ด้วยการเพิ่มขึ้นทั้งในการจัดหาและความต้องการข้อมูล บุคคลทั่วไปกำลังทิ้งเอาไว้เท้าเข้าไว้ในดิจิทัลที่กว้างขึ้น ซึ่งทำให้ข้อมูลส่วนตัวเป็นไปได้ที่จะถูกใช้งานผิด หรือเข้าถึงได้โดยไม่ได้รับอนุญาต พวกเราเคยเห็นกรณีที่ข้อมูลส่วนบุคคลถูกหลุดออกมา ด้วยเหตุการณ์เช่น Cambridge Analytica

สำหรับคนที่ยังไม่มีความรู้เรื่องนี้ โปรดตรวจสอบส่วนที่ 1 ของซีรีส์ที่เราได้พูดถึง:

• ความสำคัญของข้อมูล
• ความต้องการที่เพิ่มขึ้นสำหรับข้อมูลสำหรับ AI
• การเกิดขึ้นของชั้นข้อมูล

กฎระเบียบเช่น GDPR ในยุโรป CCPA ของแคลิฟอร์เนีย และอื่น ๆ ทั่วโลกได้ทำให้ความเป็นส่วนตัวของข้อมูลไม่เพียงเพียงเป็นปัญหาทางจริยธรรมเท่านั้น แต่ยังเป็นข้อกำหนดทางกฎหมายที่บังคับ ทำให้บริษัทต้องรับรองความปลอดภัยของข้อมูล

ด้วยความเพิ่มขึ้นของการพัฒนา AI AI เล่นบทบาทสำคัญในการเพิ่มประสิทธิภาพและยุ่งยากขึ้นในด้านความเป็นส่วนตัวและความสามารถในการยืนยันความถูกต้อง เช่นเช่นในขณะที่ AI สามารถช่วยตรวจพบกิจกรรมที่เป็นการฉ้อโกงได้ แต่ก็ยังทำให้เกิด deepfakes ที่ทำให้ยากขึ้นในการยืนยันความถูกต้องของเนื้อหาดิจิทัล

The Good

• การเรียนรู้แบบร่วมกันให้โมเดล AI สามารถฝึกอบรมโดยตรงบนอุปกรณ์โดยไม่จำเป็นต้องทำให้ข้อมูลที่ละเอียดอ่อนส่วนใหญ่เป็นส่วนกลาง ซึ่งทำให้สงวนความเป็นส่วนตัวของผู้ใช้
• AI สามารถใช้ในการทำให้ข้อมูลไม่สามารถระบุตัวตนหรือใช้ชื่อปลอมได้ ทำให้ยากต่อการติดตามกลับไปยังบุคคลโดยที่ยังคงเป็นประโยชน์สำหรับการวิเคราะห์
• AI เป็นสิ่งสำคัญในการพัฒนาเครื่องมือในการตรวจจับและลดการแพร่กระจายของ deepfakes เพื่อให้มั่นใจในความสามารถในการตรวจสอบเนื้อหาดิจิทัล (รวมถึงการตรวจหา/การยืนยันความถูกต้องของ AI agents)
• AI สามารถช่วยให้การจัดการข้อมูลตามมาตรฐานกฎหมายเป็นอัตโนมัติ ทำให้กระบวนการการตรวจสอบมีขนาดใหญ่ขึ้นได้

ความท้าทาย

• ระบบ AI บ่อยครั้งต้องใช้ชุดข้อมูลขนาดใหญ่เพื่อทำงานอย่างมีประสิทธิภาพ แต่วิธีที่ข้อมูลนี้ถูกใช้งาน เก็บรักษา และใครมีสิทธิ์เข้าถึงข้อมูลนั้นอาจเป็นสิ่งที่ไม่โปร่งใส ซึ่งเพิ่มความกังวลเรื่องความเป็นส่วนตัว
• ด้วยข้อมูลเพียงพอและ AI ที่ซับซ้อนพอ มันสามารถทำให้เป็นไปได้ที่จะระบุตัวบุคคลออกมาจากชุดข้อมูลที่ถูกคาดว่าเป็นข้อมูลที่ไม่สามารถระบุตัวได้ ซึ่งทำให้ความเป็นส่วนตัวล้มเหลว
• ด้วย AI ที่สามารถสร้างข้อความที่มีความเป็นจริงอย่างสูง รูปภาพ หรือวิดีโอ การแยกแยะระหว่างเนื้อหาที่แท้จริงและเนื้อหาที่สร้างด้วย AI กลายเป็นเรื่องยากขึ้น ทำให้การตรวจสอบความถูกต้องเป็นเรื่องที่ท้าทาย
• โมเดล AI สามารถถูกหลอกหรือถูกแก้ไข (การโจมตีแบบต่อต้าน) ทำให้ความสามารถในการตรวจสอบข้อมูลหรือความสมบูรณ์แบบของระบบ AI เป็นไปไม่ได้ (เช่น Freysa, Jailbreak, เป็นต้น)

