Vitalik Buterin 测试三层隐私架构：AI 查询速度与数据保护的权衡

以太坊联合创始人 Vitalik Buterin 近期开展了一项关于 AI 隐私保护的实验，旨在在不**个人数据的前提下获取高质量的个性化建议。该系统利用本地模型协调对远程强大模型的请求，结合提示词优化、zkAPI 支付机制及 Tor 网络路由，分别应对内容泄露、支付关联与网络**三大风险。

实验聚焦于健康与旅行场景，生成饮食和运动建议。尽管远程知识的引入显著提升了建议质量，但 Buterin 指出系统存在响应速度慢、请求间隔离性不足等问题，反映出在隐私保护与服务可用性之间仍需调和。

三层隐私架构的具体实现

Buterin 将本地协调器命名为 Qwen 3.8 Flash Next，其在需要时调用前沿远程模型。一个技能文件（Skill File）指导信息传递策略，确保仅披露必要内容。

**层隐私通过提示词设计实现。本地模型负责构建问题，避免使用可识别特征或独特表达，**远程服务通过语言风格识别用户的风险。

第二层隐私针对支付环节。系统采用 zkAPI，一种基于零知识证明的私有额度机制。用户向金库充值后，通过证明完成支出授权，无需透露身份或账户信息。运行时密钥控制支出上限，签名收据决定实际扣款，支付方仅验证资金有效性，不接触原始提示内容。

第三层隐私由 Tor 网络提供，隐藏用户真实 IP 地址。Buterin 通过在 Tor 环境中运行命令行工具访问 zkAPI，实现支付隐私与网络路由的双重保护。

这一多层设计强调互补性：即使提示词匿名化，支付记录或网络行为仍可能形成链接。以太坊基金会提醒，AI 提供商仍能读取提交的请求内容，重复细节、历史对话或写作风格可能导致会话被关联。

性能瓶颈与隐私权衡的现实挑战

Buterin 表示，虽然融合前沿模型知识带来了更优建议，但系统在多个方面表现受限。首先，Tor 在单个请求间的隔离能力较弱，难以满足高强度隐私需求。

其次，整体延迟比理想状态高出 10 到 100 倍，严重影响用户体验。Qwen 模型当前每秒生成约 20 至 30 个 token，而 Buterin 希望达到每秒 100 以上才能实现流畅交互。

此外，技能文件缺乏智能策略，无法精准判断远程模型应接收哪些信息，导致请求准备环节仍存漏洞。

最深层的矛盾在于：保留的信息越少，远程模型越难生成有用建议。这意味着仅依赖支付与网络隐私，无法弥补背景缺失带来的性能下降，隐私与实用性之间存在不可忽视的平衡难题。

迈向“加密世界计算机”的愿景

该实验呼应了 Buterin 9 月发表的论文，其中他提出将以太坊打造为未来的“加密世界计算机”。其目标是将区块链的安全性与链外密码学隐私、去**化计算及形式化验证深度融合。

他指出，计划于明年推出的 Hegotá 将是**一次常规分叉。后续演进将围绕递归 STARKs、自动形式化验证、共识机制优化及抗量子安全技术展开。

PeerDAS 被视为通往这一愿景的早期实践之一。长远来看，这套架构有望构建出更安全、低成本、高可扩展且具备强隐私保护的计算生态。