AI 隱私盲計算，將引爆 Web3 實現用戶激增？

作者：Biteye 核心貢獻者 Viee

編輯：Biteye 核心貢獻者 Crush

社區：@BiteyeCN

*全文約 3000 字，預計閱讀時間為 6 分鐘

你是否願意將十年的個人對話數據交給OpenAI、谷歌或臉書？

想象一下，未來的AI助手能夠完美複製你的思維方式，處理日常事務時如同你本人。令人振奮的同時，這也意味著AI需要獲取大量的數據——包括你過去發送的每條消息，以及構成你獨特個性的所有信息，這便引發了文章一開始提出的問題。據調查，59%的消費者對使用個性化AI感到不安，主要原因就是對數據隱私的擔憂。

Nillion作為一個創新的去中心化網絡，通過利用多方計算（MPC）和其他隱私增強技術（PET），為這一問題提供了切實可行的解決方案。Biteye將在本文為大家介紹Web3的新概念盲計算，及其如何保障你我的數據隱私。

01 數據隱私安全的現狀

數據被視為數字化時代的新型“石油”，隱私和安全問題變得愈發重要。傳統的數據處理方式通常需要在計算之前解密數據，這使得敏感信息在處理過程中暴露於潛在的安全威脅中。例如，在醫療行業，患者的數據必須經過嚴格的隱私保護措施，但在進行分析時仍然可能面臨洩露風險。這不僅影響了用戶對服務的信任，也限制了數據共享和合作研究的可能性。

儘管個性化AI展現出巨大的潛力，但在實現這一願景之前，必須認真對待數據隱私問題，個性化AI才能真正迎來“下一個互聯網”的時代。

02 盲計算是什麼？

Nillion提出了一種新的方法來解決上述問題，那就是“盲計算”（Blind Computing）。它通過去中心化的網絡架構和先進的隱私增強技術，使得高價值數據能夠安全存儲並進行計算，而無需解密。

盲計算（Blind Computing）允許用戶在不直接訪問原始數據的情況下進行計算。這意味著即使數據存儲在不可信的環境中，用戶也可以安全地進行操作。

主要包括幾個流程：

• 數據被屏蔽並分成幾部分

• 這些碎片被髮送到不同的節點

• 節點在看不到數據的情況下處理數據

• 收集和組合結果

• 只有授權方才能看到最終輸出

也就是說，盲計算的核心在於將數據加密後進行處理。具體展開，用戶將數據加密，將加密後的數據發送到雲服務器或其他計算平臺。在這些平臺上，進行的所有計算都是針對加密數據的，最終結果同樣是加密的。用戶在接收到結果後，可以通過解密過程獲得最終答案，而無需知道中間過程中的任何信息。就像一個“隱形的計算助手”，“盲計算” 因此得名。

盲計算結合了多種先進的技術，確保敏感信息在處理過程中始終保持安全：

1、多方計算（MPC）

多方計算（Multi-Party Computation）是一種允許多個參與方共同計算一個函數的技術，而不需要透露各自的輸入數據。每個參與者僅知道自己的輸入和最終結果，而無法訪問其他參與者的輸入。

MPC 的工作原理可以用經典的百萬富翁故事來理解。該問題由 Andrew Yao 於 1982 年首次提出。如果兩個百萬富翁想知道誰更富有，但又不想透露自己的財富。他們可以使用MPC，通過一系列加密操作共同計算出誰更富有，而無需披露各自的具體財富。這一過程確保了參與方之間的信息安全，同時實現了合作。

這是通過一系列加密操作來實現的，這些操作允許各方將其淨值輸入到共享計算中。計算的結構方式是僅輸出比較結果（即哪個百萬富翁更富有），而不會洩露有關他們各自淨資產的任何細節。這個問題展示了 MPC 的強大功能——它可以在實現協作計算的同時保護隱私。

應用：在盲計算中，MPC確保即使在雲服務器或其他不可信環境中進行計算，參與節點也無法看到原始數據。這種方式非常適合處理敏感信息，如金融交易或醫療記錄。

2、同態加密（Homomorphic Encryption）

同態加密是一種特殊的加密形式，允許對加密數據進行直接計算，而無需解密。用戶可以在加密狀態下進行各種運算（如加法和乘法），最終得到的結果仍然是加密的。用戶可以使用自己的密鑰解密得到正確答案。

