أمان الذكاء الاصطناعي المسائل تبرز بشكل متزايد، والتشفير المتماثل بالكامل يصبح الحل
مؤخراً، حقق نموذج الذكاء الاصطناعي المعروف باسم Manus نتائج بارزة في اختبار GAIA، حيث تفوق أداؤه على نماذج اللغة الكبيرة من نفس الفئة. أظهر Manus القدرة على إكمال المهام المعقدة بشكل مستقل، مثل المفاوضات التجارية الدولية، والتي تشمل تحليل العقود، والتخطيط الاستراتيجي، وتطوير الحلول في عدة مراحل. مقارنةً بالأنظمة التقليدية، يتمتع Manus بميزتين واضحتين في تحليل الأهداف الديناميكية، والاستدلال عبر الأنماط، والتعلم المعزز للذاكرة. يمكنه تقسيم المهام الكبيرة إلى مئات من المهام الفرعية القابلة للتنفيذ، بينما يتعامل مع أنواع متعددة من البيانات، ويزيد من كفاءة اتخاذ القرار باستمرار من خلال التعلم المعزز، مما يقلل من معدل الأخطاء.
ظهور Manus أثار مرة أخرى نقاشًا في الصناعة حول مسار تطوير الذكاء الاصطناعي: هل المستقبل يتجه نحو الذكاء الاصطناعي العام (AGI) أم نحو أنظمة متعددة الوكلاء (MAS)؟ هذا يعكس في الواقع التناقض الأساسي حول كيفية تحقيق التوازن بين الكفاءة والأمان في تطوير الذكاء الاصطناعي. كلما اقترب الذكاء الفردي من AGI، أصبحت عملية اتخاذ القرار أقل شفافية، مما يزيد من المخاطر؛ بينما التعاون بين الوكلاء المتعددين يمكن أن يوزع المخاطر، ولكنه قد يفوت الفرص الحاسمة بسبب تأخيرات في الاتصال.
مع تزايد ذكاء أنظمة الذكاء الاصطناعي، تزداد المخاطر الأمنية المحتملة. على سبيل المثال، في مجال الرعاية الصحية، يحتاج الذكاء الاصطناعي إلى الوصول إلى بيانات الجينات الحساسة للمرضى؛ في المفاوضات المالية، قد تتعلق بمعلومات مالية غير معلنة للشركات. بالإضافة إلى ذلك، قد تحتوي أنظمة الذكاء الاصطناعي على انحيازات خوارزمية، مثل تقديم اقتراحات غير عادلة للرواتب لأفراد من مجموعات معينة أثناء عمليات التوظيف. والأكثر خطورة، قد تصبح أنظمة الذكاء الاصطناعي هدفًا لهجمات القراصنة، من خلال زرع إشارات معينة للتأثير على حكمها.
لمواجهة هذه التحديات، اقترح القطاع العديد من استراتيجيات الأمان، حيث يعتبر التشفير المتماثل بالكامل (Fully Homomorphic Encryption، FHE) التقنية الأساسية لحل مشاكل الأمان في عصر الذكاء الاصطناعي. يسمح FHE بإجراء حسابات على البيانات في حالة مشفرة، مما يعني أن أنظمة الذكاء الاصطناعي نفسها لا يمكنها فك تشفير البيانات الأصلية.
على مستوى البيانات، يضمن FHE معالجة جميع المعلومات المدخلة من قبل المستخدمين (بما في ذلك السمات البيولوجية، الصوت، وما إلى ذلك) في حالة مشفرة، مما يمنع بشكل فعال تسرب المعلومات. على مستوى الخوارزمية، يحقق FHE "تدريب نموذج التشفير"، مما يجعل حتى المطورين غير قادرين على التطفل على عملية اتخاذ قرارات الذكاء الاصطناعي. في مجال التعاون بين الوكلاء المتعددين، تضمن تقنية التشفير العتبي أنه حتى إذا تم اختراق عقدة واحدة، فلن يؤدي ذلك إلى تسرب البيانات العالمية.
على الرغم من أن تقنيات أمان Web3 قد لا تكون لها صلة مباشرة بالمستخدمين العاديين، إلا أن لها تأثيراً عميقاً على الجميع. في هذا العالم الرقمي المليء بالتحديات، سيكون من الصعب على المستخدمين حماية حقوقهم إذا لم يتخذوا تدابير أمنية نشطة.
