Vitalik Buterin 揭示其 AI 实验背后的三大隐私层

关键洞察

Vitalik Buterin 将本地人工智能、zkAPI 和 Tor 网络相结合，以限制个人数据的暴露。本地人工智能的处理速度为每秒 20–30 个 token，低于他期望的每秒超过 100 个 token 的速度。更严格的隐私保护限制了远程 AI 模型可用于提供建议的上下文信息。

Vitalik Buterin 概述了一项利用个人健康和旅行数据进行实验的三个隐私层级。他的目标是在生成个性化饮食和运动建议的同时，限制与强大的远程模型共享的私人信息。

该系统使用本地模型、zkAPI 支付和 Tor 网络来解决服务可能识别他的不同方式。每个方面都在同一工作流程中处理单独的暴露源。本地模型创建请求，zkAPI 解决支付身份识别问题，而 Tor 针对网络信息。

Vitalik Buterin 表示，系统返回了建议，远程模型贡献的信息改善了结果。Buterin 还描述了与速度、请求构建和隐私相关的缺点。这些缺点包括披露个人信息与向远程模型提供足够数据以帮助改进之间的权衡。

Vitalik Buterin 使用本地 AI 准备请求

第一层建立在 Vitalik Buterin 确认为 Qwen 3.8 Flash Next 的本地模型之上。他没有直接发送自己的短语，而是使用该模型为远程系统编写查询。

Vitalik Buterin 在他的 AI 实验中概述了三个隐私层级 / 来源：X

这种方法旨在防止泄露个人细节及其写作中的识别模式。技能文件指导本地模型何时咨询远程模型以及如何最大限度地减少披露的信息。这种安排允许实验利用超出本地模型知识和推理能力之外的功能。同时，本地系统作为更广泛推荐流程的一部分协调这些请求。

Vitalik Buterin 表示，远程模型有助于改善建议，但他发现请求策略远非最优。他还报告称本地处理速度约为每秒 20–30 个 token。为了获得流畅的体验，他希望速度超过每秒 100 个 token。

zkAPI 和 Tor 解决支付和网络身份问题

第二层使用 zkAPI 通过支付验证地址以访问远程模型。相关文档解释说，zkAPI 接受 ETH 或 USDC 存款以覆盖使用成本。此支付选项将测试路由到以太坊加密网络，而人工智能模型则处理规定的程序。然而，仅靠支付隐私并不能解决实验中描述的每个识别渠道。

因此，Buterin 添加了 Tor 作为第三层，以保护与网络和 IP 地址相关的信息。他通过命令行工具访问组合的 zkAPI 和 Tor 设置。总之，这些层解决了请求内容、支付信息和网络身份的问题。Vitalik Buterin 强调，实验需要所有这三种保护措施。尽管如此，他的描述承认，它们的可用性并不意味着每个组件都提供了足够的保护或性能。

隐私限制降低了速度和可用上下文

Tor 带来了特定的困难，因为 Buterin 表示它对个人请求的分离支持不佳。他质疑其隐私保护是否足以实现这一目的。他还描述延迟比直接连接高出 10–100 倍。这种比较关注的是潜在的性能问题，而不是与直接连接的明确测量对比。

除了网络延迟之外，本地模型的处理速度使工作流程比他想要的更慢。根据他的说法，还需要改进请求构建。除了这些技术问题外，实验还暴露了远程模型可利用信息的限制。更谨慎的共享使得这些系统在生成有用建议时拥有较少的上下文。Buterin 报告了一个正常工作的设置，同时指出隐私与效用之间的权衡仍然是一个未解决的约束。