随着AI开发的激增，在改善隐私保护的同时，它具有更复杂的隐私和可验证性。

作者：defi0xjeff，牛排工作室负责人

汇编：eshouzhou，blockbeats

编者注：本文重点介绍了增强隐私和安全性的各种技术，包括零知识证明（ZKP），受信任的执行环境（TEE）和完全同构加密（FHE），这些技术在AI和数据处理中介绍了这些技术。如何保护用户隐私，防止数据泄漏并改善系统安全性。文章还提到了某些情况，例如Earnifi，不透明度和思想，展示了如何实现无风险投票，数据加密处理等。通过这些技术，但与此同时，这些技术面临许多挑战，例如计算高架开销的挑战和延迟问题。

以下是原始内容（为了促进阅读理解，已经编译了原始内容）：

随着数据供求的激增，个人留下的数字足迹变得越来越宽，使个人信息更容易受到滥用或未经授权的访问。我们已经看到了一些个人数据泄露的案例，例如剑桥分析丑闻。

那些没有跟上的人可以查看该系列的第一部分，我们在这里讨论：

·数据的重要性

·人工智能对数据增长的需求

·数据层的出现

欧洲的GDPR，加利福尼亚州的CCPA及世界其他地区的法规不仅使数据隐私不仅仅是一个道德问题，而且是驱动公司确保数据保护的法律要求。

随着人工智能发展的激增，人工智能在改善隐私保护的同时进一步使隐私和可验证的领域变得复杂。例如，尽管AI可以帮助检测欺诈活动，但它也可以实现“深度伪造”技术，从而使验证数字内容的真实性变得更加困难。

优势

·受隐私保护的机器学习：联合学习允许在不集中敏感数据的情况下直接在设备上培训AI模型，从而保护用户隐私。

·AI可以用来匿名或化名数据，从而使数据很难在仍用于分析的同时跟踪数据。

·AI对于开发用于检测和减少深层伪造的工具，确保数字内容的可验证性（并检测/验证AI代理的真实性）至关重要。

·AI可以自动确保数据处理实践符合法律标准，从而使验证过程更具可扩展性。

挑战

·AI系统通常需要大型数据集才能有效运行，但是数据的使用，存储和访问可能是不透明的，这会引发隐私问题。

·借助足够的数据和高级AI技术，可以从应该匿名的，破坏隐私保护的数据集中重新确定个人。

·区分实际和AI-Fake内容变得更加困难，具有挑战性的可验证性，因为AI可以生成高度逼真的文本，图像或视频。

·AI模型可以被欺骗或操纵（对抗性攻击），破坏数据的可验证性或AI系统本身的完整性（如Freysa，越狱等所示）。

这些挑战推动了AI，区块链，可验证性和隐私技术的快速发展，从而利用了每种技术的优势。我们已经看到以下技术的兴起：

·零知识证明（ZKP）

·零知识传输层安全性（ZKTL）

值得信赖的执行环境（TEE）

·完全同态加密（FHE）

1。零知识证明（ZKP）

ZKP允许一方向另一方证明，它知道某些信息或陈述是正确的，而无需透露证据本身以外的任何信息。 AI可以使用它来证明数据处理或决策符合某些标准而不揭示数据本身。一个很好的案例研究是Getgrass IO，它使用空闲的互联网带宽来收集和组织公共网络数据以培训AI模型。

Grass Network允许用户通过浏览器扩展程序或用于抓取公共网页数据的应用程序，然后将其处理为适合AI培训的结构化数据集，从而贡献其空闲的Internet带宽。网络通过用户运行的节点执行此Web爬网过程。

Grass Network强调用户隐私，仅捕获公共数据，而不是个人信息。它使用零知识证明来验证和保护数据的完整性和来源，防止数据损坏并确保透明度。收集和处理的所有交易都是通过Solana区块链上的主权数据聚合来管理的。

