Сооснователь Ethereum Vitalik Buterin представил ориентированную на конфиденциальность архитектуру для AI-агентов, объединяющую доступ к API на основе доказательств с нулевым разглашением, маршрутизацию трафика через Tor и локально выполняемые языковые модели. Многоуровневый дизайн призван снизить утечку данных, которая обычно сопровождает рабочие процессы с использованием ИИ. Суть подхода — минимизация данных на уровне дизайна: каждый участник рабочего процесса — запрашиваемый сервис, сетевой путь, провайдер модели — видит только то, что требуется для его роли.

Конфиденциальность как многоуровневый стек, а не однослойное решение

Предложенная схема рассматривает конфиденциальность как задачу построения стека, а не однослойного исправления. Каждый компонент закрывает отдельную поверхность атаки: как агенты получают доступ к внешним сервисам, как маршрутизируется их сетевой трафик и где фактически выполняется инференс модели. Buterin, который ранее предупреждал о рисках на стыке криптографии и ИИ как о проблеме ближайшего будущего, представляет эту комбинацию как способ ограничить объём информации о деятельности агента, доступный любой отдельной стороне. (См. также: THORChain отклонила чёрный список адресов из-за взлома Bitget, к обсуждению подключился Vitalik.)

zkAPI: доступ к внешним сервисам с сохранением конфиденциальности

Слой zkAPI предназначен для того, чтобы AI-агент мог запрашивать внешние источники данных или сервисы, не раскрывая полный контекст запроса. Доказательства с нулевым разглашением позволяют доказывающей стороне подтвердить, что запрос удовлетворяет определённым условиям, не раскрывая исходных данных, что сужает круг выводов, которые провайдер сервиса может сделать о целях агента. Этот подход переносит ту же криптографическую логику, которую Buterin применял к системам идентификации, на уровень API-доступа для автономных агентов.

Tor: разделение сетевых метаданных и содержимого запросов

Маршрутизация трафика агентов через Tor описывается как способ отделить метаданные сетевого уровня — в частности, IP-адреса и временные закономерности — от содержимого запросов агента. Даже при зашифрованной нагрузкеассивный наблюдатель на обычном соединении может со временем соотнести паттерны запросов с поведением агента. Луковая маршрутизация Tor вводит несколько промежуточных узлов, разрывающих эту корреляцию, хотя она добавляет задержку и не устраняет все риски анализа трафика.

Локальные LLM: взаимодействие с моделью на устройстве

Локальный запуск языковой модели — третий уровень и, вероятно, самый важный для минимизации данных. Когда инференс выполняется через удалённый API, каждый промпт и ответ видны провайдеру модели. Локальное выполнение — с использованием open-weight моделей, развёрнутых на потребительском или серверном оборудовании — полностью устраняет эту утечку. Внимание Buterin к этому компоненту согласуется с его более широким интересом к пересечению Ethereum и ИИ, где суверенитет данных и верифицируемость являются постоянными темами.

Что предложение означает для инфраструктуры конфиденциальных AI-агентов

Одновременное перекрытие нескольких каналов наблюдения

Архитектура примечательна независимой обработкой каждого уровня. Система только с локальными LLM всё равно утечёт метаданными, если трафик не скрыт; система только с Tor по-прежнему раскрывает содержимое промптов удалённому провайдеру модели. Объединяя zkAPI, Tor и локальный инференс, схема стремится одновременно перекрыть несколько каналов наблюдения, а не заменять одну утечку другой.

Почему конфиденциальность зависит от реализации и эксплуатационных практик

Ни один из трёх компонентов по отдельности не гарантирует анонимности, и их комбинация тоже. Доказательства с нулевым разглашением требуют тщательного проектирования схем, чтобы избежать утечки информации через структуру запросов. Tor обеспечивает вероятностную, а не абсолютную сетевую конфиденциальность. Локальные модели уступают по возможностям передовым API, что создаёт практический компромисс между конфиденциальностью и качеством выполнения задач. Описанная Buterin схема — это направление разработки, а не готовая спецификация продукта.

Предложение даёт конкретную архитектурную отправную точку для команд, создающих инфраструктуру автономных агентов, где минимизация пользовательских данных является проектным ограничением, — проблемную область на пересечении децентрализованных сред обучения AI-агентов и инструментов конфиденциальности в блокчейне. Станет ли полный стек практичным в масштабе, зависит от того, как в ближайшей перспективе будут развиваться производительность локальных моделей и инструментарий zkAPI.

Отказ от ответственности: эта статья носит исключительно информационный характер и не является финансовой или инвестиционной рекомендацией. Рынки криптовалют и цифровых активов связаны со значительным риском. Всегда проводите собственное исследование перед принятием решений.