應用：同態加密在盲計算中扮演著重要角色，使得服務器能夠對加密數據進行運算而不需要了解數據本身。這種技術使得數據在雲環境中處理時更加安全。

3、隱私增強技術（PET）

隱私增強技術是一系列旨在提高個人隱私保護水平的方法，包括匿名化、偽匿名化和數據脫敏等。

應用：在盲計算中，這些技術可以與MPC和同態加密結合使用，以進一步確保數據在處理過程中的安全性和隱私性。例如，通過對輸入數據進行匿名化處理，可以防止任何參與者識別出數據來源。

4、量子盲計算

量子盲計算是一種利用量子計算原理實現盲計算的方法。它允許用戶在量子計算機上執行加密計算，保護輸入和輸出數據的隱私。

應用：量子盲計算目前還處於研究階段，一旦實現預計能夠處理更復雜的問題，並可能擴展用戶在雲環境中的計算能力。

03 Nillion的雙網絡架構

為了綜合以上技術實現盲計算，Nillion採用雙網絡架構，由協調層（NilChain）和編排層（Petnet）組成。這一設計確保了高效的數據存儲和處理，同時維護了系統的安全性與隱私性。

1、協調層（NilChain）

協調層負責管理網絡中的支付操作，包括存儲和盲計算。它確保所有交易都能順利進行，並且能夠有效地分配資源。

2、編排層（Petnet）

編排層利用MPC等隱私增強技術來保護靜態數據，並實現對這些數據進行盲計算。Petnet確保即使是在多個節點之間共享數據時，也能保持高度的安全性與隱私性。這一層次為開發者提供了靈活的平臺，使他們能夠構建各種應用程序，以滿足不同需求。

04 Nillion目前進展

10月30日，Nillion 剛剛宣佈完成 2500 萬美元融資，由Hack VC 領投，並獲得了 Arbitrum、Worldcoin 和 Sei 的支持。截止目前，Nillion總融資金額已經達到5000萬美元。

自推出以來，Nillion已取得了一些表現亮眼的數據：

• 驗證者數量：247,660

• 保護的總數據：711 GB

• 受到挑戰的秘密總數：120,254,931

驗證者有助於維護數據的安全性和完整性，該數量的增長意味著 Nillion Network 變得更強大、更安全。

目前Nillion的合作伙伴包括區塊鏈網絡 NEAR、Aptos、Arbitrum、Mantle、IO.net、Ritual 等。涉及多個領域，比如Ritual、Nesa，用於私有模型AI模型訓練和推理；Rainfall、Dwinity、Nuklai，用於存儲、共享 AI 訓練數據並從中獲利；MIZU，用於創建合成數據並保護個人數據。Virtuals Protocol、Capx AI 、Crush AI ，在 Nillion 的幫助下創建個性化的私人代理。PINDORA，用於DePIN 網絡的機密和安全支持。Nillion 試圖吸引那些位於區塊鏈和 AI 交匯處的項目，這些項目需要安全地共享和存儲大量數據。

在未來，我們可以預見到Nillion將在醫療、金融、教育等多個領域得到廣泛應用，為構建一個更加安全、透明的數據生態系統貢獻力量。

05 總結

Nillion通過創新性的技術架構和強大的隱私保護能力，為解決當前數字世界中的數據隱私問題提供了一條可行之路，使用戶能夠在享受數字服務帶來的便利時，無需擔心個人信息被洩露或濫用。

站在現在，我們無法想象人工智能的未來，個性化數字副本的崛起與數據隱私的憂慮就像是蹺蹺板的兩端。如果沒有有效的數據隱私保護措施，個性化AI將難以獲得廣泛的市場接受度。因此，如何在推動技術進步與保護用戶隱私之間找到平衡，將是行業亟待解決的重要課題。隨著Nillion網絡的發展，期待看到更多基於這一平臺的新應用，為AI時代的人類社會帶來積極影響。

💡 風險提示：以上僅做信息分享，非投資建議，請讀者遵守所在地法律法規。