者のプライバシーを保護します。

2. zkTLS

TLS = 2つの通信アプリケーション間でプライバシーとデータの整合性を提供する標準のセキュリティプロトコル（最も一般的にはHTTPSの「s」に関連しています）。

zk + TLS = データ転送のプライバシーとセキュリティを向上させる。

良い事例は@OpacityNetwork""> @OpacityNetwork

Opacityは、安全でプライベートなデータストレージソリューションを提供するためにzkTLSを採用しています。zkTLSを統合することにより、Opacityはユーザーとストレージサーバー間のデータ送信を機密性があり改ざんできないものにし、従来のクラウドストレージサービスに固有のプライバシー上の懸念に対処しています。

ユースケース - 獲得された賃金のアクセス

Earnifi, an app that has reportedly climbed to a top position in app store rankings, particularly in finance categories, leverages@OpacityNetwork""> @OpacityNetworkのzkTLS。

プライバシー：ユーザーは、銀行の明細書のような機密性の高い銀行詳細情報や個人情報を明らかにすることなく、貸金業者や他のサービスに収入や雇用状況を証明することができます。

セキュリティ：zkTLSの使用により、これらの取引が安全で検証され、プライベートであることが保証されます。これにより、ユーザーは第三者に自分の完全な財務データを信頼する必要がなくなります。

効率性：このシステムは、従来の獲得賃金アクセスプラットフォームに関連するコストや複雑さを削減します。これらのプラットフォームでは、綿密な検証プロセスやデータ共有が必要となることがあります。

3. TEE

TEEsは通常の実行環境と安全な環境の間にハードウェアによる分離を提供します。

完全な自律エージェントであることを保証するために、AIエージェントの最もよく知られたセキュリティ実装の1つです。

Popularized by:

• @123skely"">@123skely's@aipool_tee""> @aipool_tee実験：コミュニティがエージェントに資金を送信し、事前に定義されたルールに基づいてトークンを自律的に発行するTEEプリセール。
• @marvin_tong"">@marvin_tong's@PhalaNetwork""> @PhalaNetwork: MEV保護、統合@ai16zdao""> @ai16zdao‘s ElizaOS、およびエージェントKiraは検証可能な自律型AIエージェントです。
• @fleek"">@fleekのワンクリックTEEデプロイメント：開発者の使いやすさとアクセシビリティに焦点を当てています。

4. FHE

暗号化の形式であり、最初に復号化する必要なく暗号化されたデータ上で計算を直接実行できるようにするものです。

良い事例研究は@mindnetwork_xyz""> @mindnetwork_xyzとその独自のFHEテクノロジー/使用例。

Use Case — FHE Restaking Layer & Risk-free Voting

FHE リステーキング レイヤー

FHEを使用することで、再預け入れされた資産は暗号化されたままとなり、秘密鍵が公開されることはありません。これにより、セキュリティリスクが大幅に低減されます。これにより、取引を検証しながらプライバシーが確保されます。

リスクフリーな投票（MindV）

ガバナンス投票は暗号化されたデータ上で行われ、投票が個人情報保護され、安全性が確保され、強制や贈収賄のリスクが軽減されます。ユーザーは再ステークされた資産を保有することで投票力（$vFHE）を獲得し、ガバナンスを直接的な資産露出から切り離しています。

FHE + TEE

TEEとFHEを組み合わせることで、AI処理のための堅牢なセキュリティ層を作成します:

• TEEは、コンピューティング環境内の操作を外部の脅威から保護します。
• FHEは、プロセス全体で暗号化されたデータ上で操作が行われることを保証します。

取引額が1億ドルから10億ドル以上の機関にとって、フロントランニング、ハッキング、取引戦略の露出を防ぐためにプライバシーとセキュリティが最重要事項です。

AIエージェントにとって、この二重暗号化はプライバシーとセキュリティを向上させ、次のように有用です:

• 機密性の高いトレーニングデータ
• 内部モデルの重みを保護する（逆向きエンジニアリング/IP盗難を防ぐ）
• ユーザーデータ保護

FHEの主な課題は、計算の集中度による高いオーバーヘッドコストであり、それによってエネルギー消費量とレイテンシーが増加することです。

現在進行中の研究では、ハードウェアアクセラレーション、ハイブリッド暗号化技術、アルゴリズムの改善などの最適化を模索し、計算負荷を軽減し、効率を高めています。したがって、FHEの最適なユースケースは、低計算、高レイテンシのアプリケーションです。

第2部をまとめる

FHE = 復号化せずに暗号化データ上での操作（最強のプライバシーだが最も高価）

TEE = ハードウェア、孤立した環境での安全な実行（セキュリティとパフォーマンスのバランス）

ZKP = データを明らかにせずに文を証明するか、身元を認証する（事実/資格を証明するのに適しています）

これはカバーするには広範なトピックですので、これが終わりではありません。 1つの重要な問題が残っています。つまり、AI駆動の検証メカニズムが、ますます高度化するディープフェイクの時代に本当に信頼できるものであることをどのように確保できるかということです。第3部では、さらに深く掘り下げます。

• 検証可能なレイヤー
• データ整合性の検証におけるAIの役割
• プライバシーとセキュリティの将来の発展

お楽しみに！

TEE&ZKPに関する追加品質リソース（以下）

免責事項:

1. この記事は、 から再掲載されました[0xJeff]. すべての著作権は元の著者に帰属します。[0xJeff]. この転載に異議がある場合は、お問い合わせください。ゲートラーンチームはそれに迅速に対処します。
2. 責任免除事項：この記事で表明された意見は、著者個人のものであり、投資アドバイスを提供するものではありません。
3. ゲートLearnチームは、記事を他の言語に翻訳しています。翻訳された記事のコピー、配布、盗作は、明示されていない限り禁止されています。