ปัญญาประดิษฐ์แบบกระจายศูนย์ช่วยให้พรอมต์ของคุณเป็นความลับได้จริงหรือไม่?

AI และคริปโตได้เริ่มบรรจบกันมาหลายปีแล้ว แต่แนวโน้มใหม่ที่เงียบกว่ากำลังผลักดันจุดตัดนั้นให้ก้าวไปไกลยิ่งขึ้น

เครือข่าย AI ที่เน้นความเป็นส่วนตัวกำลังก่อสร้างโครงสร้างพื้นฐานที่ช่วยให้ผู้คนรันโมเดล AI โดยที่ไม่มีบริษัทใดบริษัทหนึ่งมองเห็นพรอมต์ การตอบกลับ หรือข้อมูลของพวกเขา

Venice Token (VVV) กำลังเป็นกระแสบน CoinGecko ในสัปดาห์นี้ ขณะที่เรื่องราวดังกล่าวเริ่มได้รับแรงส่ง

เพื่อจะเข้าใจว่าทำไมนักลงทุนจึงให้ความสนใจ ก่อนอื่นคุณต้องเข้าใจก่อนว่าเครือข่ายอินเฟอเรนซ์แบบส่วนตัวคืออะไรจริง ๆ และมันทำงานอย่างไรเบื้องหลังฉาก

สรุปสั้น ๆ (TL;DR)

เครือข่าย Privacy AI จะส่งต่อคำถาม AI ของคุณผ่านผู้ให้บริการโหนดแบบกระจายศูนย์ เพื่อไม่ให้มีฝ่ายใดฝ่ายหนึ่งมองเห็นพรอมต์หรือผลลัพธ์ทั้งหมดของคุณ

ความท้าทายหลักคือการพิสูจน์ว่าโมเดลรันได้อย่างถูกต้องและเป็นส่วนตัวโดยไม่รั่วไหลอินพุต ซึ่งแก้ไขผ่านการผสมผสานเทคนิคคริปโตกราฟีและความปลอดภัยในระดับฮาร์ดแวร์

โทเค็นอย่าง VVV ใช้ควบคุมการเข้าถึงทรัพยากรคอมพิวต์ และทำให้ผู้ให้บริการโหนดมีแรงจูงใจทางการเงินให้ประพฤติตนอย่างซื่อสัตย์และรักษาความเป็นส่วนตัว

“Private Inference” หมายถึงอะไรจริง ๆ

เมื่อคุณส่งพรอมต์ไปยังบริการ AI แบบรวมศูนย์ บริษัทที่ให้บริการสามารถบันทึกทุกอย่างได้

คำถามของคุณ คอนเท็กซ์ที่คุณให้ และคำตอบของโมเดล ต่างวิ่งผ่านโครงสร้างพื้นฐานที่บริษัทควบคุม เรื่องนี้เป็นจริงทั้งกับแชตบอตสำหรับผู้ใช้ทั่วไปและการเรียก API ระดับองค์กร

อินเฟอเรนซ์แบบส่วนตัวคือความพยายามที่จะตัดขาดการพึ่งพานั้น

เป้าหมายคือให้ผู้ใช้สามารถส่งคำถามไปยังโมเดล AI และได้รับคำตอบกลับมา โดยที่ผู้ให้บริการโครงสร้างพื้นฐานไม่สามารถอ่านทั้งคำถามหรือคำตอบได้

ในระบบอินเฟอเรนซ์แบบส่วนตัวที่ออกแบบมาอย่างดี โหนดที่ทำการคำนวณควรเห็นได้เพียงข้อมูลที่ถูกเข้ารหัสหรือถูกแบ่งส่วน ไม่ใช่ข้อความจริงทั้งหมดของสิ่งที่คุณถาม

Private inference หมายถึงการรันโมเดล AI บนข้อมูลของผู้ใช้ โดยที่ผู้ให้บริการคอมพิวต์ไม่สามารถรู้เนื้อหาของข้อมูลนั้น มันเทียบได้กับระบบลงคะแนนแบบบัตรเลือกตั้งปิดผนึกของโลก AI

