تصور کنید میخواهید حساسترین اسرار تجاری خود را به یک مدل هوش مصنوعی بسپارید، اما حتی برای یک لحظه هم نمیخواهید این دادهها در حافظهٔ سرور شرکت مقابل «عریان» شوند. اگر امروز برای حریم خصوصی کامل در ابعاد سازمانی به دنبال راهکاری هستید، با حقیقتی تلخ روبرو میشوید: سرعت پردازش در امنترین متد موجود، ۱۰ هزار برابر کندتر از حالت عادی است.
طبق تحلیل فنی منتشرشده در ۱۶ ژوئیه ۲۰۲۶، انجام یک مرحلهٔ پیشروی (Forward Pass) رمزگذاریشده در یک مدل با ۷ میلیارد پارامتر، بهجای میلیثانیه، ساعتها زمان میبرد. اگرچه رمزنگاری کاملاً همریخت (Fully Homomorphic Encryption یا FHE) در تئوری «جام مقدس» حریم خصوصی در هوش مصنوعی است، اما جریمهٔ عملکردی فعلی آن، ارائهٔ این سرویس در مقیاس وسیع را برای ارائهدهندگان ابری از نظر مالی غیرممکن میکند.
برای درک این شکاف، باید نحوهٔ مدیریت دادههای فعلی را بررسی کنیم. وقتی یک مدل زبانی بزرگ (LLM) را روی سختافزار شخصی اجرا میکنید، پرامپتها محلی میمانند. اما در لحظهٔ استفاده از استنتاج در مقیاس ابری، شما متن خام را به سرور شخص ثالث میفرستید. رمزنگاری در حالت استراحت (Encryption at rest) هنگام محاسبات واقعی بیفایده است و پروتکل TLS تنها دادهها را در مسیر جابهجایی محافظت میکند. به محض اینکه دادههای شما برای پردازش به واحد پردازش گرافیکی (GPU) میرسند، دادهها «عریان» شده و رمزگشایی میشوند. FHE این مشکل را حل میکند؛ سرور میتواند روی دادههای رمزگذاریشده محاسبات انجام دهد بدون اینکه هرگز آنها را باز کند. پرامپت شما به صورت متن رمزگذاریشده (Ciphertext) باقی میماند، مدل همان متن رمز را پردازش میکند و خروجی نیز به صورت متن رمزگذاریشده بازمیگردد. تنها شما که کلید خصوصی را در اختیار دارید، میتوانید نتیجه را بخوانید.
حریم خصوصی در هوش مصنوعی از یک کالای لوکس به یک دستورالعمل قانونی تبدیل شده است. طبق گزارش DataGrail، با سختگیرانهتر شدن قوانین GDPR و EU AI Act که مسئولیتهای حقوقی شدیدی ایجاد کردهاند، پدیدهٔ «هوش مصنوعی سایه» (Shadow AI) — یعنی استفاده کارکنان از ابزارهای غیرمجاز — به نگرانی اصلی سال ۲۰۲۶ تبدیل شده است. شرکتها در حال حاضر سوابق پزشکی حساس، اسناد حقوقی و دادههای مالی را به نقاط انتهایی (API endpoints) میفرستند که هیچ کنترلی روی آنها ندارند. همانطور که در تحلیلهای قبلی ما دربارهی NanoGPT و ارائهٔ جایگزینهای مبتنی بر دانش-صفر (Zero-knowledge) برای مدلهای کوچک اشاره کردیم، صنعت اکنون به دنبال راهی است تا این سطح از حریم خصوصی را به مدلهای پیشرو (Frontier LLMs) در مقیاس کلان منتقل کند.
سلسلهمراتب حریم خصوصی
در حال حاضر سه مسیر اصلی برای استنتاج خصوصی وجود دارد که هر کدام موازنهٔ متفاوتی بین اعتماد و عملکرد ایجاد میکنند:
- محیطهای اجرای قابلاعتماد (TEEs): راهکارهایی مانند Intel SGX یا AMD SEV جداسازی را در سطح سختافزار تضمین میکنند. این روش سریع است اما کاملاً به اعتماد به سازنده تراشه وابسته است. این محیطها همچنان در برابر حملات کانال جانبی (Side-channel attacks) مانند نسخههای Spectre/Meltdown که میتوانند دادهها را از داخل محیط امن (Enclave) نشت دهند، آسیبپذیر هستند.
- محاسبات امن چندجانبه (MPC): در این رویکرد، محاسبات بین چندین سرور تقسیم میشود. اگرچه این روش مؤثر است، اما سربار ارتباطی (Communication overhead) با افزایش اندازهٔ مدل افزایش مییابد و آن را برای مدلهای زبانی پیشرو در سطح Frontier غیرعملی میکند.
