Mind Network phỏng vấn độc quyền Rand Hindi, nhà sáng lập ZAMA: Xây dựng kỷ nguyên mã hóa đồng dạng toàn phần HTTPZ
Tuyển chọn TechFlowTuyển chọn TechFlow
Mind Network phỏng vấn độc quyền Rand Hindi, nhà sáng lập ZAMA: Xây dựng kỷ nguyên mã hóa đồng dạng toàn phần HTTPZ
Hãy tiến thêm một bước nữa đến tầm nhìn cuối cùng về Internet toàn mã hóa HTTPZ!
Chuyên sâu báo cáo Web3Tối ngày 17 tháng 6, Mind Network đã mời Rand Hindi, người sáng lập công ty mật mã mã nguồn mở ZAMA, tham gia buổi trò chuyện độc quyền để thảo luận về các chủ đề liên quan đến công nghệ FHE, ứng dụng, so sánh và AI phi tập trung. Các khách mời tham dự còn có Christian và Mason, đồng sáng lập của Mind Network, cùng Ashley, người đứng đầu nghiên cứu – cả hai đều là fellow của Quỹ Ethereum.
Zama là một công ty mật mã mã nguồn mở do Hindi và Pascal Paillier đồng sáng lập vào đầu năm 2020. Paillier là nhà mật mã học nổi tiếng, cũng là một trong những người phát minh ra công nghệ Mã hóa Toàn bộ Đồng hình (FHE), trước đó đã huy động thành công vòng gọi vốn Series A trị giá 73 triệu USD.
Mind Network là lớp tái thế chấp FHE (Mã hóa Toàn bộ Đồng hình) đầu tiên dành cho mạng AI và POS. Mạng này chấp nhận các token tái thế chấp từ ETH, BTC và các dự án AI hàng đầu, hoạt động như một mạng xác thực FHE, cung cấp sự đồng thuận, dữ liệu và bảo mật kinh tế mật mã cho AI phi tập trung, DePIN, EigenLayer và Symbiotic AVS cũng như nhiều mạng POS then chốt khác.
Liên kết xem lại AMA: https://x.com/mindnetwork_xyz/status/1802725269867757743
Mạng AI FHE: Mạng AI phi tập trung sử dụng công nghệ FHE, mang lại sự đồng thuận an toàn hơn và dữ liệu AI riêng tư hơn.
HTTPZ: Internet FHE - Internet mã hóa toàn phần, đạt được mã hóa端到端 hoàn chỉnh thông qua FHE, đảm bảo dữ liệu luôn được mã hóa trong suốt quá trình truyền tải và xử lý.
Những vấn đề cần cải thiện trong khung AI Web2 hiện tại là gì?
Rand:
Vấn đề lớn nhất của AI tập trung gồm hai điểm chính:
Tính toàn vẹn và tính đúng đắn của phép toán: Trong hệ thống AI tập trung, tính toàn vẹn và tính đúng đắn của phép toán là điều đáng nghi ngờ. Nghĩa là, do quy trình tính toán và tham số mô hình không minh bạch, chúng ta không thể hoàn toàn tin tưởng vào kết quả thu được.
Bảo mật và quyền riêng tư: Vấn đề riêng tư dữ liệu cá nhân đặc biệt nổi bật. Ví dụ, khi sử dụng phần mềm, lịch sử thao tác sẽ hiển thị với công ty, khiến doanh nghiệp trở thành điểm lỗi đơn lẻ về quyền riêng tư và dữ liệu. Kẻ tấn công chỉ cần nhắm mục tiêu vào một điểm duy nhất là có thể lấy được mọi thông tin.
Lợi thế của việc phi tập trung nằm ở khả năng kiểm chứng công khai và bảo vệ dữ liệu. Nếu bạn không tin tưởng kết quả nhận được, bạn có thể tự mình xác minh. Điều này đặc biệt quan trọng đối với AI, nhất là trong các tình huống nhạy cảm. Đặc tính phi tập trung của blockchain giúp loại bỏ điểm lỗi đơn lẻ; kẻ tấn công không thể chiếm được mọi thông tin bằng cách tấn công một mục tiêu duy nhất.