เรื่องนี้ฟังดูตรงไปตรงมา แต่กลับปะทะกับความจริงด้านเทคนิคที่ยาก การอินเฟอเรนซ์ของ AI นั้นใช้ทรัพยากรคอมพิวต์สูง เทคนิคที่ทำให้การคำนวณเป็นส่วนตัว เช่น homomorphic encryption หรือ secure multi-party computation ยิ่งทำให้ต้นทุนดังกล่าวเพิ่มขึ้นอย่างมาก ความท้าทายด้านวิศวกรรมคือทำให้อินเฟอเรนซ์แบบส่วนตัวทั้งเร็วและถูกพอที่ผู้ใช้จริงจะยอมจ่าย

Also Read: SpaceX Reveals 18,712 BTC Stash In Record IPO Filing Surprise, Outed As Top 7 Bitcoin Whale

สามแนวทางทางเทคนิคที่เครือข่ายใช้

โปรเจกต์ต่าง ๆ ใช้เครื่องมือแตกต่างกันไป ขึ้นอยู่กับว่าพวกเขาให้น้ำหนักเรื่องความเร็วกับการคุ้มครองความเป็นส่วนตัวอย่างไร ปัจจุบันมีสามแนวทางหลักที่โดดเด่นในสนามนี้

Trusted Execution Environments (TEEs) คือเอนเคลฟที่ปลอดภัยซึ่งบังคับโดยฮาร์ดแวร์ เป็นโซนประมวลผลแยกภายในชิปที่แม้แต่ระบบปฏิบัติการก็ไม่สามารถอ่านสิ่งที่เกิดขึ้นข้างในได้ Intel SGX และ AMD SEV เป็นตัวอย่างการใช้งานที่พบมากที่สุด โหนดที่รันอยู่ใน TEE สามารถประมวลผลพรอมต์แบบข้อความจริงของคุณได้โดยที่ผู้ให้บริการโหนดไม่สามารถดึงออกมาได้ เพราะฮาร์ดแวร์เป็นผู้บังคับใช้ขอบเขตนั้น ข้อแลกเปลี่ยนคือคุณต้องเชื่อใจกระบวนการ attestation ของผู้ผลิตชิป ไม่ใช่พึ่งพาคณิตศาสตร์ล้วน ๆ

Secure Multi-Party Computation (MPC) แยกการคำนวณออกเป็นหลายฝ่าย เพื่อไม่ให้ฝ่ายใดฝ่ายหนึ่งถือครองอินพุตทั้งหมด แต่ละฝ่ายเห็นเพียงส่วนย่อย ผลลัพธ์ที่ถูกต้องจะปรากฏออกมาเมื่อนำส่วนย่อยเหล่านั้นมารวมกัน แต่ส่วนที่แต่ละฝ่ายเห็นจะไม่เปิดเผยอะไร MPC แข็งแกร่งในเชิงคณิตศาสตร์ แต่เพิ่มภาระการสื่อสารระหว่างฝ่ายต่าง ๆ ซึ่งทำให้เกิดดีเลย์

Zero-Knowledge Proofs (ZKPs) ช่วยให้ผู้พิสูจน์สามารถแสดงว่ามีการคำนวณเกิดขึ้นอย่างถูกต้อง โดยไม่ต้องเปิดเผยอินพุต เมื่อนำมาใช้กับอินเฟอเรนซ์ของ AI ZKP จะช่วยให้โหนดพิสูจน์ได้ว่ามันรันโมเดลเฉพาะบนข้อมูลของคุณ และคืนผลลัพธ์ที่ถูกต้อง โดยที่คุณไม่จำเป็นต้องเชื่อใจโหนดหรือเห็นขั้นตอนภายใน ZK inference ยังอยู่ในช่วงเริ่มต้น ระบบที่ใช้จริงส่วนใหญ่ยังจำกัดกับโมเดลขนาดเล็ก เพราะการสร้าง proof สำหรับโครงข่ายประสาทขนาดใหญ่นั้นช้ามาก