ความท้าทายได้กระตุ้นการเพิ่มขึ้นของการพัฒนาใน AI x Blockchain x Verifiability x Privacy โดยการใช้ข้อไหมของแต่ละเทคโนโลยี เราเห็นการเพิ่มขึ้นของ:

• พิสูจน์ที่ไม่มีความรู้ (ZKPs)
• Zero-Knowledge Transport Layer Security (zkTLS)
• ระบบ Trusted Execution Environment (TEE)
• การเข้ารหัสแบบเต็มโฮโมอร์ฟิก

1. ZKPs

ZKPs ช่วยให้ฝ่ายหนึ่งสามารถพิสูจน์ต่ออีกฝ่ายหนึ่งว่าพวกเขารู้อะไรบางอย่างหรือว่าคำกล่าวกล่าวเป็นจริงโดยไม่เปิดเผยข้อมูลใด ๆ เกินหลักฐานเอง AI สามารถใช้สิ่งนี้เพื่อแสดงให้เห็นว่าการประมวลผลข้อมูลหรือการตัดสินใจตรงตามเกณฑ์บางอย่างโดยไม่เปิดเผยข้อมูลตัวเอง

กรณีศึกษาที่ดี@getgrass_io""> @getgrass_io. Grass ใช้แบนด์วิดท์อินเทอร์เน็ตที่ไม่ได้ใช้งานเพื่อเก็บและจัดระเบียบข้อมูลเว็บสาธารณะเพื่อฝึกโมเดล AI

เครือข่าย Grass ช่วยให้ผู้ใช้สามารถมีส่วนร่วมในการใช้แบนด์วิดธรรมชนิดงานได้ผ่านส่วนขยายเบราว์เซอร์หรือแอปพลิเคชัน แบนด์วิดที่ใช้งานจะถูกใช้ในการเรียกข้อมูลเว็บสาธารณะซึ่งจะถูกประมวลผลเป็นชุดข้อมูลโครงสร้างที่เหมาะสมสำหรับการฝึก AI เครือข่ายใช้โหนดที่ถูกกำหนดโดยผู้ใช้ในการดำเนินการเรียกข้อมูลเว็บนี้

เครือข่าวเน็ตเวิร์คเน้นการคุ้มครองความเป็นส่วนตัวของผู้ใช้โดยเฉพาะการเก็บข้อมูลสาธารณะเท่านั้น ไม่ใช่ข้อมูลส่วนบุคคล โดยใช้ ZKPs เพื่อยืนยันและรักษาความสมบูรณ์และต้นฉบับของข้อมูล ป้องกันการทำลายข้อมูลและรับรองความ๏ัดเดียว การจัดการนี้เกิดขึ้นผ่านการรวมข้อมูลสมบูรณ์ของข้อมูลบนบล็อกเชน Solana ซึ่งจัดการทุกธุรกรรมตั้งแต่การรวบรวมข้อมูลจนถึงการประมวลผล

กรณีศึกษาที่ดีอีกตัว@zkme_""> @zkme_

โซลูชั่น zkKYC ของ zkMe ช่วยแก้ปัญหาการดำเนินกระบวนการ KYC อย่างเป็นส่วนตัว โดยใช้ ZKP ทำให้ zkKYC สามารถยืนยันตัวตนของผู้ใช้โดยไม่เปิดเผยข้อมูลส่วนบุคคลที่สำคัญ นอกจากนี้ยังรักษาการปฏิบัติตามกฎระเบียบพร้อมดูแลความเป็นส่วนตัวของผู้ใช้

2. zkTLS

TLS = โปรโตคอลความปลอดภัยมาตรฐานที่ให้ความเป็นส่วนตัวและความคงทนของข้อมูลระหว่างสองแอปพลิเคชั่นที่กำลังสื่อสาร (มักเกี่ยวข้องกับ "s" ใน HTTPS)

zk + TLS = การเพิ่มความเป็นส่วนตัวและความปลอดภัยในการส่งข้อมูล

การศึกษากรณีที่ดี@OpacityNetwork""> @OpacityNetwork

Opacity ใช้ zkTLS เพื่อให้บริการการจัดเก็บข้อมูลที่ปลอดภัยและเป็นส่วนตัว โดยการบูรณะ zkTLS Opacity รับรองว่าการส่งข้อมูลระหว่างผู้ใช้และเซิร์ฟเวอร์จะเป็นความลับและป้องกันการปลอมแปลง และจัดการกับความสงสัยในเรื่องความเป็นส่วนตัวที่เป็นเรื่องที่สำคัญในบริการจัดเก็บข้อมูลในคลาวด์แบบดั้งเดิม

Use case — การเข้าถึงค่าจ้างที่ได้รับแล้ว

Earnifi, แอปพลิเคชันที่ได้รับการยกระดับไปสู่อันดับหนึ่งในการจัดอันดับของร้านค้าแอปพลิเคชันโดยเฉพาะในหมวดหมู่การเงิน ใช้ประโยชน์@OpacityNetwork""> zkTLS ของ @OpacityNetwork.

