Tác giả gốc: Defi 0x Jeff, giám đốc studio bít tết

Bản dịch gốc: zhouzhou, BlockBeats

Lưu ý của biên tập viên: Bài viết này tập trung vào nhiều công nghệ giúp tăng cường quyền riêng tư và bảo mật, bao gồm bằng chứng không kiến thức (ZKP), môi trường thực thi đáng tin cậy (TEE), mã hóa đồng hình hoàn toàn (FHE), v.v. Bài viết giới thiệu ứng dụng của các công nghệ này trong AI và xử lý dữ liệu, cách bảo vệ quyền riêng tư của người dùng, ngăn chặn rò rỉ dữ liệu và cải thiện bảo mật hệ thống. Bài viết cũng đề cập đến một số trường hợp như Earnifi, Opacity và MindV, cho thấy cách thức sử dụng các công nghệ này để đạt được mục tiêu bỏ phiếu không rủi ro, xử lý mã hóa dữ liệu, v.v., nhưng đồng thời, các công nghệ này cũng phải đối mặt với nhiều thách thức như vấn đề về chi phí tính toán và độ trễ.

Sau đây là nội dung gốc (để dễ đọc và hiểu hơn, nội dung gốc đã được sắp xếp lại):

Khi cung và cầu dữ liệu tăng đột biến, dấu vết kỹ thuật số mà cá nhân để lại ngày càng rộng lớn, khiến thông tin cá nhân dễ bị sử dụng sai mục đích hoặc truy cập trái phép hơn. Chúng ta đã chứng kiến một số trường hợp dữ liệu cá nhân bị rò rỉ, chẳng hạn như vụ bê bối Cambridge Analytica.

Đối với những ai chưa theo dõi, hãy xem Phần 1 của loạt bài này, nơi chúng tôi đã thảo luận:

Tầm quan trọng của dữ liệu

Sự gia tăng nhu cầu dữ liệu từ trí tuệ nhân tạo

Sự xuất hiện của lớp dữ liệu

GDPR của Châu Âu, CCPA của California và các quy định ở những nơi khác trên thế giới đã khiến quyền riêng tư dữ liệu không chỉ là vấn đề đạo đức mà còn là yêu cầu pháp lý, thúc đẩy các công ty phải đảm bảo bảo vệ dữ liệu.

Với sự phát triển nhanh chóng của trí tuệ nhân tạo, AI đã cải thiện khả năng bảo vệ quyền riêng tư nhưng đồng thời làm phức tạp thêm các lĩnh vực về quyền riêng tư và khả năng xác minh. Ví dụ, trong khi AI có thể giúp phát hiện hoạt động gian lận, nó cũng cho phép sử dụng công nghệ "làm giả sâu", khiến việc xác minh tính xác thực của nội dung kỹ thuật số trở nên khó khăn hơn.

lợi thế

Học máy bảo vệ quyền riêng tư: Học liên bang cho phép đào tạo các mô hình AI trực tiếp trên thiết bị mà không cần tập trung dữ liệu nhạy cảm, do đó bảo vệ quyền riêng tư của người dùng.

AI có thể được sử dụng để ẩn danh hoặc tạo bí danh cho dữ liệu để không dễ dàng truy tìm ra cá nhân nào đó, trong khi vẫn hữu ích cho việc phân tích.

AI sẽ đóng vai trò quan trọng trong việc phát triển các công cụ phát hiện và giảm thiểu sự lây lan của deepfake, do đó đảm bảo khả năng xác minh nội dung kỹ thuật số (và phát hiện/xác minh tính xác thực của tác nhân AI).

AI có thể tự động đảm bảo rằng các hoạt động xử lý dữ liệu tuân thủ các tiêu chuẩn pháp lý, giúp quá trình xác minh có khả năng mở rộng hơn.

thử thách

Các hệ thống AI thường yêu cầu bộ dữ liệu lớn để hoạt động hiệu quả, nhưng cách sử dụng, lưu trữ và truy cập dữ liệu đó có thể không rõ ràng, làm dấy lên lo ngại về quyền riêng tư.

Với đủ dữ liệu và các kỹ thuật AI tiên tiến, có thể xác định lại danh tính cá nhân từ các tập dữ liệu ẩn danh, qua đó làm suy yếu quyền bảo vệ quyền riêng tư.

Vì AI có khả năng tạo ra văn bản, hình ảnh hoặc video có độ chân thực cao nên việc phân biệt giữa nội dung thực và nội dung do AI tạo ra trở nên khó khăn hơn, gây thách thức trong việc xác minh.

Các mô hình AI có thể bị lừa dối hoặc thao túng (các cuộc tấn công đối nghịch), làm suy yếu khả năng xác minh dữ liệu hoặc tính toàn vẹn của chính hệ thống AI (như đã thấy trong các trường hợp của Freysa, Jailbreak, v.v.).