เครือข่าย Privacy AI ในโลกจริงส่วนใหญ่ใช้การผสมผสานของหลายแนวทาง TEE จะจัดการโหลดอินเฟอเรนซ์แบบเรียลไทม์ส่วนใหญ่เพื่อความเร็ว ขณะที่ ZKP หรือ commitment ทางคริปโตจะใช้สำหรับการยืนยันบนเชน

Also Read: Pudgy Penguins Token Rallies On $5.3B Manchester City Deal

โครงสร้างเครือข่ายของ Venice Token

Venice เป็นแพลตฟอร์ม AI ที่ส่งคำขออินเฟอเรนซ์ผ่านเครือข่ายผู้ให้บริการ GPU แบบกระจายศูนย์ โดยฝังการรักษาความเป็นส่วนตัวไว้ในดีไซน์

ผู้ใช้โต้ตอบกับโมเดล AI ผ่านอินเทอร์เฟซของ Venice แต่การประมวลผลมาจากผู้ให้บริการโหนดอิสระ ไม่ใช่ดาต้าเซ็นเตอร์ที่บริษัทเป็นเจ้าของ

โทเค็น VVV อยู่ใจกลางดีไซน์นี้ในสองมิติ

ขั้นแรก มันทำหน้าที่เป็นสินทรัพย์สำหรับการ staking ผู้ให้บริการโหนดจะ stake VVV เพื่อแสดงการมีส่วนร่วมและมี “skin in the game” สำหรับพฤติกรรมที่ซื่อสัตย์

โหนดที่ถูกจับได้ว่าป้อนผลลัพธ์ที่ไม่ถูกต้องหรือมีการดัดแปลงเสี่ยงต่อการถูก slashing หมายถึงส่วนหนึ่งของโทเค็นที่ stake ไว้อาจถูกทำลาย สิ่งนี้ทำให้แรงจูงใจทางการเงินของผู้ให้บริการโหนดสอดคล้องกับความซื่อตรงของเครือข่าย

ประการที่สอง VVV ใช้ควบคุมการเข้าถึงความสามารถด้านอินเฟอเรนซ์ ผู้ใช้หรือผู้พัฒนาที่ถือหรือใช้จ่ายโทเค็น VVV จะสามารถใช้ทรัพยากรคอมพิวต์ของเครือข่ายได้

สิ่งนี้สร้างเศรษฐกิจแบบวงปิด: ความต้องการอินเฟอเรนซ์ของ AI ผลักดันความต้องการโทเค็น และผู้ถือโทเค็นก็มีส่วนได้ส่วนเสียโดยตรงกับสุขภาพของเลเยอร์คอมพิวต์ที่รองรับอยู่

ตามเอกสารของ Venice เครือข่ายเน้นย้ำว่าไม่มีการจัดเก็บข้อมูลการสนทนา หรือใช้ข้อมูลนั้นเพื่อเทรนโมเดล แตกต่างจากผู้ให้บริการ AI แบบรวมศูนย์ที่มักเก็บข้อมูลไว้เพื่อพัฒนาผลิตภัณฑ์

สถาปัตยกรรมนี้วางผู้ให้บริการ GPU ไว้ตรงแกนกลาง ผู้ให้บริการจะรันอินเฟอเรนซ์ของโมเดลจริง ๆ โดยปกติภายใน TEE หรือภายใต้โปรโตคอลที่ป้องกันไม่ให้พวกเขาบันทึกคำถามของผู้ใช้ ส่วนที่อยู่บนเชนจะบันทึกการ staking เงื่อนไขการ slashing และการชำระเงิน แต่ข้อมูลจริงจะไม่เคยแตะต้องเลเยอร์บัญชีแยกประเภทสาธารณะ มีเพียง proof และ commitment เท่านั้นที่ถูกบันทึก