حاليًا، تم استكشاف العديد من المشاريع في مجال أمان Web3. على سبيل المثال، قامت إحدى المشاريع بتنفيذ تقنية FHE على الشبكة الرئيسية بالتعاون مع العديد من شركات التكنولوجيا المعروفة. ومع ذلك، غالبًا ما لا تحظى المشاريع الأمنية بفضل المضاربين، وما إذا كان يمكنها كسر هذه الحالة لتصبح رائدة في مجال الأمان لا يزال بحاجة إلى تحقق الزمن.
مع اقتراب تكنولوجيا الذكاء الاصطناعي من مستوى الذكاء البشري، أصبحت أنظمة الدفاع غير التقليدية أكثر أهمية. لا يمكن لـ FHE فقط معالجة المشكلات الأمنية الحالية، بل إنها تؤسس أيضًا لحقبة الذكاء الاصطناعي القوي في المستقبل. على طريق الوصول إلى الذكاء العام الاصطناعي، لم يعد FHE خيارًا، بل أصبح شرطًا ضروريًا لضمان تطوير آمن للذكاء الاصطناعي.
قد تحتوي هذه الصفحة على محتوى من جهات خارجية، يتم تقديمه لأغراض إعلامية فقط (وليس كإقرارات/ضمانات)، ولا ينبغي اعتباره موافقة على آرائه من قبل Gate، ولا بمثابة نصيحة مالية أو مهنية. انظر إلى إخلاء المسؤولية للحصول على التفاصيل.
تسجيلات الإعجاب 14
أعجبني
14
6
مشاركة
تعليق
0/400
LuckyBlindCat
· 07-29 21:06
هل هذا التشفير موثوق؟ لا أشعر بالثقة فيه.
شاهد النسخة الأصليةرد0
HodlKumamon
· 07-29 21:05
فهمت مياو~ أمان البيانات التشفير هو أكبر درع في المستقبل ديسو
شاهد النسخة الأصليةرد0
ZeroRushCaptain
· 07-29 20:56
شراء الانخفاض أصبح خبيراً في سحب النقود، لا يزال يعيش في وهم السوق الصاعدة
شاهد النسخة الأصليةرد0
NftPhilanthropist
· 07-29 20:50
يو فه هو مثل الإثبات الجديد للأثر لسلامة الذكاء الاصطناعي fr
شاهد النسخة الأصليةرد0
ForkYouPayMe
· 07-29 20:45
منتج آخر من الدعاية الزائفة
شاهد النسخة الأصليةرد0
OnChainDetective
· 07-29 20:42
الأنماط تشير إلى "حل" مفرط في الترويج بصراحة... لقد شاهدت هذا الفيلم من قبل
التشفير المتماثل بالكامل FHE: أمان الذكاء الاصطناعي جديد堡垒
أمان الذكاء الاصطناعي المسائل تبرز بشكل متزايد، والتشفير المتماثل بالكامل يصبح الحل
مؤخراً، حقق نموذج الذكاء الاصطناعي المعروف باسم Manus نتائج بارزة في اختبار GAIA، حيث تفوق أداؤه على نماذج اللغة الكبيرة من نفس الفئة. أظهر Manus القدرة على إكمال المهام المعقدة بشكل مستقل، مثل المفاوضات التجارية الدولية، والتي تشمل تحليل العقود، والتخطيط الاستراتيجي، وتطوير الحلول في عدة مراحل. مقارنةً بالأنظمة التقليدية، يتمتع Manus بميزتين واضحتين في تحليل الأهداف الديناميكية، والاستدلال عبر الأنماط، والتعلم المعزز للذاكرة. يمكنه تقسيم المهام الكبيرة إلى مئات من المهام الفرعية القابلة للتنفيذ، بينما يتعامل مع أنواع متعددة من البيانات، ويزيد من كفاءة اتخاذ القرار باستمرار من خلال التعلم المعزز، مما يقلل من معدل الأخطاء.
