重磅!顶级 VC 豪掷 5000 万美金押注 Web3 新赛道
Nillion 定位是填补加密货币自智能合约以来最大的空白创新。
Nillion 定位是填补加密货币自智能合约以来最大的空白创新。
撰文:Biteye 核心贡献者 Viee
编辑:Biteye 核心贡献者 Crush
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。
免责声明:文章中的所有内容仅代表作者的观点,与本平台无关。用户不应以本文作为投资决策的参考。
你也可能喜欢
特朗普当选即将满月,全球市场的“好戏”才刚刚开始!
摩根大通、富国银行和美国银行发放的89670000000美元风险越来越大的贷款:报告
一份新的报告显示,美国最大的银行报告称,其资产负债表上不合标准、可疑和潜在亏损的贷款数量迅速增加。