另一个好的案例研究是Zkme。

ZKME的ZKKYC解决方案解决了以隐私保护的方式进行KYC（了解您的客户）流程的挑战。通过利用零知识证明，ZkkyC使平台可以验证用户身份而无需暴露敏感的个人信息，从而在维持合规性的同时保护用户隐私。

2.zktls

TLS =标准安全协议，该协议提供了两个通信应用程序之间的隐私和数据完整性（通常与HTTPS中的“ S”有关）。 ZK + TLS =提高数据传输的隐私和安全性。

一个很好的案例研究是不透明的。

不透明度使用ZKTL提供安全和私人数据存储解决方案。通过集成ZKTL，不透明度确保用户和存储服务器之间的数据传输保持机密和防篡改，从而解决了传统云存储服务中固有的隐私问题。

用例 - 据报道，Earnifi的薪金早期是ZKTLS，在App Store排名中爬升到最高的，尤其是在财务应用中，利用OpacityNetwork的Zktls。

·隐私：用户可以向贷方或其他服务提供其收入或就业状况，而无需透露敏感的银行信息或个人信息，例如银行对帐单。

·安全性：ZKTL的使用确保这些交易是安全，经过验证和私人的。它避免了用户将所有财务数据委托给第三方的需要。

效率：该系统降低了与传统的工资采集平台相关的成本和复杂性，因为传统平台可能需要乏味的验证过程或数据共享。

3.Tee

受信任的执行环境（TEE）提供了正常执行环境和安全执行环境之间的强制硬件隔离。目前，这可能是AI代理中最著名的安全实现，以确保它们是完全自主的代理。由123Skely的Aipool Tee实验促进：Tee预售活动，社区向代理商派遣资金，而代理商根据预订规则独立发行代币。

Marvin Tong的Phalanetwork：Mev Protection，Elizaos与AI16ZDAO集成在一起，代理Kira作为可验证的自治AI代理。

Fleek的一键开球部署：专注于简化使用情况并改善开发人员的可访问性。

4.FHE（完整的同态加密）

一种加密表格，允许直接在加密数据上执行计算而不首先解密数据。

一个很好的案例研究是MindNetwork XYZ及其专有技术/用例。

用例 - 厚重的放入层和无风险的投票

沉重的誓约层

通过使用FHE，重新制作的资产仍然被加密，这意味着私钥永远不会暴露，从而大大降低了安全风险。这样可以确保隐私，同时还可以验证交易。

无风险投票（MindV）

治理投票是根据加密数据进行的，确保投票保持私密和安全，从而降低了胁迫或贿赂的风险。用户通过持有大量承诺的资产来获得投票权（VFHE），从而使治理与直接资产敞口相关。

FHE + T恤

通过结合T恤和FHE，它们为AI处理创建了强大的安全层：

Tee保护计算环境中的操作免受外部威胁。

·确保在整个过程中始终在加密数据上执行操作。

隐私和安全对于处理1亿美元至10亿美元+交易的机构至关重要，以防止预交易，黑客入侵或交易策略被暴露。

对于AI代理而言，此双重加密增强了隐私和安全性，使其在以下领域非常有用：

·敏感培训数据隐私

·保护内部模型权重（防止反向工程/IP盗窃）

·用户数据保护

FHE的主要挑战仍然是由计算稳定性引起的高间接费用，从而增加了能耗和潜伏期。当前的研究是探索诸如硬件加速度，混合加密技术和算法优化等方法，以减轻计算负担并提高效率。因此，FHE最适合低计算和高潜伏期应用。

总结

·FHE =在没有解密的加密数据上操作（最强的隐私保护，但最昂贵）

TEE =硬件，在隔离环境中的安全执行（在安全性和性能之间平衡）

·ZKP =证明语句或身份验证身份而不揭示基本数据（适用于证明事实/学分）

这是一个广泛的话题，因此不是目的。一个关键问题仍然存在：在越来越复杂的深层伪造时代，我们如何确保AI驱动的可验证性机制确实值得信赖？在第三部分，我们将深入研究它：

验证层

·AI在验证数据完整性中的作用

·隐私和安全的未来发展