Blockchain có thể giải quyết vấn đề tính toàn vẹn tính toán của AI, trong khi Mã hóa Toàn bộ Đồng hình (FHE) có thể giải quyết vấn đề riêng tư dữ liệu AI – đây cũng là một trong những định hướng hợp tác giữa chúng tôi với Mind Network. Vì vậy, AI mã hóa phi tập trung sẽ là xu hướng phát triển trong tương lai.
Sự khác biệt giữa FHE, ZK và MPC
Rand:
Trong mật mã học, có rất nhiều công nghệ ứng dụng, đặc biệt là trong lĩnh vực riêng tư, ba công nghệ được sử dụng rộng rãi là FHE, ZK và MPC.
- Chứng minh không kiến thức (ZK): ZK là một công nghệ rất thú vị, nhưng hạn chế ở chỗ không thể kết hợp với các công nghệ khác dưới trạng thái mã hóa, và không thể tính toán trên dữ liệu đã mã hóa. Nó chỉ cho phép chứng minh rằng một số phép toán đã được thực hiện trên các giá trị mà không tiết lộ giá trị cụ thể. Trên blockchain, ZK không thể đạt được khả năng tương tác giữa nhiều hợp đồng hoặc người dùng, bởi vì người cung cấp bằng chứng phải thực hiện phép tính trong môi trường rõ (plaintext), do đó tiếp cận được tất cả dữ liệu. Thực tế, điều này không giải quyết được vấn đề. Tuy nhiên, ở các khía cạnh khác như mở rộng, ZK vẫn thể hiện xuất sắc, ví dụ như zkRollup.
- Tính toán an toàn đa bên (MPC): MPC thực chất là một thuật ngữ tổng quát chứ không phải một công nghệ đơn lẻ. MPC liên quan đến việc làm thế nào để thực hiện tính toán một cách an toàn giữa nhiều bên, và có nhiều công nghệ khác nhau có thể thực hiện các giải pháp MPC.
- Mã hóa Toàn bộ Đồng hình (FHE): FHE cho phép thực hiện tính toán trực tiếp trên dữ liệu đã mã hóa mà không cần giải mã. Điều này vừa bảo vệ riêng tư dữ liệu, vừa đảm bảo tính chính xác và toàn vẹn của phép tính.
Kết hợp các công nghệ này, chúng ta có thể đạt được mức độ bảo vệ riêng tư cao hơn. Ví dụ, FHEVM và hợp đồng thông minh mã hóa mà Zama đang phát triển sử dụng FHE để tính toán và mã hóa dữ liệu, kết hợp MPC để phân tán dữ liệu và thực hiện giải mã chọn lọc, từ đó đạt được bảo vệ riêng tư dữ liệu trong môi trường có nhiều người dùng tham gia.
Mason:
Rand đã giải thích rất rõ về Mã hóa Toàn bộ Đồng hình (FHE), Chứng minh Không kiến thức (ZK), Tính toán Đa phương (MPC) và cách AI phi tập trung giải quyết các vấn đề về an ninh và riêng tư chưa được giải quyết trong Web2. Tôi xin bổ sung thêm một điểm: FHE không chỉ giải quyết vấn đề riêng tư dữ liệu mà còn giải quyết được vấn đề công bằng trong mạng phi tập trung.
FHE cho phép tính toán trên các phiếu bầu trong mạng phi tập trung ngay cả khi chúng đang được mã hóa, đảm bảo tính an toàn của quá trình đồng thuận và tính công bằng của kết quả. Như vậy, ngay cả khi các nút không tin tưởng lẫn nhau, vẫn có thể ngăn chặn hành vi gian lận thông qua tính toán mã hóa. Đây là điều mà ZK không thể hoàn toàn đạt được. Như Rand đã nói, đối với ZK, chúng ta vẫn phải tin tưởng vào người đưa ra bằng chứng. Trong các ứng dụng mật mã yêu cầu nhiều người dùng tham gia và có nhu cầu bảo mật kết quả tính toán, FHE phù hợp hơn, đặc biệt là trong các mạng AI phi tập trung.
Cũng giống như thư viện mã nguồn mở Concrete ML của ZAMA, cung cấp nền tảng mã hóa dữ liệu cho mạng AI, còn Mind Network sử dụng công nghệ FHE để hỗ trợ tầng đồng thuận cho mạng AI phi tập trung. Sự kết hợp giữa mã hóa dữ liệu và an ninh đồng thuận chính là hình thái mạng AI trong tương lai mà chúng ta có thể hình dung.
