AI 隐私盲计算，将引爆 Web3 实现用户激增？

作者：Biteye 核心贡献者 Viee

编辑：Biteye 核心贡献者 Crush

社区：@BiteyeCN

*全文约 3000 字，预计阅读时间为 6 分钟

你是否愿意将十年的个人对话数据交给OpenAI、谷歌或脸书？

想象一下，未来的AI助手能够完美复制你的思维方式，处理日常事务时如同你本人。令人振奋的同时，这也意味着AI需要获取大量的数据——包括你过去发送的每条消息，以及构成你独特个性的所有信息，这便引发了文章一开始提出的问题。据调查，59%的消费者对使用个性化AI感到不安，主要原因就是对数据隐私的担忧。

Nillion作为一个创新的去中心化网络，通过利用多方计算（MPC）和其他隐私增强技术（PET），为这一问题提供了切实可行的解决方案。Biteye将在本文为大家介绍Web3的新概念盲计算，及其如何保障你我的数据隐私。

01 数据隐私安全的现状

数据被视为数字化时代的新型“石油”，隐私和安全问题变得愈发重要。传统的数据处理方式通常需要在计算之前解密数据，这使得敏感信息在处理过程中暴露于潜在的安全威胁中。例如，在医疗行业，患者的数据必须经过严格的隐私保护措施，但在进行分析时仍然可能面临泄露风险。这不仅影响了用户对服务的信任，也限制了数据共享和合作研究的可能性。

尽管个性化AI展现出巨大的潜力，但在实现这一愿景之前，必须认真对待数据隐私问题，个性化AI才能真正迎来“下一个互联网”的时代。

02 盲计算是什么？

Nillion提出了一种新的方法来解决上述问题，那就是“盲计算”（Blind Computing）。它通过去中心化的网络架构和先进的隐私增强技术，使得高价值数据能够安全存储并进行计算，而无需解密。

盲计算（Blind Computing）允许用户在不直接访问原始数据的情况下进行计算。这意味着即使数据存储在不可信的环境中，用户也可以安全地进行操作。

主要包括几个流程：

• 数据被屏蔽并分成几部分

• 这些碎片被发送到不同的节点

• 节点在看不到数据的情况下处理数据

• 收集和组合结果

• 只有授权方才能看到最终输出

也就是说，盲计算的核心在于将数据加密后进行处理。具体展开，用户将数据加密，将加密后的数据发送到云服务器或其他计算平台。在这些平台上，进行的所有计算都是针对加密数据的，最终结果同样是加密的。用户在接收到结果后，可以通过解密过程获得最终答案，而无需知道中间过程中的任何信息。就像一个“隐形的计算助手”，“盲计算” 因此得名。

盲计算结合了多种先进的技术，确保敏感信息在处理过程中始终保持安全：

1、多方计算（MPC）

多方计算（Multi-Party Computation）是一种允许多个参与方共同计算一个函数的技术，而不需要透露各自的输入数据。每个参与者仅知道自己的输入和最终结果，而无法访问其他参与者的输入。

MPC 的工作原理可以用经典的百万富翁故事来理解。该问题由 Andrew Yao 于 1982 年首次提出。如果两个百万富翁想知道谁更富有，但又不想透露自己的财富。他们可以使用MPC，通过一系列加密操作共同计算出谁更富有，而无需披露各自的具体财富。这一过程确保了参与方之间的信息安全，同时实现了合作。

这是通过一系列加密操作来实现的，这些操作允许各方将其净值输入到共享计算中。计算的结构方式是仅输出比较结果（即哪个百万富翁更富有），而不会泄露有关他们各自净资产的任何细节。这个问题展示了 MPC 的强大功能——它可以在实现协作计算的同时保护隐私。

应用：在盲计算中，MPC确保即使在云服务器或其他不可信环境中进行计算，参与节点也无法看到原始数据。这种方式非常适合处理敏感信息，如金融交易或医疗记录。

2、同态加密（Homomorphic Encryption）

同态加密是一种特殊的加密形式，允许对加密数据进行直接计算，而无需解密。用户可以在加密状态下进行各种运算（如加法和乘法），最终得到的结果仍然是加密的。用户可以使用自己的密钥解密得到正确答案。