Also Read: Google Slashes Gemini Ultra By $150 As AI Race Shifts To Pricing

ทำไมเลเยอร์การชำระเงินบนเชนจึงสำคัญต่อความเป็นส่วนตัวของ AI

คำถามที่พบบ่อยคือ ทำไมความเป็นส่วนตัวของ AI ถึงต้องใช้บล็อกเชนด้วย บริการแบบรวมศูนย์ก็อ้างได้ว่ามีอินเฟอเรนซ์แบบส่วนตัวโดยไม่ต้องมีองค์ประกอบบนเชนเลย คำตอบเกี่ยวข้องกับเรื่องความสามารถในการตรวจสอบและการลดการพึ่งพาความเชื่อใจ

เมื่อบริษัทบอกคุณว่าพวกเขาไม่บันทึกพรอมต์ของคุณ คุณจำเป็นต้อง “เชื่อคำพูด” ของเขา แต่เครือข่ายแบบกระจายศูนย์ที่มีการชำระเงินบนเชนจะเปลี่ยนพลวัตดังกล่าวหลายด้าน ผู้ให้บริการโหนดที่ต้องการเข้าร่วมต้องลงทะเบียนบนเชนและ stake โทเค็น เกิดเป็นบันทึกสาธารณะที่ทุกคนตรวจสอบได้ว่าใครกำลังให้บริการอยู่ เงื่อนไขการ slashing ถูกเข้ารหัสไว้ในสมาร์ตคอนแทร็กต์ หมายความว่ากติกาการลงโทษพฤติกรรมไม่เหมาะสมจะไม่สามารถเปลี่ยนแปลงฝ่ายเดียวโดยบุคคลใดบุคคลหนึ่งได้

การรับรองด้วยคริปโตจากฮาร์ดแวร์ TEE สามารถโพสต์บนเชน ทำให้ผู้สังเกตการณ์รายใดก็สามารถตรวจสอบได้ว่าโหนดกำลังรันอยู่ในเอนเคลฟที่ปลอดภัยจริง ณ เวลาที่มีการถามคำถาม สิ่งนี้เปลี่ยนคำกล่าวอ้างเรื่องความเป็นส่วนตัวจาก “นโยบายบริษัท” ไปเป็น “การรับประกันเชิงเทคนิค” ที่หนุนหลังด้วยฮาร์ดแวร์และคณิตศาสตร์

เลเยอร์การชำระเงินยังช่วยจัดการการจ่ายเงินโดยไม่ให้ผู้ให้บริการทราบตัวตนคุณ ผู้ใช้สามารถจ่ายค่าบริการอินเฟอเรนซ์ผ่านคริปโตวอลเล็ตที่ไม่ผูกกับตัวตนในโลกจริง รักษาระดับของนามแฝงที่การจ่ายเงินด้วยบัตรเครดิตให้บริการ AI แบบรวมศูนย์ไม่สามารถจัดให้ได้

Also Read: Privacy Coins Catch A Bid: Dash Open Interest Surges 49% Overnight

ภูมิทัศน์การแข่งขันรอบนอก Venice

Venice ไม่ใช่โปรเจกต์เดียวที่สร้างในพื้นที่นี้ และการเข้าใจภาพรวมช่วยให้เห็นว่าอะไรคือของใหม่จริง ๆ กับอะไรที่เป็นเพียงการตลาด

Bittensor (TAO) ใช้วิธีที่แตกต่างออกไป สถาปัตยกรรมของมันมุ่งเน้นไปที่การให้รางวัลนักขุดที่รันโมเดล AI ตามคุณภาพของผลลัพธ์ ซึ่งตรวจสอบโดยเครือข่ายของตัวตรวจสอบ (validator) ความเป็นส่วนตัวไม่ใช่เป้าหมายการออกแบบหลักของ Bittensor แต่การกระจายศูนย์ของมันสร้างแรงต้านเชิงโครงสร้างต่อการจับข้อมูลแบบรวมศูนย์ โมเดล subnet คอมพิวต์ของ Bittensor ได้รับความสนใจในปีนี้ ขณะที่โทเค็น TAO พุ่งขึ้น

