撰寫：Biteye 核心貢獻者Viee 編輯：Biteye 核心貢獻者Crush
你是否願意將十年的個人對話資料交給OpenAI、Google或臉書？
想像一下，未來的AI 助理能夠完美複製你的思維方式，處理日常事務時如同你本人。令人振奮的同時，這也意味著AI 需要獲取大量的數據——包括你過去發送的每條訊息，以及構成你獨特個性的所有訊息，這便引發了文章一開始提出的問題。根據調查，59% 的消費者對使用個人化AI 感到不安，主要原因就是對資料隱私的擔憂。
Nillion 作為一個創新的去中心化網絡，透過利用多方運算（MPC）和其他隱私增強技術（PET），為此問題提供了切實可行的解決方案。 Biteye 將在本文為大家介紹Web3 的新概念盲計算，及其如何保障你我的資料隱私。
01 資料隱私安全的現狀
數據被視為數位時代的新型「石油」，隱私和安全問題變得愈發重要。傳統的數據處理方式通常需要在計算之前解密數據，這使得敏感資訊在處理過程中暴露於潛在的安全威脅中。例如，在醫療產業，病患的資料必須經過嚴格的隱私保護措施，但在進行分析時仍可能面臨外洩風險。這不僅影響了使用者對服務的信任，也限制了資料共享和合作研究的可能性。
儘管個人化AI 展現出巨大的潛力，但在實現這一願景之前，必須認真對待資料隱私問題，個人化AI 才能真正迎來「下一個網路」的時代。
02 盲計算是什麼？
Nillion 提出了一種新的方法來解決上述問題，那就是「盲計算」（Blind Computing）。它透過去中心化的網路架構和先進的隱私增強技術，使得高價值資料能夠安全地儲存並進行運算，而無需解密。
盲計算（Blind Computing）允許使用者在不直接存取原始資料的情況下進行計算。這意味著即使資料儲存在不可信的環境中，使用者也可以安全地進行操作。
主要包括幾個流程：
-
數據被屏蔽並分成幾部分
-
這些碎片被送到不同的節點
-
節點在看不到資料的情況下處理數據
-
收集和組合結果
-
只有授權方才能看到最終輸出
也就是說，盲計算的核心在於將資料加密後再處理。具體展開，用戶將資料加密，將加密後的資料傳送到雲端伺服器或其他運算平台。在這些平台上，進行的所有計算都是針對加密資料的，最終結果同樣是加密的。使用者在接收結果後，可以透過解密過程獲得最終答案，而無需知道中間過程中的任何資訊。就像一個「隱形的計算助手」，「盲計算」因此得名。
盲計算結合了多種先進的技術，確保敏感資訊在處理過程中始終保持安全：
1、多方計算（MPC）
多方計算（Multi-Party Computation）是一種允許多個參與者共同計算一個函數的技術，而不需要透露各自的輸入資料。每位參與者僅知道自己的意見和最終結果，而無法存取其他參與者的輸入。
MPC 的工作原理可以用經典的百萬富翁故事來理解。此問題由Andrew Yao 於1982 年首次提出。如果兩個百萬富翁想知道誰比較富有，但又不想透露自己的財富。他們可以使用MPC，透過一系列加密操作共同計算誰更富有，而無需披露各自的具體財富。這個過程確保了參與方之間的資訊安全，同時也實現了合作。
這是透過一系列加密操作來實現的，這些操作允許各方將其淨值輸入到共享計算中。計算的結構方式是僅輸出比較結果（即哪個百萬富翁更富有），而不會洩露有關他們各自淨資產的任何細節。這個問題展示了MPC 的強大功能——它可以在實現協作計算的同時保護隱私。
應用：在盲運算中，MPC 確保即使在雲端伺服器或其他不可信環境中進行運算，參與節點也無法看到原始資料。這種方式非常適合處理敏感訊息，如金融交易或醫療記錄。
2.同態加密（Homomorphic Encryption）
同態加密是一種特殊的加密形式，允許對加密資料進行直接計算，而無需解密。使用者可以在加密狀態下進行各種運算（如加法和乘法），最終得到的結果仍然是加密的。使用者可以使用自己的金鑰解密得到正確答案。