Giới thiệu sản phẩm của Zama
Rand:
Chúng tôi không có token riêng và cũng không vận hành như một blockchain. Mục tiêu của chúng tôi là xây dựng công nghệ để người khác có thể tạo ra các giao thức phi tập trung. Thư viện chính của chúng tôi có tên là TFHE-rs, là một thư viện mã hóa toàn bộ đồng hình (FHE) viết bằng Rust, bao gồm tất cả các thuật toán mã hóa do Zama cung cấp.
Ngoài ra, chúng tôi còn phát triển FHEVM, một nền tảng hợp đồng thông minh mã hóa, cho phép viết hợp đồng thông minh Solidity trên dữ liệu đã mã hóa. Chúng tôi cũng cung cấp Concrete ML, cho phép tạo trực tiếp các mô hình học máy mã hóa trong Python. Các nhà phát triển có thể sử dụng scikit-learn (thư viện học máy mã nguồn mở), PyTorch (khung học sâu mã nguồn mở) và NumPy (thư viện cơ bản cho tính toán khoa học, hỗ trợ mảng và ma trận lớn), chúng tôi sẽ tự động chuyển đổi chúng sang giao thức FHE.
Tập trung chính của Zama là giúp các nhà phát triển dễ dàng xây dựng các ứng dụng FHE mà không cần học các kiến thức mật mã phức tạp.
Một vấn đề then chốt khác là trước đây không thể đảm bảo kết quả tính toán mã hóa hoàn toàn giống với kết quả trên dữ liệu chưa mã hóa. Một số trường hợp có thể chấp nhận sai số, nhưng đối với các ứng dụng blockchain, ví dụ như chuyển khoản hàng triệu đô la dựa trên hợp đồng thông minh, thì kết quả phải hoàn toàn giống nhau, chứ không thể chỉ "gần đúng".
Công nghệ của Zama gọi là FHE ngưỡng (tfhe), cho phép thực hiện tính toán trên dữ liệu đã mã hóa và đảm bảo kết quả tính toán mã hóa hoàn toàn giống với kết quả trên dữ liệu chưa mã hóa. Do đó, các nhà phát triển không còn phải lo lắng về các vấn đề như sai số gần đúng nữa.
Sự hợp tác và kiến trúc giữa Mind Network và ZAMA
Ashely:
Trong mạng AI phi tập trung, cơ chế đồng thuận là yếu tố then chốt đảm bảo các nút trong mạng đạt được sự thống nhất, thường cần giải quyết hai vấn đề chính:
An toàn và công bằng đồng thuận: Người xác thực có thể sao chép kết quả từ các nút khác thay vì tự xác thực độc lập, ảnh hưởng đến tính toàn vẹn của đồng thuận.
Riêng tư và an toàn dữ liệu: Dữ liệu và kết quả tính toán bị rò rỉ tại các nút phi tập trung, gây đe dọa đến an toàn quá trình đồng thuận.
Để nâng cao tính an toàn và toàn vẹn của quá trình đồng thuận, Mind Network đã giới thiệu mạng xác thực FHE (Mã hóa Toàn bộ Đồng hình). Bằng cách mã hóa dữ liệu của người xác thực, đảm bảo họ không thể sao chép từ các nút khác mà phải tự chạy tính toán độc lập, từ đó ngăn chặn hành vi đạo văn, tăng cường tính độc lập trong tính toán và bảo mật dữ liệu. Mặt khác, do kết quả cũng được mã hóa, chỉ những người có khóa mới có thể giải mã, nên ngay cả khi kẻ tấn công chiếm được dữ liệu lưu trữ, họ cũng không thể sửa đổi vì không thể giải mã.
Ví dụ, trong mạng con FHE AI, quy trình xác thực như sau:
- Xác thực và xếp hạng mô hình: Các nút độc lập xác thực mô hình AI và xếp hạng chúng. Do dữ liệu được mã hóa, các nút không thể thấy kết quả tính toán của nút khác, từ đó đảm bảo tính độc lập.
- Đạt được đồng thuận: Các nút thực hiện tính toán mã hóa thông qua FHE, cuối cùng đạt được đồng thuận thông qua cơ chế bỏ phiếu mã hóa, đảm bảo tính chính xác và công bằng của kết quả.
