將個人數據喂給黑箱模型並不大膽。

這是設計缺陷。

實現真正的DeAI需求的最快途徑是讓企業和消費者在仍然依賴開放網路的情況下使用敏感數據與AI。模式是：私有輸入，可證明輸出。

醫院、銀行或工作室不會將原始數據傳輸到一個誰也不知道在哪裏托管的模型中。然而，他們會使用加密技術，確保模型永遠不會看到明文。

今天有兩個實用工具：FHE 和 zkML。

@zama_fhe 的 Concrete ML 編譯模型，以便推理的部分直接在加密數據上運行。最近的文檔和發布介紹了加密 LLM 推理和私有文本分類演示。雖然它比明文慢，但它將以前“無法交付”的工作負載轉變爲可部署的工作負載。

同時，zkML讓你在不暴露提示或權重的情況下證明推理發生是正確的。@ezklxyz處理模型到電路的路線；@MinaProtocol的zkML將可驗證的推理帶入zkApps，以便合同可以接受結果，而輸入保持隱藏。你最終得到了私密的提示和公開的驗證，這正是合規組織所需要的。

然而，單靠隱私並不能解決支付或訪問權限的問題。你需要一份任何人都可以檢查的收據。這就是 zkVMs 和 zk 協處理器的作用。@RiscZero 的 Bonsai 提供了一項證明服務和通用驗證器，以便在鏈之間傳遞收據；@SuccinctLabs 的 SP1 專注於性能和多鏈驗證。像 @axiom_xyz 或 @lagrangedev 這樣的協處理器使合同能夠通過微小的證明廉價地消耗大量計算。最終狀態：一個錢包、DAO 或應用程序可以接受你的 AI 結果，而無需重新運行工作或學習你的數據。

底線：當人們能夠使用他們最敏感的數據與人工智能並仍然在公共軌道上結算時，DeAI 獲勝。

使用FHE或私有zkML以確保機密性。
添加ZK收據以進行驗證。
利用去中心化GPU市場實現規模化。