Ritual เป็นเลเยอร์โครงสร้างพื้นฐานที่เน้นการนำอินเฟอเรนซ์ AI แบบตรวจสอบได้มาเชื่อมกับสมาร์ตคอนแทร็กต์ มากกว่าผู้ใช้ปลายทาง โมเดลของมันมุ่งเป้าไปที่นักพัฒนาที่ต้องการเรียกฟังก์ชัน AI จากสมาร์ตคอนแทร็กต์ และได้รับผลลัพธ์ที่ยืนยันได้ด้วยคริปโตกราฟี

Gensyn มุ่งไปที่ฝั่งการเทรนโมเดล AI มากกว่าฝั่งอินเฟอเรนซ์ โดยสร้างเครือข่ายแบบกระจายศูนย์สำหรับงานเทรนโมเดล ความเป็นส่วนตัวในการเทรนมีข้อกำหนดต่างจากความเป็นส่วนตัวในการอินเฟอเรนซ์ และมักถูกมองเป็นสองปัญหาที่แยกจากกัน

สิ่งที่ทำให้ Venice และเครือข่ายอินเฟอเรนซ์แบบส่วนตัวล้วน ๆ อื่น ๆ แตกต่าง คือเลเยอร์แอปพลิเคชันที่หันหน้าเข้าหาผู้บริโภค แทนที่จะขายโครงสร้างพื้นฐานให้กับนักพัฒนาเพียงอย่างเดียว พวกเขาสร้างอินเทอร์เฟซที่ให้ผู้ใช้ทั่วไปโต้ตอบกับ AI ขณะที่การรับประกันด้านความเป็นส่วนตัวทำงานอยู่เบื้องหลังอย่างโปร่งใส

Also Read: Bitcoin Miners Are Pivoting To AI Infrastructure, And The Numbers Are Starting To Show

ข้อจำกัดจริงที่เครือข่ายเหล่านี้เผชิญอยู่ตอนนี้

เครือข่าย AI แบบส่วนตัวแก้ปัญหาที่มีอยู่จริง แต่การมองภาพเทคโนโลยีในปัจจุบันอย่างไม่เข้าข้างตัวเองก็สำคัญเช่นกัน

ความเป็นส่วนตัวแบบใช้ TEE ยังมีพื้นผิวโจมตีที่มีนัยสำคัญ งานวิชาการที่เผยแพร่แล้วหลายชิ้นแสดงให้เห็นการโจมตีแบบ side-channel ต่อ SGX enclave ซึ่งผู้โจมตีที่ควบคุมเครื่องโฮสต์สามารถอนุมานข้อมูลเกี่ยวกับสิ่งที่เกิดขึ้นภายในเอนเคลฟ จากรูปแบบการเข้าถึงหน่วยความจำ ความแปรปรวนของเวลา หรือการใช้พลังงาน Hardware ผู้ผลิตฮาร์ดแวร์จะแก้ไขช่องโหว่เหล่านี้ไปตามเวลา แต่โมเดลภัยคุกคามยังไม่ถูกปิดอย่างสมบูรณ์

ขนาดของโมเดลเป็นข้อจำกัดอีกประการหนึ่ง การรันโมเดลระดับแนวหน้าขนาดใหญ่ เช่น รุ่น 70 พันล้านพารามิเตอร์หรือ 400 พันล้านพารามิเตอร์ภายใน TEE นั้นไม่ใช่เรื่องที่ทำได้จริงด้วยฮาร์ดแวร์ปัจจุบัน เครือข่ายอย่าง Venice มักนำเสนอโมเดลโอเพนซอร์ส เช่น ตระกูล Llama ของ Meta หรือเวอร์ชันต่าง ๆ ของ Mistral ซึ่งมีศักยภาพสูงแต่ยังไม่เทียบเท่ากับโมเดลปิดขนาดใหญ่ที่สุดจากห้องปฏิบัติการระดับแนวหน้า ผู้ใช้ที่ต้องการความสามารถล้ำสมัยอาจมองว่าการแลกความเป็นส่วนตัวนั้นไม่คุ้ม หากต้องยอมรับโมเดลที่อ่อนกว่าด้วย