应用：同态加密在盲计算中扮演着重要角色，使得服务器能够对加密数据进行运算而不需要了解数据本身。这种技术使得数据在云环境中处理时更加安全。

3、隐私增强技术（PET）

隐私增强技术是一系列旨在提高个人隐私保护水平的方法，包括匿名化、伪匿名化和数据脱敏等。

应用：在盲计算中，这些技术可以与MPC和同态加密结合使用，以进一步确保数据在处理过程中的安全性和隐私性。例如，通过对输入数据进行匿名化处理，可以防止任何参与者识别出数据来源。

4、量子盲计算

量子盲计算是一种利用量子计算原理实现盲计算的方法。它允许用户在量子计算机上执行加密计算，保护输入和输出数据的隐私。

应用：量子盲计算目前还处于研究阶段，一旦实现预计能够处理更复杂的问题，并可能扩展用户在云环境中的计算能力。

03 Nillion的双网络架构

为了综合以上技术实现盲计算，Nillion采用双网络架构，由协调层（NilChain）和编排层（Petnet）组成。这一设计确保了高效的数据存储和处理，同时维护了系统的安全性与隐私性。

1、协调层（NilChain）

协调层负责管理网络中的支付操作，包括存储和盲计算。它确保所有交易都能顺利进行，并且能够有效地分配资源。

2、编排层（Petnet）

编排层利用MPC等隐私增强技术来保护静态数据，并实现对这些数据进行盲计算。Petnet确保即使是在多个节点之间共享数据时，也能保持高度的安全性与隐私性。这一层次为开发者提供了灵活的平台，使他们能够构建各种应用程序，以满足不同需求。

04 Nillion目前进展

10月30日，Nillion 刚刚宣布完成 2500 万美元融资，由Hack VC 领投，并获得了 Arbitrum、Worldcoin 和 Sei 的支持。截止目前，Nillion总融资金额已经达到5000万美元。

自推出以来，Nillion已取得了一些表现亮眼的数据：

• 验证者数量：247,660

• 保护的总数据：711 GB

• 受到挑战的秘密总数：120,254,931

验证者有助于维护数据的安全性和完整性，该数量的增长意味着 Nillion Network 变得更强大、更安全。

目前Nillion的合作伙伴包括区块链网络 NEAR、Aptos、Arbitrum、Mantle、IO.net、Ritual 等。涉及多个领域，比如Ritual、Nesa，用于私有模型AI模型训练和推理；Rainfall、Dwinity、Nuklai，用于存储、共享 AI 训练数据并从中获利；MIZU，用于创建合成数据并保护个人数据。Virtuals Protocol、Capx AI 、Crush AI ，在 Nillion 的帮助下创建个性化的私人代理。PINDORA，用于DePIN 网络的机密和安全支持。Nillion 试图吸引那些位于区块链和 AI 交汇处的项目，这些项目需要安全地共享和存储大量数据。

在未来，我们可以预见到Nillion将在医疗、金融、教育等多个领域得到广泛应用，为构建一个更加安全、透明的数据生态系统贡献力量。

05 总结

Nillion通过创新性的技术架构和强大的隐私保护能力，为解决当前数字世界中的数据隐私问题提供了一条可行之路，使用户能够在享受数字服务带来的便利时，无需担心个人信息被泄露或滥用。

站在现在，我们无法想象人工智能的未来，个性化数字副本的崛起与数据隐私的忧虑就像是跷跷板的两端。如果没有有效的数据隐私保护措施，个性化AI将难以获得广泛的市场接受度。因此，如何在推动技术进步与保护用户隐私之间找到平衡，将是行业亟待解决的重要课题。随着Nillion网络的发展，期待看到更多基于这一平台的新应用，为AI时代的人类社会带来积极影响。

💡 风险提示：以上仅做信息分享，非投资建议，请读者遵守所在地法律法规。