AI اعتماد مشکل دارد — تکنولوژیهای غیرمتمرکز حفظ حریم خصوصی میتوانند آن را حل کنند
از سال ۲۰۲۴، هوش مصنوعی به یک موضوع اصلی تبدیل شده است، اما کاربران و شرکتها هنوز نمیتوانند بهطور کامل به آن اعتماد کنند. چه در امور مالی باشد، چه دادههای شخصی یا تصمیمات بهداشتی، تردید نسبت به قابلیتاعتماد و سلامت هوش مصنوعی همچنان بالاست. این کسری اعتماد به هوش مصنوعی اکنون یکی از موانع مهم گسترش گسترده آن است. تکنولوژیهای غیرمتمرکز و حفظ حریم خصوصی بهسرعت بهعنوان راهحلهای موثر شناخته میشوند که با ارائه قابلیتتایید، شفافیت و حفاظت قویتر دادهها بدون به خطر انداختن رشد هوش مصنوعی، عمل میکنند.
در سال ۲۰۲۴، هوش مصنوعی دومین دسته محبوب در حوزه رمزنگاری بود و بیش از ۱۶٪ از علاقه سرمایهگذاران به آن معطوف شد. استارتآپها و شرکتهای چندملیتی منابع قابلتوجهی را به هوش مصنوعی اختصاص دادهاند تا این فناوری را در امور مالی، سلامت و سایر جنبههای زندگی مردم گسترش دهند. بهعنوان مثال، بخش تازهپدید DeFi x AI (یا DeFAI) بیش از ۷۰۰۰ پروژه را عرضه کرد و اوایل ۲۰۲۵ به اوج ارزش بازار ۷ میلیارد دلار رسید، قبل از آنکه بازارها سقوط کنند.
DeFAI پتانسیل تحولآفرین هوش مصنوعی را نشان داده تا امور مالی غیرمتمرکز (DeFi) را با دستورات زبان طبیعی کاربرپسندتر کند، عملیات چندمرحلهای پیچیده را اجرا نماید و تحقیقات بازار پیچیده را انجام دهد.
با این حال، نوآوری بهتنهایی آسیبپذیریهای اصلی هوش مصنوعی یعنی هالوسیناسیون، دستکاری و نگرانیهای حریم خصوصی را حل نکرده است.
در نوامبر ۲۰۲۴، یک کاربر موفق شد یک عامل هوش مصنوعی در پلتفرم Base را قانع کند ۴۷۰۰۰ دلار ارسال کند، با وجود آنکه برنامهریزی شده بود هرگز این کار را انجام ندهد. اگرچه این سناریو بخشی از یک بازی بود، اما نگرانیهای واقعی را برانگیخت: آیا میتوان به عوامل هوش مصنوعی در اداره مستقل عملیات مالی اعتماد کرد؟
ممیزیها، برنامههای پاداش باگ و تیمهای قرمز تا حدی کمک میکنند اما خطر تزریق درخواستها، اشکالات منطقی یا استفاده غیرمجاز از دادهها را از بین نمیبرند.
طبق گزارش KPMG در سال ۲۰۲۳، ۶۱٪ از افراد هنوز در اعتماد به هوش مصنوعی تردید دارند و حتی حرفهایهای صنعت نیز این نگرانی را دارند. یک نظرسنجی فورستر که در Harvard Business Review منتشر شد نشان داد ۲۵٪ از تحلیلگران، اعتماد را بزرگترین مانع هوش مصنوعی میدانند.
این شکگرایی همچنان قوی باقی است. یک نظرسنجی در اجلاس CIO Network نشریه The Wall Street Journal نشان داد ۶۱٪ از رهبران برجسته فناوری اطلاعات آمریکا همچنان در حال آزمایش عوامل هوش مصنوعی هستند. مابقی یا در حال آزمایش هستند یا کاملاً از آنها اجتناب میکنند و دلایل اصلی را عدم اطمینان، ریسکهای امنیت سایبری و حفظ حریم خصوصی دادهها عنوان میکنند.