Những thách thức này đang thúc đẩy sự phát triển nhanh chóng của các công nghệ AI, blockchain, khả năng xác minh và quyền riêng tư, tận dụng thế mạnh của từng công nghệ. Chúng ta đã chứng kiến sự phát triển của các công nghệ sau:

Bằng chứng không kiến thức (ZKP)

Bảo mật lớp truyền tải không kiến thức (zkTLS)

Môi trường thực thi đáng tin cậy (TEE)

Mã hóa đồng dạng hoàn toàn (FHE)

1. Bằng chứng không kiến thức (ZKP)

ZKP cho phép một bên chứng minh với bên kia rằng họ biết một thông tin nhất định hoặc một tuyên bố là đúng, mà không tiết lộ bất kỳ thông tin nào ngoài bằng chứng đó. AI có thể sử dụng điều này để chứng minh rằng việc xử lý dữ liệu hoặc các quyết định đáp ứng các tiêu chuẩn nhất định mà không cần tiết lộ dữ liệu đó. Một nghiên cứu điển hình là getgrass.io, sử dụng băng thông Internet nhàn rỗi để thu thập và sắp xếp dữ liệu web công khai nhằm đào tạo các mô hình AI.

Grass Network cho phép người dùng đóng góp băng thông internet nhàn rỗi của họ thông qua tiện ích mở rộng hoặc ứng dụng của trình duyệt, được sử dụng để thu thập dữ liệu web công khai và sau đó xử lý thành các tập dữ liệu có cấu trúc phù hợp để đào tạo AI. Mạng thực hiện quá trình thu thập dữ liệu web này thông qua các nút do người dùng điều hành.

Grass Network nhấn mạnh vào quyền riêng tư của người dùng và chỉ thu thập dữ liệu công khai, không phải thông tin cá nhân. Nó sử dụng bằng chứng không kiến thức để xác minh và bảo vệ tính toàn vẹn và nguồn gốc của dữ liệu, ngăn ngừa hỏng dữ liệu và đảm bảo tính minh bạch. Mọi giao dịch thu thập và xử lý dữ liệu đều được quản lý thông qua tổng hợp dữ liệu có chủ quyền trên blockchain Solana.

Một nghiên cứu điển hình khác là ZKME.

Giải pháp zkKYC của zkMe giải quyết thách thức trong việc thực hiện quy trình KYC (Biết khách hàng của bạn) theo cách bảo vệ quyền riêng tư. Bằng cách tận dụng bằng chứng không kiến thức, zkKYC cho phép các nền tảng xác minh danh tính người dùng mà không tiết lộ thông tin cá nhân nhạy cảm, do đó bảo vệ quyền riêng tư của người dùng trong khi vẫn tuân thủ quy định.

2. zkTLS

TLS = một giao thức bảo mật tiêu chuẩn cung cấp quyền riêng tư và tính toàn vẹn dữ liệu giữa hai ứng dụng giao tiếp (thường được liên kết với chữ "s" trong HTTPS). zk + TLS = cải thiện quyền riêng tư và bảo mật trong quá trình truyền dữ liệu.

Một nghiên cứu điển hình là OpacityNetwork.

Opacity sử dụng zkTLS để cung cấp giải pháp lưu trữ dữ liệu an toàn và riêng tư. Bằng cách tích hợp zkTLS, Opacity đảm bảo rằng việc truyền dữ liệu giữa người dùng và máy chủ lưu trữ vẫn được bảo mật và không bị giả mạo, do đó giải quyết các vấn đề về quyền riêng tư vốn có trong các dịch vụ lưu trữ đám mây truyền thống.

Trường hợp sử dụng — Earnifi, một ứng dụng được cho là đã leo lên vị trí đầu bảng xếp hạng của cửa hàng ứng dụng, đặc biệt là trong danh mục tài chính, tận dụng zkTLS của OpacityNetwork.

Quyền riêng tư: Người dùng có thể cung cấp cho bên cho vay hoặc các dịch vụ khác thông tin về thu nhập hoặc tình trạng việc làm của mình mà không tiết lộ thông tin ngân hàng nhạy cảm hoặc dữ liệu cá nhân, chẳng hạn như sao kê ngân hàng.

Bảo mật: Việc sử dụng zkTLS đảm bảo các giao dịch này được an toàn, xác thực và giữ được tính riêng tư. Nó giúp người dùng không cần phải giao phó toàn bộ dữ liệu tài chính của mình cho bên thứ ba.

Hiệu quả: Hệ thống giúp giảm chi phí và sự phức tạp liên quan đến các nền tảng tiếp cận ứng trước lương truyền thống, vốn có thể yêu cầu các quy trình xác minh cồng kềnh hoặc chia sẻ dữ liệu.

