デジタルの世界では、暗号化技術はどのようにして個人データのプライバシーを保護するのでしょうか?

区块律动BlockBeats

特邀专栏作者

2025-02-07 02:24

この記事は約2643文字で、全文を読むには約4分かかります

AIの急速な発展により、プライバシー保護は向上する一方で、プライバシーと検証可能性もさらに複雑化しています。

原作者: Defi 0x Jeff、ステーキスタジオ責任者

原文翻訳: zhouzhou、BlockBeats

編集者注: この記事では、ゼロ知識証明 (ZKP)、信頼できる実行環境 (TEE)、完全準同型暗号化 (FHE) など、プライバシーとセキュリティを強化するさまざまなテクノロジに焦点を当てています。これらのテクノロジの AI およびデータ処理への応用、ユーザーのプライバシーを保護し、データ漏洩を防ぎ、システムセキュリティを向上させる方法について紹介します。この記事では、Earnifi、Opacity、MindV などの事例も取り上げ、これらの技術を使用してリスクのない投票やデータ暗号化処理などを実現する方法を示していますが、同時にこれらの技術は、コンピューティングのオーバーヘッドやレイテンシの問題など、多くの課題に直面しています。

以下は元のコンテンツです（読みやすく理解しやすいように、元のコンテンツを再編成しました）。

データの需要と供給が急増するにつれ、個人が残すデジタルフットプリントはますます広範囲になり、個人情報が悪用されたり不正アクセスされたりする可能性が高まっています。ケンブリッジ・アナリティカ事件など、個人情報が漏洩した事例はすでにいくつかあります。

まだ追いついていない方は、シリーズのパート 1 をご覧ください。そこでは次の内容について説明しました。

データの重要性

人工知能によるデータ需要の増加

データレイヤーの出現

欧州の GDPR、カリフォルニア州の CCPA、そして世界各地の規制により、データプライバシーは倫理的な問題だけでなく法的要件となり、企業にデータ保護の徹底を迫るようになりました。

人工知能の急速な発展により、AI はプライバシー保護を向上させる一方で、プライバシーと検証可能性の領域をさらに複雑化しています。たとえば、AI は不正行為の検出に役立ちますが、「ディープフェイク」技術も可能にし、デジタルコンテンツの真正性の検証を困難にします。

アドバンテージ

プライバシー保護機械学習: フェデレーテッドラーニングにより、機密データを集中管理することなく AI モデルをデバイス上で直接トレーニングできるため、ユーザーのプライバシーが保護されます。

AI を使用すると、データを匿名化または仮名化して個人に簡単に遡ることができないようにしながらも、分析には役立ちます。

AI は、ディープフェイクの拡散を検出して軽減するツールの開発に不可欠であり、それによってデジタルコンテンツの検証可能性を確保します (AI エージェントの信頼性を検出/検証します)。

AI は、データ処理方法が法的基準に準拠していることを自動的に確認できるため、検証プロセスのスケーラビリティが向上します。

チャレンジ

AI システムが効果的に機能するには、多くの場合、大規模なデータセットが必要ですが、そのデータの使用方法、保存方法、アクセス方法が不透明であるため、プライバシーに関する懸念が生じます。

十分なデータと高度な AI 技術があれば、匿名とされるデータセットから個人を再識別することが可能となり、プライバシー保護が損なわれる可能性があります。

AI は非常にリアルなテキスト、画像、ビデオを生成できるようになるため、実際のコンテンツと AI によって偽造されたコンテンツを区別することが難しくなり、検証可能性が課題となります。

AI モデルは騙されたり操作されたり（敵対的攻撃）、データの検証可能性や AI システム自体の整合性が損なわれる可能性があります（Freysa、Jailbreak などで見られるように）。

これらの課題は、各テクノロジーの強みを活用し、AI、ブロックチェーン、検証可能性、プライバシーテクノロジーの急速な発展を推進しています。次のようなテクノロジーが登場しました。

ゼロ知識証明 (ZKP)

ゼロ知識トランスポート層セキュリティ (zkTLS)

信頼できる実行環境 (TEE)

完全準同型暗号 (FHE)

1. ゼロ知識証明（ZKP）

ZKP を使用すると、一方の当事者が、証明自体以外の情報を開示することなく、特定の情報を知っていることや、ある声明が真実であることを他方の当事者に証明できます。 AI はこれを利用して、データ自体を公開することなく、データ処理や決定が特定の基準を満たしていることを証明できます。良いケーススタディとしては、アイドル状態のインターネット帯域幅を使用して、AI モデルのトレーニング用の公開 Web データを収集および整理する getgrass.io が挙げられます。

Grass Network では、ユーザーがブラウザ拡張機能やアプリケーションを通じてアイドル状態のインターネット帯域幅を提供でき、それを使用して公開 Web データをクロールし、AI トレーニングに適した構造化データセットに処理できます。ネットワークは、ユーザーが実行するノードを通じてこの Web スクレイピングプロセスを実行します。