- FHE: کاملاً ریاضی است. نیازی به سختافزار قابلاعتماد یا ارتباطات شبکه بین طرفین ندارد، زیرا خودِ طرح رمزنگاری حریم خصوصی را تضمین میکند. تنها گلوگاه، قدرت محاسباتی خام است. این تنها روشی است که تضمین حریم خصوصی در آن ریاضی است، نه وابسته به سختافزار.
بازیگران کلیدی زیرساختی
سه پروژه در حال حاضر تلاش میکنند تا شکاف عملکرد FHE را پر کنند و این فناوری را به مرحلهٔ تولید برسانند.
شرکت Zama کتابخانهٔ concrete ML را توسعه داده است که به برنامهنویسان اجازه میدهد کدهای استاندارد Python/NumPy بنویسند و سپس یک کامپایلر آنها را به مدارهای مخصوص FHE تبدیل کند. این کار نیاز به نوشتن دستی مدارهای پیچیده را حذف میکند. استراتژی ۲۰۲۶ آنها شامل FHE-Cloud است تا استنتاج رمزگذاریشده را از محیطهای بلاکچین به شرکتهای سنتی هوش مصنوعی گسترش دهد؛ این امر احتمالاً به غولهایی مانند گوگل یا OpenAI اجازه میدهد تا لایههای رمزگذاریشده را اجرا کنند. Zama پیش از این ۷۳ میلیون دلار برای ساخت fhEVM جهت استفاده در زنجیرههای سازگار با اتریوم جذب کرده بود.
پروژهٔ Fhenix در حال ادغام FHE در اتریوم از طریق CoFHE (Collaborative FHE) است. این سیستم اجازه میدهد DeFi خصوصی، رایگیریهای محرمانه و حراجهای مهرومومشده روی زنجیره و بهصورت رمزگذاریشده اجرا شوند. آنها با پردازش عملیات FHE خارج از زنجیره (Off-chain) از طریق یک معماری Rollup و ثبت اثباتها روی اتریوم، تأخیر را ۱۰ تا ۵۰ برابر نسبت به اجرای استاندارد روی زنجیره کاهش دادهاند. بینش کلیدی آنها این است: اگر محاسبات رمزگذاریشده برای قراردادهای هوشمند اتریوم کار کند، برای استنتاج هوش مصنوعی به عنوان یک سرویس (AI inference as a service) نیز کار خواهد کرد.
شبکه Mind Network با معرفی «خزینههای ذهن» (mind vaults)، خود را به عنوان یک سیگنال بازار معرفی کرده است که هر دو حوزهٔ حریم خصوصی DeFi و استنتاج هوش مصنوعی را هدف قرار داده است. توکن این پروژه ($FHE) در حال حاضر به عنوان یک بازی در بازار ثانویه معامله میشود و تحقیقات بایننس (Binance research) قیمت آن را زیر ۰.۱۰ دلار قرار داده است که در واقع شرطبندی روی اقتصاد نوظهور حریم خصوصی هوش مصنوعی است.
ضرورت اقتصادی رمزنگاری
ارائهدهندگان متمرکز نمیتوانند هزینهٔ FHE را جذب کنند زیرا حاشیه سود آنها با منطق اقتصادی سازگار نیست. یک استنتاج رمزگذاریشده در مدل ۷ میلیارد پارامتری، تقریباً ۵۰ تا ۲۰۰ دلار هزینه محاسباتی دارد — یعنی ۱۰ هزار برابر بیشتر از یک فراخوانی API استاندارد که بین ۰.۰۰۱ تا ۰.۰۱ دلار قیمت دارد. شما نمیتوانید برای هر پرسوجو ۵۰ دلار دریافت کنید و همزمان با اشتراک ۲۰ دلاری ماهانهٔ ChatGPT رقابت کنید.
شبکههای کریپتو تنها پل اقتصادی ممکن را از طریق سه سازوکار فراهم میکنند:
- محاسبات غیرمتمرکز: شبکههایی مانند Bittensor، io.net و Aethir محاسبات FHE را بین هزاران GPU بیکار توزیع میکنند. این کار هزینه هر عملیات اعشاری (FLOP) را ۱۰ تا ۱۰۰ برابر کاهش میدهد، زیرا از ظرفیتی استفاده میکند که در غیر این صورت بلااستفاده میماند.
