Współzałożyciel Ethereum Vitalik Buterin przeprowadził samoeksperyment mający sprawdzić, czy systemy AI mogą dostarczać spersonalizowane zalecenia bez konieczności przekazywania przez użytkownika wrażliwych danych osobowych. W postach opublikowanych na X 4 października opisał wykorzystanie własnych danych zdrowotnych i podróżnych do wygenerowania sugestii dotyczących diety i ćwiczeń, przy czym lokalny model koordynował żądania kierowane do bardziej zaawansowanych systemów zdalnych, korzystając z ich zdolności rozumowania i wiedzy.

Konfiguracja prywatności łączyła starannie skonstruowane prompty, prywatne płatności przez zkAPI oraz routing przez Tor, przy czym każda warstwa odpowiadała za inne źródło wycieku tożsamości. Eksperyment dotyka rutynowej ekspozycji w komercyjnym AI, gdzie płatne usługi mogą powiązać każdy prompt z kontem płatnika i stojącą za nim siecią źródłową, dzięki czemu dane identyfikujące mogą się kumulować, nawet jeśli nazwisko nigdy nie zostanie wpisane. Buterin stwierdził, że zalecenia skorzystały na zdalnych danych wejściowych, choć zabezpieczenia prywatności nadal wymagały poprawy. Zgłosił również powolne odpowiedzi oraz kompromis między przekazywaniem mniejszej ilości informacji a otrzymywaniem przydatnych porad.

Trzy warstwy prywatności dla zapytań AI

Buterin wskazał sw lokalny koordynator jako Qwen 3.8 Flash Next, który w razie potrzeby wywoływał modele graniczne. Plik umiejętności (skill file) prowadził te wywołania, nakazując lokalnemu systemowi ujawnianie jak najmniejszej ilości informacji osobowych.

Doing a bit of a self-experiment. Goal: use my personal health and travel data to provide personalized diet and exercise recommendations for me, using frontier models but in a way that avoids leaking to them any private information. Strategy: use a local model (Qwen 3.8 Flash… pic.twitter.com/mi38E5jlfN

— vitalik.eth (@VitalikButerin) 4 października 2026

Pierwsza warstwa obejmowała zarówno treść promptów, jak i styl pisania. Ponieważ pytania tworzył lokalny model, zdalne usługi miały zmniejszone ryzyko identyfikacji go na podstawie charakterystycznego sformułowań lub danych osobowych.

Druga warstwa dotyczyła płatności, które mogą powiązać żądania AI z identyfikowalnym kontem klienta. W tym celu eksperyment wykorzystał zkAPI — system zaprojektowany tak, aby oddzielić autoryzację płatności od tożsamości użytkownika. Dowody zero-knowledge, leżące u podstaw narzędzie kryptograficzne, pozwalają usłudze zweryfikować twierdzenie — na przykład o zasileniu sejfu — bez wglądu w dane za nim stojące. Ethereum Foundation opisało zkAPI w ogłoszeniu z 1 października jako prywatne kredyty użycia dla usług płatnych. Użytkownicy zasilają sejf, a następnie autoryzują wydatki dowodami zero-knowledge zamiast ujawniać, która depozyta opłaciła żądania. W trybie runtime key tymczasowe klucze API ograniczają wydatki, a podpisane paragony użycia określają rzeczywistą opłatę. Usługa płatnicza weryfikuje zasilenie bez otrzymywania promptów, które trafiają bezpośrednio do dostawcy AI.

Tor dostarczył trzeciej warstwy, celem były informacje sieciowe, takie jak adresy IP. Długoletnia sieć anonimowości kieruje ruch przez przekaźniki, tak że docelowa usługa nie widzi rzeczywistego adresu użytkownika. Buterin uzyskiwał dostęp do zkAPI przez narzędzie wiersza poleceń opakowane w Tora, łącząc prywatność płatności z anonimowym routingiem sieciowym.

Konstrukcja traktuje te zabezpieczenia jako komplementarne, ponieważ każda obejmuje inną drogę identyfikacji. Usunięcie nazwisk z promptów nadal pozostawia rejestry płatności lub szczegóły sieciowe jako potencjalne powiązania. Foundation ostrzegała również, że dostawcy AI nadal mogą czytać przesłane prompty, a jej dokumentacja wskazuje, że powtarzające się dane osobowe, ponownie wykorzystywane historie rozmów i wzorce pisania mogą pozwolić na powiązanie osobnych sesji.

Limity prędkości i kompromisy danych w eksperymencie AI

Buterin poinformował, że eksperyment zwrócił zalecenia poprawione dzięki wiedzy modeli granicznych. Wskł jednak cztery słabości, obejmujące konstrukcję sieci, budowanie żądań, wydajność lokalną oraz równowagę między prywatnością a użytecznością — cztery luki, które trzeba by zamknąć, zanim taka konfiguracja wykracza poza próbę osobistą.

Twierdził, że Tor źle radzi sobie z separacją poszczególnych żądań i może zapewniać niewystarczającą prywatność dla tego zastosowania. Oszacował również, że opóźnienia były 10 do 100 razy wyższe, niż mogłyby być. Plik umiejętności potrzebował z kolei lepszych strategii decydowania, jakie informacje mają otrzymywać modele zdalne, co czyni przygotowanie żądań kolejnym nierozwiązanym elementem eksperymentu.

Jeśli chodzi o wydajność lokalną, Buterin powiedział, że model Qwen generował na jego konfiguracji około 20–30 tokenów na sekundę. Chciałby prędkości powyżej 100 tokenów na sekundę, zanim system wydawałby się wygodnie szybki.

Kompromis w zakresie prywatności AI pozostał również widoczny: ukrywanie większej ilości kontekstu zmniejszało pomoc ze strony modeli zdalnych. To sugeruje, że same zabezpieczenia płatności i sieci nie mogą zachować jakości spersonalizowanych zaleceń, gdy żądania pomijają ważne szczegóły kontekstowe.

Szersza wizja Ethereum

Eksperyment następuje po eseju z 27 września, w którym Buterin opisał Ethereum jako przyszły kryptograficzny komputer światowy, łączący bezpieczeństwo blockchaina z kryptograficzną prywatnością, weryfikacją i zdecentralizowanym przetwarzaniem poza łańcuchem. W eseju tym wskazał Hegotá, planowany na przyszły rok, jako prawdopodobnie ostatni normalny fork. Późniejszy rozwój obejmowałby rekurencyjne STARK-i, zautomatyzowaną weryfikację formalną, zoptymalizowany konsensus i technologię odporną na komputery kwantowe. Dowody kryptograficzne przewijają się przez oba przedsięwzięcia: dowody zero-knowledge obsługują warstwę płatności zkAPI, podczas gdy roadmapa wskazuje na rekurencyjne STARK-i i weryfikację formalną w skali protokołu.

Wskazał także PeerDAS jako wczesny krok w kierunku tej szerszej architektury. Zamierzonym rezultatem jest tańsze, bardziej skalowalne i bardziej prywatne obliczenia zabezpieczone nowoczesną kryptografią. Z Hegotá zaplanowanym na przyszły rok fork ten stanowi najbliższy punkt kontrolny dla obserwacji, jak kształtują się kryptograficzne elementy roadmapy.