應用：同態加密在盲運算中扮演著重要角色，使得伺服器能夠對加密資料進行運算而不需要了解資料本身。這種技術使得資料在雲端環境中處理時更加安全。
3.隱私增強技術（PET）
隱私增強技術是一系列旨在提高個人隱私保護水準的方法，包括匿名化、偽匿名化和資料脫敏等。
應用：在盲計算中，這些技術可以與MPC 和同態加密結合使用，以進一步確保資料在處理過程中的安全性和隱私性。例如，透過對輸入資料進行匿名化處理，可以防止任何參與者識別出資料來源。
4.量子盲計算
量子盲計算是一種利用量子計算原理來實現盲計算的方法。它允許用戶在量子電腦上執行加密計算，保護輸入和輸出資料的隱私。
應用：量子盲運算目前仍處於研究階段，一旦實現預計能夠處理更複雜的問題，並可能擴展用戶在雲端環境中的運算能力。
03 Nillion 的雙網路架構
為了綜合以上技術實現盲運算，Nillion 採用雙網路架構，由協調層（NilChain）和編排層（Petnet）組成。這項設計確保了高效率的資料儲存和處理，同時維護了系統的安全性與隱私性。
1、協調層（NilChain）
協調層負責管理網路中的支付操作，包括儲存和盲運算。它確保所有交易都能順利進行，並且能夠有效地分配資源。
2、編排層（Petnet）
編排層利用MPC 等隱私增強技術來保護靜態數據，並實現對這些數據進行盲計算。 Petnet 確保即使在多個節點之間共享資料時，也能保持高度的安全性與隱私性。這一層次為開發者提供了靈活的平台，使他們能夠建立各種應用程序，以滿足不同需求。
04 Nillion 目前進展
10 月30 日，Nillion 剛剛宣布完成2500 萬美元融資，由Hack VC 領投，並獲得了Arbitrum、Worldcoin 和Sei 的支持。截止目前，Nillion 總融資金額已達5,000 萬美元。
自推出以來，Nillion 已取得了一些表現亮眼的數據：
-
驗證者數量：247,660
-
保護的總資料：711 GB
-
受到挑戰的秘密總數：120,254,931
驗證者有助於維護資料的安全性和完整性，該數量的成長意味著Nillion Network 變得更強大、更安全。
目前Nillion 的合作夥伴包括區塊鏈網路NEAR、Aptos、Arbitrum、Mantle、IO.net、Ritual 等。涉及多個領域，例如Ritual、Nesa，用於私有模型AI 模型訓練和推理；Rainfall、Dwinity、Nuklai，用於存儲、共享AI 訓練數據並從中獲利；MIZU，用於創建合成數據並保護個人數據。 Virtuals Protocol、Capx AI 、Crush AI ，在Nillion 的幫助下創建個人化的私人代理。 PINDORA，用於DePIN 網路的機密和安全支援。 Nillion 試圖吸引那些位於區塊鏈和AI 交匯處的項目，這些項目需要安全地共享和儲存大量資料。
在未來，我們可以預見Nillion 將在醫療、金融、教育等多個領域中廣泛應用，為建構一個更安全、透明的資料生態系統貢獻力量。
05 總結
Nillion 透過創新性的技術架構和強大的隱私保護能力，為解決當前數位世界中的資料隱私問題提供了一條可行之路，使用戶能夠在享受數位服務帶來的便利時，無需擔心個人資訊被洩露或濫用。
站在現在，我們無法想像人工智慧的未來，個人化數位副本的崛起與資料隱私的憂慮就像是蹺蹺板的兩端。如果沒有有效的資料隱私保護措施，個人化AI 將難以獲得廣泛的市場接受度。因此，如何在推動技術進步與保護用戶隱私之間找到平衡，將是業界亟待解決的重要課題。隨著Nillion 網路的發展，期待看到更多基於此平台的新應用，為AI 時代的人類社會帶來正面影響。