ความเป็นส่วนตัว: ผู้ใช้สามารถพิสูจน์รายได้หรือสถานภาพการจ้างงานของพวกเขาต่อผู้ให้บริการสินเชื่อหรือบริการอื่นๆโดยไม่ต้องเปิดเผยรายละเอียดธนาคารที่อ่อนไหวหรือข้อมูลส่วนตัวอื่นๆ เช่นรายการธนาคาร

ความปลอดภัย: การใช้ zkTLS ทำให้ธุรกรรมเหล่านี้มีความปลอดภัย ถูกตรวจสอบ และเป็นส่วนตัว มันป้องกันการต้องการให้ผู้ใช้เชื่อถือบุคคลที่สามด้วยข้อมูลทางการเงินเต็มรูปแบบของพวกเขา

ประสิทธิภาพ: ระบบนี้ลดต้นทุนและความ复杂 ที่เกี่ยวข้องกับแพลตฟอร์มการเข้าถึงรายได้ที่ได้มาด้วยการทำงานแบบดั้งเดิม ซึ่งอาจต้องการกระบวนการการยืนยันที่ละเอียดหรือการแบ่งปันข้อมูลที่เป็นระบบ

3. TEE

TEEs ให้การแยกแยะทางฮาร์ดแวร์ระหว่างสภาวะการทำงานปกติและสภาวะที่ปลอดภัย

อาจเป็นการปฏิบัติงานด้านความปลอดภัยที่รู้จักมากที่สุดในตัวอย่างเชิงปฏิบัติการของเอเอไอเอเจนต์เพื่อให้แน่ใจว่าพวกเขาเป็นตัวแทนที่เป็นอิสระอย่างสมบูรณ์

Popularized by:

• @123skely"">@123skely's@aipool_tee""> @aipool_tee การทดลอง: การขายก่อนการจำหน่าย TEE ที่ชุมชนส่งเงินให้เอเจนต์ ซึ่งออกโทเค็นโดยอัตโนมัติตามกฎเกณฑ์ที่กำหนดล่วงหน้า
• @marvin_tong"">@marvin_tong‘s@PhalaNetwork""> @PhalaNetwork: การป้องกัน MEV, การรวมเข้ากับ gate@ai16zdao""> ElizaOS ของ @ai16zdao และ Agent Kira เป็นตัวแทน AI ที่สามารถยืนยันได้เอง
• @fleek"">การติดตั้ง TEE ด้วยคลิกเดียวของ @fleek: มุ่งเน้นความสะดวกในการใช้งานและการเข้าถึงสำหรับนักพัฒนา

4. FHE

รูปแบบหนึ่งของการเข้ารหัสที่ช่วยให้การคำนวณสามารถทำได้โดยตรงบนข้อมูลที่เข้ารหัสโดยไม่จำเป็นต้องถอดรหัสก่อน

กรณีศึกษาที่ดีคือ@mindnetwork_xyz> @mindnetwork_xyz และเทคโนโลยี FHE ของพวกเขา / กรณีการใช้งานที่เป็นกรรมสิทธิ์

กรณีใช้งาน — FHE Restaking Layer & Risk-free Voting

เลเยอร์การเรียกเก็บ FHE

โดยใช้ FHE ทรัพย์สินที่ถูกทำเครื่องหมายใหม่ยังคงเป็นรหัสลับ ซึ่งหมายความว่าคีย์ส่วนตัวจะไม่เปิดเผยเลย ลดความเสี่ยงด้านความปลอดภัยอย่างมาก นี้จะให้ความเป็นส่วนตัวในขณะที่ยืนยันธุรกรรม

การลงคะแนนโดยไม่มีความเสี่ยง (MindV)

การลงคะแนนเสียงในการปกครองเกิดขึ้นบนข้อมูลที่เข้ารหัสลับ ทำให้การลงคะแนนเสียงยังคงเป็นส่วนตัวและปลอดภัย ลดความเสี่ยงของการบีบคัดหรือทำการสินบน ผู้ใช้ได้รับพลังในการลงคะแนนเสียง ($vFHE) โดยการถือทรัพย์ที่ถูกเดโคปูล เอาออกทรัพย์ แยกจากการเผชิญหน้ากับทรัพย์โดยตรง

