Współzałożyciel Ethereum Vitalik Buterin przedstawił architekturę agentów AI skoncentrowaną na prywatności, łączącą dostęp do API oparty na dowodach zerowej wiedzy, routing ruchu przez sieć Tor oraz modele językowe uruchamiane lokalnie. Warstwowy projekt ma na celu ograniczenie ekspozycji danych, która zwykle towarzyszy przepływom pracy wspieranym przez AI. Efektem jest minimalizacja danych przez projekt: każda strona w danym przepływie pracy — odpytywana usługa, ścieżka sieciowa, dostawca modelu — jest w tym układzie pozycjonowana tak, by widzieć wyłącznie to, co wynika z jej roli.

Prywatność jako stos rozwiązań, a nie poprawka na jednej warstwie

Proponowane rozwiązanie traktuje prywatność jako problem całego stosu, a nie naprawę ograniczoną do jednej warstwy. Każdy komponent odpowiada za inną powierzchnię ataku: sposób, w jaki agenci uzyskują dostęp do usług zewnętrznych, sposób routingu ruchu sieciowego oraz miejsce, w którym faktycznie wykonywana jest inferencja modelu. Buterin, który wcześniej już zwracał uwagę na ryzyka kryptograficzne związane z AI jako problem najbliższej przyszłości, opisuje to połączenie jako sposób ograniczenia tego, co jakakolwiek pojedyncza strona może zaobserwować o aktywności agenta. (Powiązany materiał: THORChain odrzuca czarną listę hakerów Bitget, a Vitalik się wypowiada.)

zkAPI: ochrona prywatności przy dostępie do usług zewnętrznych

Warstwa zkAPI ma pozwalać agentowi AI odpytywać zewnętrzne źródła danych lub usługi bez ujawniania pełnego kontekstu zapytania. Dowody zerowej wiedzy pozwalają dowodzącemu wykazać, że zapytanie spełnia określone warunki, bez ujawniania danych wejściowych, co zawęża to, co dostawca usługi może wywnioskować o celach agenta. To podejście przenosi to samo rozumowanie kryptograficzne, które Buterin stosował w odniesieniu do systemów tożsamości, na warstwę dostępu do API dlaów autonomicznych.

Tor: oddzielenie metadanych sieciowych od treści żądań

Routing ruchu agenta przez Tor jest opisywany jako sposób oddzielenia metadanych na poziomie sieci — konkretnie adresów IP i wzorców czasowych — od treści żądań agenta. Nawet przy zaszyfrowanych danych bierny obserwator na zwykłym połączeniu może z czasem korelować wzorce żądań z zachowaniem agenta. Cebulowy routing Tora wprowadza wiele przeskoków przez przekaźniki, które przerywają tę korelację, choć dodaje opóźnienia i nie eliminuje wszystkich ryzyk analizy ruchu.

Lokalne LLM-y: utrzymanie interakcji z modelem na urządzeniu

Uruchamianie modelu językowego lokalnie to trzecia warstwa i być może najważniejsza dla minimalizacji danych. Gdy inferencja odbywa się na zdalnym API, każdy prompt i każda odpowiedź są widoczne dla dostawcy modelu. Wykonywanie lokalne, z wykorzystaniem modeli o otwartych wagach wdrożonych na sprzęcie konsumenckim lub serwerowym, eliminuje tę ekspozycję całkowicie. Nacisk, jaki Buterin kładzie na ten komponent, wpisuje się w jego szersze zainteresowanie punktem styku Ethereum z AI, gdzie suwerenność danych i weryfikowalność to powracające tematy.

Co propozycja sygnalizuje dla infrastruktury prywatnych agentów AI

Jednoczesne zamykanie wielu kanałów obserwacji

Architektura wyróżnia się tym, że traktuje każdą warstwę niezależnie. System oparty wyłącznie na lokalnych LLM-ach nadal przecieka metadanymi, jeśli ruch nie jest maskowany; system oparty wyłącznie na Torze nadal ujawnia treść promptów zdalnemu dostawcy modelu. Poprzez nałożenie na siebie zkAPI, Tora i lokalnej inferencji rozwiązanie ma zamykać wiele kanałów obserwacji jednocześnie, a nie wymieniać jedną ekspozycję na inną.

Dlaczego prywatność zależy od implementacji i praktyki użytkownika

Żaden z trzech komponentów osobno nie gwarantuje anonimowości, a ich połączenie również. Dowody zerowej wiedzy wymagają starannego projektowania obwodów, aby uniknąć wycieku informacji przez strukturę zapytania. Tor zapewnia probabilistyczną, a nie absolutną prywatność sieciową. Modele lokalne różnią się możliwościami w porównaniu z czołowymi API, co tworzy praktyczny kompromis między prywatnością a skutecznością zadań. Szkic opisany przez Buterina to kierunek projektowy, a nie gotowa specyfikacja produktu.

Propozycja stanowi konkretny punkt odniesienia architektonicznego dla zespołów budujących infrastrukturę agentów autonomicznych, w których minimalizacja danych użytkownika jest ograniczeniem projektowym — to przestrzeń problemowa na styku zdecentralizowanych środowisk trenowania agentów AI i narzędzi prywatności on-chain. Czy pełny stos stanie się praktyczny w skali, zależy od tego, jak w najbliższym czasie rozwiną się wydajność lokalnych modeli i narzędzia zkAPI.

Zastrzeżenie: ten artykuł ma charakter wyłącznie informacyjny i stanowi porady finansowej ani inwestycyjnej. Rynki kryptowalut i aktywów cyfrowych wiążą się ze znacznym ryzykiem. Zawsze przeprowadzaj własne badania przed podjęciem decyzji.