اگر امروز داده‌های حساس پزشکی یا حقوقی خود را به یک مدل هوش مصنوعی می‌سپارید، در واقع کلید حریم خصوصی‌تان را به دست یک شرکت غول‌پیکر داده‌اید. اما با ظهور پرس‌وجوهای هوش مصنوعی با دانش صفر (ZK-AI)، توازن قدرت دوباره به نفع کاربر تغییر می‌کند.
این تحول در حالی رخ می‌دهد که کاربران از ثبت داده‌ها و تجاری‌سازی آن‌ها توسط غول‌های فناوری به شدت بیزارند. برای متخصصانی در حوزه‌های سلامت یا قانون، نشت حتی یک مورد داده، یک تهدید وجودی است؛ موضوعی که در بررسی الگوهای معماری برای استقرار امن هوش مصنوعی در صنعت حقوق نیز به اهمیت حیاتی آن پرداخته شد. ZK-AI مانند یک سپر رمزنگاری عمل می‌کند و به کاربر اجازه می‌دهد بدون اینکه ارائه‌دهنده حتی سوال را ببیند، پاسخی دقیق دریافت کند. همان‌طور که در تحلیل‌های پیشین ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، حذف واسطه‌های قابل‌اعتماد تنها راه رسیدن به حریم خصوصی واقعی است.
به نقل از گزارش سایت dev.to که در ۱۱ اوت ۲۰۲۶ منتشر شد، این سازوکار بر سه ستون اصلی استوار است:
- رمزنگاری همومورفیک (Homomorphic Encryption) — شبیه به جراحی با دستکش‌های ضخیم که در آن جراح بدون لمس مستقیم بافتی، تغییرات لازم را اعمال می‌کند — که به مدل اجازه می‌دهد روی داده‌های رمزگذاری‌شده محاسبات انجام دهد.
- اثبات‌های دانش‌صفر (Zero-Knowledge Proofs) — روشی برای تایید صحت جواب بدون فاش کردن ورودی اصلی.
- مدل‌های هوش مصنوعی (AI Models) — مدل‌های زبانی بزرگی که این حجم از محاسبات رمزگذاری‌شده را پردازش می‌کنند.
در یک گردش‌کار معمولی، کاربر پرس‌وجوی حساس خود (مثلاً درخواست تشخیص یک بیماری) را رمزگذاری می‌کند. هوش مصنوعی رشته‌ی رمزگذاری‌شده را پردازش کرده و نتیجه‌ای رمزگذاری‌شده تولید می‌کند. در نهایت، کاربر با استفاده از ZKPها صحت پاسخ را تایید و آن را به‌صورت محلی رمزگشایی می‌کند. این رویکرد تکاملی از استراتژی‌های مشابهی مانند رمزگذاری صفر-دسترسی پروتون برای حذف آموزش مدل‌ها با داده‌های کاربران بهره می‌برد.
پلتفرم flat.cash در حال حاضر پیشگام این اکوسیستم از طریق یک بازار غیرمتمرکز AI است. طبق این گزارش، این پلتفرم اجازه می‌دهد کاربران هزینه پرس‌وجوهای خصوصی خود را با ارزهای دیجیتال پرداخت کنند و نیاز به احراز هویت (KYC) یا اعتماد به یک ارائه‌دهنده مرکزی را حذف کنند.
با این حال، انتقال به هوش مصنوعی خصوصی بدون اصطکاک نیست. بر اساس مستندات ذکر شده، فرآیند رمزگذاری و رمزگشایی به‌شدت منابع‌بر است و سربار محاسباتی قابل‌توجهی ایجاد می‌کند. همچنین، نبود شفافیت رگولاتوری جهانی در مورد AI کاملاً خصوصی، ممکن است پذیرش سازمانی را کند کند. در کنار این چالش‌ها، مدیریت ایمن دسترسی‌ها نیز حیاتی است؛ برای مثال مدل TOFU توانست ریسک نشت کلیدهای امنیتی را در عامل‌های هوش مصنوعی به شدت کاهش دهد.
برای کاربر عادی، این به معنای آینده‌ای است که در آن تحلیل‌های ریسک مالی یا پژوهش‌های حقوقی او به داده‌های آموزشی یک مدل شرکتی تبدیل نمی‌شوند. این فناوری، هوش مصنوعی را از یک ابزار جمع‌آوری داده به یک ابزار کاربردی خالص تبدیل می‌کند.
گام بعدی شما
- برای درک عملی این سازوکار، کتابخانه‌های رمزنگاری همومورفیک مانند Microsoft SEAL یا TF Encrypted را بررسی کنید.
- روند تکامل پروژه‌های ZK-Rollup مانند zkSync و StarkNet را دنبال کنید تا متوجه شوید زیرساخت‌های لایه‌ی دوم چگونه مقیاس‌پذیری این سیستم‌ها را فراهم می‌کنند.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است؛ برای درک اینکه چه تراشه‌هایی توان این محاسبات سنگین را دارند، به تحلیل ما درباره‌ی شتاب‌دهنده‌های نسل جدید مراجعه کنید.
گفتگو