ความหน่วง (latency) เป็นข้อจำกัดลำดับที่สาม การส่งงาน inference ผ่านเครือข่ายแบบกระจายศูนย์ของผู้ให้บริการ GPU การจัดการ attestation และการเคลียร์ธุรกรรมการชำระเงิน ล้วนเพิ่ม overhead เมื่อเทียบกับการเรียก API โดยตรงไปยังบริการแบบศูนย์กลาง สำหรับแอปพลิเคชันเรียลไทม์ เรื่องนี้มีความสำคัญ

ท้ายที่สุด โมเดลทางเศรษฐศาสตร์ยังไม่ได้รับการพิสูจน์ในระดับสเกลจริง เครือข่ายคอมพิวต์ที่ขับเคลื่อนด้วยโทเคนจำเป็นต้องมีผู้ให้บริการมากเพียงพอ เพื่อให้ uptime เชื่อถือได้และมีราคาที่แข่งขันได้ พร้อมกับรักษามาตรฐานคุณภาพในระดับที่ทำให้ผู้ใช้กลับมาอย่างต่อเนื่อง

ไม่มีข้อจำกัดใด ๆ ในเหล่านี้ที่ถึงขั้น “เป็นจุดตาย” โดยจำเป็น แต่ทั้งหมดเป็นข้อจำกัดด้านวิศวกรรมที่แท้จริง ซึ่งต้องได้รับการเปิดเผยอย่างตรงไปตรงมา มากกว่าถูกกลบด้วยภาษาการตลาด

Also Read: Zcash Walks Through The $560 Door It Couldn't Open For Months

ใครกันแน่ที่ “ต้องการ” เครือข่าย AI แบบส่วนตัว

ไม่ใช่ผู้ใช้ AI ทุกคนจะต้องการการทำ inference ที่ปกป้องความเป็นส่วนตัว คนที่ถามแชตบอทหาสูตรอาหารไม่ได้มีปัญหาความเป็นส่วนตัวที่มีนัยสำคัญ แต่กรณีการใช้งานที่การทำ inference แบบส่วนตัวมีความสำคัญนั้นมีจำนวนมากและกำลังเติบโต

อุตสาหกรรมที่ถูกกำกับดูแล (regulated industries) เป็นกลุ่มเป้าหมายที่ชัดเจน ทนายที่ถาม AI เกี่ยวกับกลยุทธ์คดี แพทย์ที่ใช้ AI ช่วยวินิจฉัย หรือวิเคราะห์การเงินที่ใช้ AI กับข้อมูลการเทรดเชิงลับ ล้วนเผชิญกับพันธะทางกฎหมายและทางหน้าที่ (fiduciary) เกี่ยวกับการรักษาความลับของข้อมูล ข้อกำหนดการใช้บริการของผู้ให้บริการ AI แบบศูนย์กลางอาจไม่เพียงพอต่อพันธะเหล่านั้น เครือข่ายที่ให้การรับรองด้วยฮาร์ดแวร์ว่าคำถามใด ๆ จะไม่ถูกบันทึกไว้ ย่อมเปลี่ยนสมการการตัดสินใจ

บุคคลที่ให้ความสำคัญกับความเป็นส่วนตัว เป็นอีกกลุ่มหนึ่ง นักข่าวที่ต้องปกป้องแหล่งข่าว นักเคลื่อนไหวในสภาพแวดล้อมทางการเมืองที่เข้มงวด หรือใครก็ตามที่ไม่ต้องการให้กิจกรรมทางปัญญาของตนเองถูกบริษัทเทคโนโลยีทำโปรไฟล์ ต่างเป็นผู้ใช้ที่เป็นไปได้

นักพัฒนาที่สร้างแอปพลิเคชัน บนโครงสร้างพื้นฐาน AI เผชิญกับปัญหาเฉพาะ หากพวกเขาส่งคำถามของผู้ใช้ผ่าน API ของ AI แบบศูนย์กลาง พวกเขาย่อมรับความรับผิดชอบต่อความเสี่ยงการรั่วไหลของข้อมูลที่เกิดขึ้นฝั่งผู้ให้บริการ เครือข่าย inference แบบส่วนตัวแบบกระจายศูนย์จะเลื่อนหรือกระจายความเสี่ยงนั้นออกไป