Grass Network はユーザーのプライバシーを重視しており、個人情報ではなく公開データのみを収集します。ゼロ知識証明を使用してデータの整合性と出所を検証および保護し、データの破損を防ぎ、透明性を確保します。すべてのデータ収集および処理トランザクションは、Solana ブロックチェーン上の主権データ集約を通じて管理されます。

もう一つの良いケーススタディは ZKME です。

zkMe の zkKYC ソリューションは、プライバシーを保護しながら KYC (顧客確認) プロセスを実行するという課題に対処します。 zkKYC はゼロ知識証明を活用することで、プラットフォームが機密性の高い個人情報を公開することなくユーザーの身元を確認できるようにし、規制遵守を維持しながらユーザーのプライバシーを保護します。

2. TLS の

TLS = 通信する 2 つのアプリケーション間のプライバシーとデータの整合性を提供する標準セキュリティプロトコル (通常、HTTPS の「s」に関連付けられます)。 zk + TLS = データ転送におけるプライバシーとセキュリティの向上。

良いケーススタディとしては OpacityNetwork が挙げられます。

Opacity は zkTLS を使用して、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します。zkTLS を統合することで、Opacity はユーザーとストレージサーバー間のデータ転送の機密性と改ざん防止を確保し、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の問題を解決します。

ユースケース — 特に金融カテゴリでアプリストアのランキングのトップに上り詰めたとされるアプリ Earnifi は、OpacityNetwork の zkTLS を活用しています。

プライバシー: ユーザーは、銀行取引明細書などの機密性の高い銀行情報や個人データを開示することなく、貸し手やその他のサービスに収入や雇用状況を提供できます。

セキュリティ: zkTLS を使用すると、これらのトランザクションが安全かつ認証され、プライベートに保たれることが保証されます。これにより、ユーザーがすべての財務データを第三者に委託する必要がなくなります。

効率性: このシステムは、煩雑な検証プロセスやデータ共有を必要とする従来の賃金前払いアクセスプラットフォームに関連するコストと複雑さを軽減します。

3.ティー

信頼できる実行環境 (TEE) は、通常の実行環境と安全な実行環境の間にハードウェアによる分離を提供します。これはおそらく、AI エージェントが完全に自律的なエージェントであることを保証するための、現在最もよく知られている安全性の実装です。 123skely の aipool tee 実験によって普及しました。これは、コミュニティがエージェントに資金を送り、エージェントが事前に決められたルールに従って自律的にトークンを発行する TEE 事前販売イベントです。

marvin tong による PhalaNetwork: MEV 保護、ai16z dao 統合を備えた ElizaOS、検証可能な自律 AI エージェントとしての Agent Kira。

fleek のワンクリック TEE デプロイメント: 使用の簡素化と開発者のアクセシビリティの向上に重点を置いています。

4. FHE（完全準同型暗号）

最初にデータを復号化せずに、暗号化されたデータに対して直接計算を実行できる暗号化形式。

良いケーススタディとしては、mindnetwork xyz とその独自の FHE テクノロジー/ユースケースが挙げられます。

ユースケース - FHE ヘビーステーキングレイヤーとリスクフリー投票

FHE 重担保レイヤー FHE を使用すると、重担保資産は暗号化されたままになります。つまり、秘密鍵が公開されることはなく、セキュリティリスクが大幅に軽減されます。これにより、プライバシーが確保されると同時に、トランザクションも検証されます。

リスクフリー投票（MindV）
ガバナンス投票は暗号化されたデータに基づいて行われるため、投票は非公開かつ安全に保たれ、強制や賄賂のリスクが軽減されます。ユーザーは、大量にステークされた資産を保有することで投票権 (vFHE) を獲得し、それによってガバナンスと直接的な資産エクスポージャーを切り離します。

FHE + ティー
TEE と FHE を組み合わせることで、AI 処理のための強力なセキュリティレイヤーが作成されます。

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、プロセス全体を通じて常に暗号化されたデータに対して操作が実行されるようにします。

1億ドルから10億ドル以上の取引を処理する機関にとって、フロントランニング、ハッキング、取引戦略の漏洩を防ぐために、プライバシーとセキュリティは非常に重要です。

AI エージェントの場合、この二重暗号化によりプライバシーとセキュリティが強化され、次の分野で役立ちます。

機密トレーニングデータのプライバシー

内部モデルの重みを保護する（リバースエンジニアリング/IP盗難を防ぐため）

ユーザーデータ保護

FHE の主な課題は、計算負荷が高いためにオーバーヘッドが高く、エネルギー消費とレイテンシが増加することです。現在の研究では、計算負荷を軽減し、効率を向上させるために、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、アルゴリズムの最適化などの方法が検討されています。したがって、FHE は、計算量が少なく、レイテンシが高いアプリケーションに最適です。