Giá trị hợp tác giữa chúng tôi và ZAMA nằm ở: Đối với mạng AI phi tập trung rộng lớn, FHE thông qua đảm bảo xác thực độc lập có thể xác định được các mô hình có giá trị nhất, từ đó cung cấp các trường hợp sử dụng thực sự cần thiết cho thị trường. Đồng thời, tính toán FHE đảm bảo an toàn và riêng tư dữ liệu trong các nút phi tập trung.
Điều này có nghĩa là mạng FHE AI mà chúng tôi và ZAMA cùng xây dựng có thể hỗ trợ nhiều kịch bản giá trị cao hơn, chẳng hạn như tính toán chiến lược đầu tư, phân tích thông tin sinh học,... thực sự giúp người sở hữu dữ liệu và mô hình nắm giữ quyền sở hữu và lợi ích.
Giới thiệu và ứng dụng của Mạng FHE AI
Rand:
Concrete ML là một trong những sản phẩm ấn tượng nhất của chúng tôi.
Vài năm trước, tôi nói với đội của mình: “Các bạn nghĩ rằng chúng ta có thể viết một chương trình không phải scikit-learn hay PyTorch và chạy nó trên FHE được không?” Họ nhìn tôi và nói rằng điều đó gần như bất khả thi, bởi vì về cơ bản chúng tôi yêu cầu chuyển đổi Python sang FHE tương đương – nhưng chúng tôi đã làm được.
Chúng tôi có một trình biên dịch đặc biệt, chuyển đổi mã Python thành mạch các thao tác FHE tương đương, được tối ưu hóa về hiệu suất và bảo mật. Kết quả cuối cùng thực chất là một tệp thực thi, có thể chạy trên bất kỳ máy nào xử lý dữ liệu mã hóa.
Bạn có thể làm nhiều thứ với nó. Chúng tôi có một số bản demo trên Hugging Face, ví dụ như xử lý hình ảnh bằng Concrete ML.
Ví dụ, có một bức ảnh cần thay đổi kích thước, áp dụng bộ lọc, hoặc làm mờ một số phần không muốn hiển thị. Tất cả đều có thể thực hiện trực tiếp mà không cần nhìn thấy nội dung thực tế của hình ảnh.
Một ví dụ khác về dữ liệu y tế: bạn có thể tải lên hồ sơ y tế đã được mã hóa để chẩn đoán tự động theo mô hình AI đã chọn, mà không tiết lộ bất kỳ thông tin nào về dữ liệu.
FHE là một công nghệ cách mạng, có tiềm năng to lớn trong lĩnh vực phi tập trung và AI, tôi rất mong chờ được hợp tác với Mind Network để khám phá thêm nhiều trường hợp sử dụng FHE AI hơn nữa.
Christian: Để tôi tóm tắt lại, ZAMA cung cấp rất nhiều sản phẩm mã nguồn mở sẵn sàng sử dụng, đóng góp lớn cho FHE. Trong đó, ConcreteML giải quyết vấn đề riêng tư dữ liệu AI và tính dễ sử dụng khi phát triển, còn Mạng Xác thực FHE của Mind Network giải quyết vấn đề an toàn và công bằng trong mạng AI phi tập trung. Việc kết hợp công nghệ FHE với mạng AI sẽ là xu hướng phát triển có thể dự đoán được của mạng AI trong tương lai.
Sự hợp tác giữa ZAMA và Mind Network sẽ mang lại mô hình tính toán FHE AI phi tập trung cách mạng, đưa chúng ta tiến gần hơn đến tầm nhìn cuối cùng HTTPZ – Internet mã hóa hoàn toàn!
Hai bên sẽ tiếp tục đẩy mạnh hợp tác, tổ chức workshop "How to Build FHE AI" vào ngày 9 tháng 7 trong khuôn khổ ETH CC.
Liên kết đăng ký sự kiện: https://lu.ma/zxmz7vzb
Chào mừng tham gia cộng đồng chính thức TechFlow
Nhóm Telegram:https://t.me/TechFlowDaily
Tài khoản Twitter chính thức:https://x.com/TechFlowPost
Tài khoản Twitter tiếng Anh:https://x.com/BlockFlow_News
@mindnetwork_xyz