แอปพลิเคชัน on-chain ที่ต้องการใช้ AI ภายในสมาร์ตคอนแทร็กต์จำเป็นต้องมี inference ที่ตรวจสอบได้โดยนิยาม สมาร์ตคอนแทร็กต์ที่เรียกใช้ oracle AI ไม่สามารถทำงานได้อย่างถูกต้อง หากผลลัพธ์อาจถูกดัดแปลงได้ ทำให้การทำ inference ที่ยืนยันด้วย ZK หรือ TEE กลายเป็นข้อกำหนดที่ “ต้องมี” ไม่ใช่แค่ “ควรมี”

Also Read: XRP Builds $270M ETF Lead Over Solana, CLARITY Act May Push It Wider

บทสรุป

เครือข่าย Privacy AI กำลังแก้ปัญหาที่จะยิ่งใหญ่ขึ้นเรื่อย ๆ เมื่อ AI ถูกฝังเข้าไปในเวิร์กโฟลว์ที่อ่อนไหวมากขึ้น

ผู้ให้บริการ GPU แบบกระจายศูนย์ enclave ที่ปลอดภัยด้วยฮาร์ดแวร์ การรับรองด้วยวิธีการเข้ารหัส และการจัดแรงจูงใจด้วยโทเคน ล้วนรวมกันเป็นโครงสร้างพื้นฐานประเภทใหม่ ซึ่งแตกต่างอย่างมีนัยสำคัญจากการโฮสต์โมเดลโอเพนซอร์สบนเซิร์ฟเวอร์ของคุณเองเฉย ๆ

สภาพเทคโนโลยีในปัจจุบันยังมีการแลกเปลี่ยนที่ต้องยอมรับจริง ๆ

ระบบที่ใช้ TEE มีพื้นผิวการโจมตีด้านฮาร์ดแวร์ ZK inference ยังไม่สามารถใช้งานได้จริงกับโมเดลขนาดใหญ่ เครือข่ายแบบกระจายศูนย์เพิ่มทั้งความหน่วงและความไม่แน่นอนทางเศรษฐกิจ

ข้อจำกัดเหล่านั้นยังไม่มีข้อใดที่ถูกแก้ไขจนหมด ผู้ใดที่ลงทุนในโทเคนในพื้นที่นี้ควรเข้าใจช่องว่างด้านวิศวกรรมที่ยังคงอยู่ระหว่างวิสัยทัศน์กับระบบที่ใช้จริงในการผลิต ณ ตอนนี้

สิ่งที่ทำให้แนวโน้มนี้น่าจับตาคือ “ทิศทาง” ที่กำลังเดินไป

ฮาร์ดแวร์ TEE ดีขึ้นในแต่ละเจนเนอเรชันของชิป การสร้าง ZK proof กำลังเร็วขึ้นเมื่อฮาร์ดแวร์เฉพาะทางและอัลกอริทึมที่ดีกว่าออกมา เครือข่ายคอมพิวต์แบบกระจายศูนย์กำลังดึงดูดผู้ให้บริการมากขึ้นตามแรงจูงใจจากโทเคน

ช่องว่างระหว่าง inference แบบส่วนตัวกับ inference แบบศูนย์กลางระดับแนวหน้าอาจไม่ปิดลงชั่วข้ามคืน — แต่กำลังแคบลงเรื่อย ๆ

Bitcoin (BTC) แสดงให้เห็นว่าการโอนมูลค่าแบบ peer-to-peer ที่ไม่ต้องเชื่อใจตัวกลางสามารถเข้ามาแทนที่สถาบันการเงินสำหรับเรื่อง “เงิน” ได้

เครือข่าย Privacy AI กำลังยื่นข้ออ้างที่คล้ายกันนี้สำหรับ “การคำนวณ” เอง