Vitalik Buterin testuje prywatność w AI. Lokalny model, zkAPI i Tor mają swoje granice

Vitalik Buterin opisał eksperyment mający ograniczyć ilość prywatnych danych przekazywanych zewnętrznym modelom sztucznej inteligencji. Celem testu było uzyskanie spersonalizowanych zaleceń dotyczących diety i ćwiczeń na podstawie lokalnych informacji o zdrowiu i podróżach. Zamiast wysyłać pełną historię do komercyjnego API, Buterin zastosował układ złożony z lokalnego modelu, systemu płatności zkAPI oraz sieci Tor.

Rolę pośrednika pełnił lokalnie uruchomiony model Qwen. Jego zadaniem była selekcja danych i tworzenie zwięzłych, przeredagowanych zapytań do mocniejszych, zewnętrznych modeli, które odpowiadały wyłącznie na wybrane pytania wymagające większych zdolności wnioskowania. W ten sposób zdalny dostawca nie otrzymywał całego profilu użytkownika ani jego oryginalnych sformułowań.

Co chronią poszczególne warstwy

Układ Buterina dzieli ochronę prywatności na trzy osobne elementy:

• Treść zapytania: lokalny model decyduje, jakie szczegóły są niezbędne, i wysyła zewnętrznemu dostawcy jedynie wycinek informacji. Zewnętrzny system nadal jednak widzi otrzymany prompt i może go przetwarzać.
• Tożsamość płatnika: protokół zkAPI oddziela opłatę od konkretnego zapytania za pomocą dowodów z wiedzą zerową. Usługa otrzymuje płatność bez możliwości powiązania jej z tożsamością czy kontem bankowym użytkownika, ale system nie szyfruje samej treści promptu przed dostawcą AI.
• Tożsamość sieciowa: ruch przekierowany przez sieć Tor ma ukrywać adres IP wywołującego. Rozwiązanie to nie zapewnia jednak pełnej anonimowości – metadane sieciowe oraz czas przesyłania ruchu mogą być nadal obserwowalne.

W repozytorium zkAPI pojawiła się propozycja obsługi połączeń przez Tor w postaci pull requesta. Rozwiązanie zakłada tworzenie nowej tożsamości sieciowej dla pojedynczego zapytania lub na początku rozmowy, podczas gdy kolejne wiadomości w ramach tej samej konwersacji korzystają z już nawiązanego połączenia. W momencie publikacji opisu zmiana pozostawała jednak niescalonym wnioskiem w kodzie projektu.

Koszty wydajności i utrata kontekstu

Test ujawnił wyraźne kompromisy techniczne. Pierwszym problemem okazał się czas reakcji: opóźnienia wprowadzane przez sieć Tor były od 10 do 100 razy większe, niż Buterin uznał za akceptowalne w codziennym użyciu. Sam lokalny model generował tekst z prędkością około 20–30 tokenów na sekundę, podczas gdy według autora eksperymentu komfortowa praca wymagałaby ponad 100 tokenów na sekundę.

Drugim ograniczeniem jest jakość samych rekomendacji. Im mocniej lokalny model ogranicza i filtruje kontekst wysyłany na zewnątrz, tym trudniej modelowi zdalnemu udzielić precyzyjnej i użytecznej odpowiedzi. Zbyt agresywne ukrywanie szczegółów prowadzi do ogólnikowych porad.

Eksperyment pozostaje jedynie jednostkowym testem koncepcji. Buterin nie opublikował danych źródłowych, szczegółowej treści wygenerowanych zaleceń ani niezależnej oceny ich trafności medycznej czy dietetycznej.