- مشوقهای توکنی: پاداشهای توکنی، تحقیق و توسعه برای سختافزارهای بهینهٔ FHE مانند FPGAها و ASICهایی که مخصوص عملیات شبکه-بنیان (Lattice operations) طراحی شدهاند را سوبساید میکنند. این کار باعث ایجاد بازار برای سختافزارهای تخصصی پیش از آن میشود که تقاضای تجاری سنتی شکل بگیرد.
- ریزپرداختها: استنتاج FHE برای اشتراکهای با نرخ ثابت (Flat-rate) بسیار گران است اما با مدل «پرداخت به ازای هر پرسوجو» کاملاً سازگار است. ریلهای پرداخت کریپتو میتوانند پرداختهای ۰.۰۱ تا ۱ دلاری را به صورت بومی مدیریت کنند. در مقابل، کارمزدهای پردازش کارتهای اعتباری سنتی، حاشیه سود تراکنشهای کوچک ۰.۵۰ دلاری FHE را از بین میبرد.
مسیر رسیدن به کاربردی شدن
انتظارات صنعت برای پذیرش FHE بر اساس تکامل سختافزار به صورت یک جدول زمانی لایهبندی شده است:
- اکنون (۲۰۲۶): FHE برای مدلهای ساده مانند رگرسیون لجستیک، شبکههای عصبی کوچک و درختهای تصمیم کاربردی است. این برای طبقهبندی خصوصی، رتبهبندی (Scoring) و رایگیری مفید است، اما هنوز برای استنتاج LLMها مناسب نیست.
- ۲۰۲۷-۲۰۲۸: انتظار میرود شتابدهندههای سختافزاری (مانند Intel HEXL و تراشههای اختصاصی FHE) سربار را به ۱۰۰ تا ۱۰۰۰ برابر کاهش دهند. مدلهای زبانی کوچک (۱ تا ۳ میلیارد پارامتر) برای استنتاج رمزگذاریشده امکانپذیر میشوند و شبکههای کریپتو شروع به ارائه این قابلیت به عنوان یک سرویس میکنند. برای بهینهسازی بیشتر در این مقیاس، راهکارهای کاهش حافظه مانند تکنیکهای مدیریت اپیزودیک و کوانتش میتوانند در کنار رمزنگاری برای بهبود کارایی مدلهای کوچک کمککننده باشند.
- ۲۰۲۹ به بعد: شتابدهندههای سطح ASIC احتمالاً سربار را به ۱۰ تا ۱۰۰ برابر میرسانند. این نقطهٔ عطف است؛ جایی که استنتاج رمزگذاریشده برای LLMها کاربردی شده و بازار به شدت منفجر میشود.
برای متخصصان فنی، این تحول معیار «حریم خصوصی» را از اعتماد به سختافزار (TEEs) به قطعیت ریاضی منتقل میکند. توسعهدهندگانی که اکنون بر کتابخانه concrete ML مسلط شوند، مهارتی ممتاز خواهند داشت؛ زیرا اکوسیستم کامپایلرهای FHE در حال حاضر دقیقاً در همان وضعیتی است که توسعه قراردادهای هوشمند در سال ۲۰۱۸ بود: در مراحل اولیه، اما در حال بلوغ سریع.
اگر امروز به هوش مصنوعی خصوصی نیاز دارید، تنها گزینههای کاربردی شما میزبانی شخصی روی سختافزار محلی یا استفاده از سرویسهای بدون ثبت وقایع (Zero-logging) مانند NanoGPT از طریق پرداختهای کریپتویی برای مدلهای کوچک است. برای تبدیل داراییها جهت دسترسی به این شبکههای غیرمتمرکز، SimpleSwap امکان تبادل بدون نیاز به KYC را فراهم میکند. برای مقایسه گستردهتر ابزارها، به دایرکتوری ابزارهای حریم خصوصی هوش مصنوعی مراجعه کنید.
گام بعدی شما
- بررسی مستندات کتابخانه concrete ML برای آشنایی با نحوه تبدیل کدهای پایتون به مدارهای رمزنگاریشده.
- رصد پیشرفتهای سختافزاری Intel HEXL برای تخمین زمان کاهش سربار محاسباتی.
- ارزیابی مدلهای زبانی کوچک (SLM) برای پیادهسازیهای اولیهٔ حریم خصوصی در سازمان.
اما داستان سختافزاری این تحول حتی شگفتانگیزتر است — به تحلیل ما درباره تراشههای Blackwell و نقش روش DFlash در افزایش ۱۵ برابری توان عملیاتی آنها و تأثیر آن در کاهش هزینههای استنتاج مراجعه کنید.
گفتگو