3.TEE

Môi trường thực thi đáng tin cậy (TEE) cung cấp khả năng cô lập được thực thi bằng phần cứng giữa môi trường thực thi bình thường và môi trường thực thi an toàn. Đây có lẽ là triển khai an toàn nổi tiếng nhất trong các tác nhân AI hiện nay để đảm bảo rằng chúng là các tác nhân hoàn toàn tự động. Được phổ biến bởi thử nghiệm tee aipool của 123skely: một sự kiện bán trước TEE trong đó cộng đồng gửi tiền cho đại lý và đại lý sẽ tự động phát hành mã thông báo theo các quy tắc được xác định trước.

PhalaNetwork của marvin tong: Bảo vệ MEV, ElizaOS tích hợp dao ai16z và Agent Kira là tác nhân AI tự động có thể xác minh.

Triển khai TEE chỉ bằng một cú nhấp chuột của fleek: Tập trung vào việc đơn giản hóa việc sử dụng và cải thiện khả năng truy cập của nhà phát triển.

4. FHE (Mã hóa đồng dạng hoàn toàn)

Một dạng mã hóa cho phép thực hiện tính toán trực tiếp trên dữ liệu được mã hóa mà không cần giải mã dữ liệu trước.

Một nghiên cứu điển hình là mindnetwork xyz và công nghệ/trường hợp sử dụng FHE độc quyền của họ.

Trường hợp sử dụng — Lớp đặt cược nặng FHE và bỏ phiếu không rủi ro

Lớp thế chấp lớn FHE Bằng cách sử dụng FHE, các tài sản được thế chấp lớn vẫn được mã hóa, nghĩa là khóa riêng tư không bao giờ bị tiết lộ, giúp giảm đáng kể rủi ro bảo mật. Điều này đảm bảo quyền riêng tư đồng thời xác minh giao dịch.

Biểu quyết không rủi ro (MindV)
Biểu quyết quản trị được thực hiện trên dữ liệu được mã hóa, đảm bảo tính riêng tư và an toàn của phiếu bầu, giảm nguy cơ bị ép buộc hoặc hối lộ. Người dùng có được quyền biểu quyết (vFHE) bằng cách nắm giữ tài sản có giá trị lớn, do đó tách biệt hoạt động quản trị khỏi việc tiếp xúc trực tiếp với tài sản.

FHE + TEE
Bằng cách kết hợp TEE và FHE, họ tạo ra một lớp bảo mật mạnh mẽ cho quá trình xử lý AI:

TEE bảo vệ các hoạt động trong môi trường máy tính khỏi các mối đe dọa bên ngoài.

FHE đảm bảo rằng các hoạt động luôn được thực hiện trên dữ liệu được mã hóa trong suốt quá trình.

Đối với các tổ chức xử lý các giao dịch trị giá từ 100 triệu đô la đến hơn 1 tỷ đô la, quyền riêng tư và bảo mật rất quan trọng để ngăn chặn việc chạy trước, tấn công hoặc tiết lộ các chiến lược giao dịch.

Đối với các tác nhân AI, mã hóa kép này tăng cường quyền riêng tư và bảo mật, hữu ích trong các lĩnh vực sau:

Quyền riêng tư dữ liệu đào tạo nhạy cảm

Bảo vệ trọng số mô hình nội bộ (để ngăn chặn kỹ thuật đảo ngược/trộm cắp IP)

Bảo vệ dữ liệu người dùng

Thách thức chính của FHE vẫn là chi phí cao do cường độ tính toán, dẫn đến tăng mức tiêu thụ năng lượng và độ trễ. Nghiên cứu hiện tại đang khám phá các phương pháp như tăng tốc phần cứng, kỹ thuật mã hóa lai và tối ưu hóa thuật toán để giảm gánh nặng tính toán và cải thiện hiệu quả. Do đó, FHE phù hợp nhất cho các ứng dụng có độ trễ cao, tính toán thấp.

Tóm tắt

FHE = hoạt động trên dữ liệu được mã hóa mà không giải mã nó (bảo vệ quyền riêng tư mạnh nhất, nhưng đắt nhất)

TEE = phần cứng, thực thi an toàn trong môi trường biệt lập (cân bằng giữa bảo mật và hiệu suất)

ZKP = chứng minh một tuyên bố hoặc xác thực danh tính mà không tiết lộ dữ liệu cơ bản (tốt cho việc chứng minh sự thật/thông tin xác thực)

Đây là một chủ đề rộng, vì vậy bài viết này chưa kết thúc. Một câu hỏi quan trọng vẫn còn đó: trong thời đại công nghệ deepfake ngày càng tinh vi, làm thế nào chúng ta có thể đảm bảo rằng các cơ chế xác minh do AI điều khiển thực sự đáng tin cậy? Trong Phần 3, chúng ta sẽ xem xét sâu hơn về:

Lớp xác minh

Vai trò của AI trong việc xác minh tính toàn vẹn của dữ liệu

Tương lai của quyền riêng tư và bảo mật