صنایعی مانند بهداشت و درمان این ریسکها را بهطور ملموستری احساس میکنند. به اشتراکگذاری پروندههای الکترونیکی سلامت (EHR) با مدلهای زبان بزرگ برای بهبود نتایج امیدوارکننده است، اما بدون حفظ حریم خصوصی مطلق، از نظر قانونی و اخلاقی پرخطر است. بهعنوان مثال، صنعت بهداشت و درمان بهطور قابلتوجهی از نفوذ به حریم خصوصی دادهها آسیب میبیند. این مشکل هنگامی شدت مییابد که بیمارستانها دادههای EHR را برای آموزش الگوریتمهای هوش مصنوعی به اشتراک میگذارند بدون آنکه از حریم خصوصی بیماران محافظت کنند.
در اینجا سیستمهای رمزنگاری غیرمتمرکز مانند استدلالهای کوتاه بدون تعامل دانش صفر (ZK-SNARKs) وارد میشوند. این فناوریها مسیر جدیدی ارائه میدهند: اجازه میدهند کاربران تصمیمات هوش مصنوعی را بدون فاش کردن دادههای شخصی یا جزئیات داخلی مدل تایید کنند.
با بهکارگیری رمزنگاری حفظ حریم خصوصی در زیرساختهای یادگیری ماشینی، هوش مصنوعی میتواند قابلممیزی، قابلاعتماد و محافظتکننده حریم خصوصی باشد، بهویژه در بخشهایی مانند مالی و بهداشت و درمان.
ZK-SNARKs بر سیستمهای پیشرفته اثبات رمزنگاری متکی است که به یک طرف اجازه میدهند بدون فاش کردن چگونگی اثبات، صحت چیزی را نشان دهد. در هوش مصنوعی، این امکان را فراهم میکند تا مدلها از نظر درستی تایید شوند بدون اینکه دادههای آموزشی، مقادیر ورودی یا منطق اختصاصی آنها افشا شود.
تصور کنید یک عامل وامدهی هوش مصنوعی غیرمتمرکز وجود دارد. بهجای بررسی کامل سوابق مالی، اثباتهای رمزنگاریشده نمره اعتباری را بررسی میکند تا تصمیمات وام را بهطور مستقل بگیرد بدون دسترسی به دادههای حساس. این هم از حریم خصوصی کاربران محافظت میکند و هم ریسک مؤسسات را کاهش میدهد.
فناوری ZK همچنین به ماهیت جعبه سیاه مدلهای زبان بزرگ میپردازد. با استفاده از اثباتهای پویا، میتوان خروجیهای هوش مصنوعی را تایید کرد در حالی که هم یکپارچگی دادهها و هم ساختار مدل محافظت میشود. این برد هم برای کاربران و هم برای شرکتهاست — کاربر دیگر از سوءاستفاده دادهها نمیترسد و شرکت مالکیت فکری خود را حفظ میکند.
ما وارد مرحله جدیدی از هوش مصنوعی شدهایم که در آن مدلهای بهتر به تنهایی کافی نیستند. کاربران شفافیت میخواهند؛ شرکتها به پایداری نیاز دارند؛ قانونگذاران انتظار پاسخگویی دارند. رمزنگاری غیرمتمرکز و قابلتایید هر سه را ارائه میدهد.
فناوریهایی مانند ZK-SNARKs، محاسبات چندجانبه آستانهای و سیستمهای تایید مبتنی بر BLS صرفاً «ابزارهای رمزنگاری» نیستند — آنها در حال تبدیل شدن به پایه هوش مصنوعی قابلاعتماد هستند. با ترکیب با شفافیت بلاکچین، یک لایه قدرتمند جدید برای سیستمهای هوش مصنوعی حفظ حریم خصوصیمحور، قابلممیزی و قابلاعتماد ایجاد میکنند.
گارتنر پیشبینی کرده که تا سال ۲۰۲۶، ۸۰٪ از شرکتها از هوش مصنوعی استفاده خواهند کرد. پذیرش صرفاً با تبلیغات یا منابع هدایت نمیشود. این پذیرش به ساخت هوش مصنوعی متکی است که مردم و شرکتها واقعاً بتوانند به آن اعتماد کنند. و این با غیرمتمرکزسازی آغاز میشود.