ظهور Manus أثار مرة أخرى نقاشًا في الصناعة حول مسار تطوير الذكاء الاصطناعي: هل المستقبل يتجه نحو الذكاء الاصطناعي العام (AGI) أم نحو أنظمة متعددة الوكلاء (MAS)؟ هذا يعكس في الواقع التناقض الأساسي حول كيفية تحقيق التوازن بين الكفاءة والأمان في تطوير الذكاء الاصطناعي. كلما اقترب الذكاء الفردي من AGI، أصبحت عملية اتخاذ القرار أقل شفافية، مما يزيد من المخاطر؛ بينما التعاون بين الوكلاء المتعددين يمكن أن يوزع المخاطر، ولكنه قد يفوت الفرص الحاسمة بسبب تأخيرات في الاتصال.
مع تزايد ذكاء أنظمة الذكاء الاصطناعي، تزداد المخاطر الأمنية المحتملة. على سبيل المثال، في مجال الرعاية الصحية، يحتاج الذكاء الاصطناعي إلى الوصول إلى بيانات الجينات الحساسة للمرضى؛ في المفاوضات المالية، قد تتعلق بمعلومات مالية غير معلنة للشركات. بالإضافة إلى ذلك، قد تحتوي أنظمة الذكاء الاصطناعي على انحيازات خوارزمية، مثل تقديم اقتراحات غير عادلة للرواتب لأفراد من مجموعات معينة أثناء عمليات التوظيف. والأكثر خطورة، قد تصبح أنظمة الذكاء الاصطناعي هدفًا لهجمات القراصنة، من خلال زرع إشارات معينة للتأثير على حكمها.
لمواجهة هذه التحديات، اقترح القطاع العديد من استراتيجيات الأمان، حيث يعتبر التشفير المتماثل بالكامل (Fully Homomorphic Encryption، FHE) التقنية الأساسية لحل مشاكل الأمان في عصر الذكاء الاصطناعي. يسمح FHE بإجراء حسابات على البيانات في حالة مشفرة، مما يعني أن أنظمة الذكاء الاصطناعي نفسها لا يمكنها فك تشفير البيانات الأصلية.
على مستوى البيانات، يضمن FHE معالجة جميع المعلومات المدخلة من قبل المستخدمين (بما في ذلك السمات البيولوجية، الصوت، وما إلى ذلك) في حالة مشفرة، مما يمنع بشكل فعال تسرب المعلومات. على مستوى الخوارزمية، يحقق FHE "تدريب نموذج التشفير"، مما يجعل حتى المطورين غير قادرين على التطفل على عملية اتخاذ قرارات الذكاء الاصطناعي. في مجال التعاون بين الوكلاء المتعددين، تضمن تقنية التشفير العتبي أنه حتى إذا تم اختراق عقدة واحدة، فلن يؤدي ذلك إلى تسرب البيانات العالمية.
على الرغم من أن تقنيات أمان Web3 قد لا تكون لها صلة مباشرة بالمستخدمين العاديين، إلا أن لها تأثيراً عميقاً على الجميع. في هذا العالم الرقمي المليء بالتحديات، سيكون من الصعب على المستخدمين حماية حقوقهم إذا لم يتخذوا تدابير أمنية نشطة.
حاليًا، تم استكشاف العديد من المشاريع في مجال أمان Web3. على سبيل المثال، قامت إحدى المشاريع بتنفيذ تقنية FHE على الشبكة الرئيسية بالتعاون مع العديد من شركات التكنولوجيا المعروفة. ومع ذلك، غالبًا ما لا تحظى المشاريع الأمنية بفضل المضاربين، وما إذا كان يمكنها كسر هذه الحالة لتصبح رائدة في مجال الأمان لا يزال بحاجة إلى تحقق الزمن.
مع اقتراب تكنولوجيا الذكاء الاصطناعي من مستوى الذكاء البشري، أصبحت أنظمة الدفاع غير التقليدية أكثر أهمية. لا يمكن لـ FHE فقط معالجة المشكلات الأمنية الحالية، بل إنها تؤسس أيضًا لحقبة الذكاء الاصطناعي القوي في المستقبل. على طريق الوصول إلى الذكاء العام الاصطناعي، لم يعد FHE خيارًا، بل أصبح شرطًا ضروريًا لضمان تطوير آمن للذكاء الاصطناعي.