ویتالیک بوترین قابلیتی برای پنهان‌کردن اطلاعات محرمانه از هوش مصنوعی توسعه داد

ویتالیک بوترین، هم‌بنیان‌گذار اتریوم، قابلیتی آزمایشی با نام «حالت پارانوئید» (Paranoid Mode) توسعه داده که با هدف دشوارترکردن ردیابی تعامل کاربران با ابزارهای هوش مصنوعی طراحی شده است. این سیستم تلاش می‌کند اطلاعاتی مانند هویت کاربر، مبدأ درخواست‌ها و جزئیات پرداخت را از ارائه‌دهندگان مدل‌های هوش مصنوعی پنهان کند.

این راهکار از ترکیب شبکه تور (Tor)، ترافیک پوششی، پرداخت‌های مبتنی بر اثبات‌های رمزنگاری‌شده با استفاده از zkAPI و بازنویسی پرامپت‌ها استفاده می‌کند. بوترین در ۱۶ اکتبر ۲۰۲۶ این قابلیت را معرفی کرد. کد پروژه به‌صورت عمومی در دسترس است، اما ترکیب این روش‌ها همچنان آزمایشی محسوب می‌شود.

عامل‌های هوش مصنوعی می‌توانند حریم خصوصی مالی را تهدید کنند؟

با افزایش دسترسی عامل‌های هوش مصنوعی به کیف پول‌ها و ابزارهای مالی، مکالمات کاربران با این سیستم‌ها ممکن است اطلاعات حساسی را آشکار کند.

در این رابطه بخوانید‌ : بیت کوین چیست؟ و چه تغییری در بازارهای مالی ایجاد کرد؟

برای مثال، یک دستیار هوش مصنوعی که در مدیریت سرمایه‌گذاری یا معاملات ارزهای دیجیتال کمک می‌کند، ممکن است به اطلاعاتی درباره دارایی‌های کاربر، برنامه‌های معاملاتی یا پرسش‌های مالی او دسترسی داشته باشد. در صورت افشای این اطلاعات، شرکت ارائه‌دهنده مدل هوش مصنوعی ممکن است به جزئیاتی درباره سبد سرمایه‌گذاری یا استراتژی معاملاتی کاربر دست پیدا کند.

حتی کاربرانی که نام واقعی خود را اعلام نمی‌کنند نیز ممکن است از طریق سوابق پرداخت، آدرس اینترنتی یا تکرار جزئیات مشخص در پرامپت‌ها شناسایی شوند.

بوترین برای کاهش این خطرها، چهار لایه حفاظتی را در سیستم خود ترکیب کرده است.

حالت پارانوئید و چهار لایه حفاظت از اطلاعات کاربران

۱. استفاده از شبکه تور برای پنهان‌کردن آدرس IP

شبکه تور (Tor) مسیر ارتباطی درخواست‌ها را تغییر می‌دهد تا شناسایی آدرس IP کاربر دشوارتر شود.

این روش می‌تواند ارتباط مستقیم میان کاربر و درخواست‌های ارسال‌شده به ارائه‌دهنده هوش مصنوعی را دشوارتر کند؛ هرچند به‌تنهایی ناشناس‌ماندن کامل کاربر را تضمین نمی‌کند.

۲. ایجاد ترافیک پوششی برای مخفی‌کردن درخواست‌های واقعی

ترافیک پوششی (Cover Traffic) شامل درخواست‌های اضافی یا ساختگی است که با هدف دشوارترکردن تشخیص درخواست‌های واقعی تولید می‌شوند.

با وجود این ترافیک اضافی، ارائه‌دهنده سرویس ممکن است نتواند به‌سادگی تشخیص دهد کدام درخواست مربوط به فعالیت واقعی کاربر است و کدام درخواست صرفاً برای پوشاندن الگوی ارتباطی ایجاد شده است.

۳. بازنویسی پرامپت‌ها با استفاده از یک مدل هوش مصنوعی کوچک

لایه سوم از یک مدل هوش مصنوعی کوچک استفاده می‌کند که روی رایانه خود کاربر اجرا می‌شود. این مدل پرامپت‌ها را پیش از ارسال بازنویسی می‌کند تا جزئیات هویتی و اطلاعاتی که می‌توانند کاربر را شناسایی کنند، کاهش یابند.

همچنین بخوانید : هایپرلیکویید (HLP) چیست و چگونه کار می کند؟

با این حال، این روش تضمین نمی‌کند که تمام اطلاعات حساس حذف شوند. ارائه‌دهندگان خدمات هوش مصنوعی همچنان نسخه بازنویسی‌شده پرامپت‌ها را مشاهده می‌کنند و ممکن است برخی جزئیات قابل‌شناسایی در آن‌ها باقی مانده باشد.

۴. پرداخت خصوصی با استفاده از zkAPI

چهارمین لایه، سامانه zkAPI است که از اثبات‌های رمزنگاری‌شده برای تأیید پرداخت هزینه درخواست‌ها استفاده می‌کند، بدون اینکه هویت پرداخت‌کننده مستقیماً افشا شود.

این سامانه پرداخت در حال حاضر روی شبکه اصلی اتریوم اجرا می‌شود و دارایی‌هایی مانند اتر (ETH) و یو‌اس‌دی‌کوین (USDC) را برای واریز می‌پذیرد.

بوترین همچنین عامل هوش مصنوعی خود را در یک محیط ایزوله نرم‌افزاری یا سندباکس (Sandbox) اجرا می‌کند تا دسترسی آن به رایانه‌اش محدود شود. این اقدام لایه دیگری از حفاظت را برای کاهش خطرهای احتمالی ناشی از دسترسی عامل هوش مصنوعی فراهم می‌کند.

محدودیت‌های حالت پارانوئید؛ ناشناس‌ماندن کامل هنوز ممکن نیست

بوترین گفت که این سیستم «در حال رسیدن به سطحی است که استفاده از آن نسبتاً راحت شده است»، اما استفاده از آن بدون هزینه نیست.

او همچنین به یک ضعف مهم اشاره کرده است: اگر ارائه‌دهنده خدمات هوش مصنوعی با نخستین رله شبکه تور همکاری کند، ممکن است با بررسی زمان‌بندی ترافیک، درخواست‌های واقعی را شناسایی کند.

به همین دلیل، بوترین استفاده از یک شبکه خصوصی تخصصی‌تر را ترجیح می‌دهد؛ هرچند این گزینه می‌تواند هزینه انتقال داده را افزایش دهد.

ترجمه شده توسط مجله خبری نیپوتو