FHE + TEE

โดยผสมผสาน TEE และ FHE พวกเขาสร้างชั้นความปลอดภัยที่แข็งแกร่งสำหรับการประมวลผล AI:

• TEE ป้องกันการดำเนินการภายในสภาพแวดล้อมการคำนวณจากอุปสรรคภายนอก
• FHE รับรองว่าการดำเนินการเกิดขึ้นบนข้อมูลที่เข้ารหัสตลอดกระบวนการ

สำหรับสถาบันที่จัดการด้วยเงิน 100 ล้าน - 1 พันล้าน ดอลลาร์ขึ้นไปในการทำธุรกรรม ความเป็นส่วนตัวและความปลอดภัยเป็นสิ่งสำคัญที่สุดเพื่อป้องกันการดักดานการซื้อขาย การแฮ็ก หรือการเปิดเผยกลยุทธ์การซื้อขาย

สำหรับเอเจ้นต์ AI การเข้ารหัสคู่เพิ่มความเป็นส่วนตัว & ความปลอดภัย ทำให้มันเป็นประโยชน์สำหรับ:

• ความเป็นส่วนตัวของข้อมูลการฝึกอบรมที่เป็นไปไม่ได้
• การป้องกันการถอดรหัสย้อนกลับและการขโมยทรัพย์สินทางปัญญาด้วยการป้องกันน้ำหนักโมเดลภายใน
• การป้องกันข้อมูลผู้ใช้

ความท้าทายหลักสำหรับ FHE ยังคงเป็นต้นทุนการใช้งานสูงเนื่องจากความหนาแน่นของการคำนวณ ทำให้การใช้พลังงานและความล่าช้าเพิ่มขึ้น

การวิจัยอย่างต่อเนื่องกำลังสำรวจการปรับปรุงเช่นการเร่งความเร็วด้วยฮาร์ดแวร์ การใช้เทคนิคการเข้ารหัสแบบผสม และการปรับปรุงอัลกอริทึมเพื่อลดภาระการคำนวณและเพิ่มประสิทธิภาพ ดังนั้น กรณีการใช้ที่ดีที่สุดสำหรับ FHE คือการประยุกต์ใช้ในแอพพลิเคชันที่มีการคำนวณต่ำและความล่าช้าสูง

การสรุปสำหรับส่วนที่ 2

FHE = การดำเนินการกับข้อมูลที่เข้ารหัสแล้วโดยไม่ต้องถอดรหัส (ความเป็นส่วนตัวที่แข็งแรงที่สุด แต่ราคาสูงที่สุด)

TEE = ฮาร์ดแวร์ การดำเนินการอย่างปลอดภัยในสภาพแวดล้อมที่ถูกกักกัน (สมดุลระหว่างความปลอดภัยและประสิทธิภาพ)

ZKP = พิสูจน์คำกล่าวหรือรับรองตัวตนโดยไม่เปิดเผยข้อมูลพื้นฐาน (เหมาะสำหรับการพิสูจน์ความเป็นจริง / ข้อมูลส่วนบุคคล)

นี่เป็นหัวข้อที่ใหญ่มากที่จะครอบคลุม ดังนั้นนี่ไม่ใช่จุดสิ้นสุด คำถามหลักหนึ่งยังคงอยู่: เราจะสามารถให้แม่นยำ AI-driven verifiability mechanisms ที่เชื่อถือได้จริงในยุคของความเชี่ยวชาญ deepfake ที่เพิ่มมากขึ้น? ในส่วนที่ 3 เราจะลงไปลึกลงไป

• เลเยอร์ที่สามารถยืนยันได้
• บทบาทของ AI ในการยืนยันความสมบูรณ์ของข้อมูล
• การพัฒนาในอนาคตในเรื่องความเป็นส่วนตัวและความปลอดภัย

อย่าพลาด!

Additional Quality Resources on TEE & ZKPs (ด้านล่าง)

คำประกาศปฏิเสธความรับผิดชอบ:

1. บทความนี้ถูกนำเข้ามาจาก[0xJeff]. ลิขสิทธิ์ทั้งหมดเป็นของผู้เขียนต้นฉบับ [0xJeff]. หากมีคำประสงค์ด้านการเผยแพร่นี้ โปรดติดต่อ เกต เรียน ทีมและพวกเขาจะจัดการกับมันทันที
2. คำประกาศภาระผูกพันกับความรับผิดชอบ: มุมมองและความคิดเห็นที่แสดงในบทความนี้เป็นเพียงแค่ของผู้เขียนเท่านั้นและไม่เป็นที่ปรึกษาการลงทุนใด ๆ
3. ทีม Gate Learn ทำการแปลบทความเป็นภาษาอื่น ๆ ห้ามคัดลอก กระจายหรือลอกเลียนแบบบทความที่แปล ยกเว้นที่จะระบุ