隐私保护

本文讨论了数字身份验证的问题，分析了英国政府强制推行数字身份的潜在风险，并介绍了欧盟开放数字钱包的方法。文章重点介绍了如何使用BBS签名和JavaScript集成WASM，以实现政府对身份属性的签名，并允许公民选择性地展示身份信息的特定部分，从而保护隐私。最后提供了一个使用WASM和JavaScript创建BBS+签名的示例。

Anoma 是一种创新的区块链，旨在实现私密且资产无关的交易，提供零知识隐私保护和多方交换能力。文章详细讨论了 Anoma 的关键组成部分及其在私密资产转移方面的应用，包括单种资产与多种资产的交易、以及 N 方之间的交换，强调了其对个体金融隐私和自主权的促进作用。还有对其背后的动机和愿景的深刻分析，以及团队的信息。

本文探讨了两种保护隐私的机器学习方法：同态加密和联邦学习，并将其应用于欺诈检测。同态加密允许在加密数据上进行计算，而无需解密；联邦学习则允许多方在不共享原始数据的情况下协同训练模型。文章介绍了使用这两种技术进行信用卡欺诈检测的实践案例，包括使用OpenFHE库和联邦学习系统Starlit。

本文概述了区块链领域中多种不同的设计思路，包括Cardano的扩展UTXO模型，Ripple的信任共识机制，Avalanche的雪崩协议，Monero的隐私保护技术以及Polygon的侧链方案。每种设计方案都在去中心化、安全性、效率和隐私等方面做出了不同的权衡。

本文介绍了如何使用 Concrete ML 构建一个端到端加密的类似于 23andMe 的基因测试应用程序。文章重点介绍了 Zama Bounty Program Season 5 中两个获胜的解决方案，它们都使用了全同态加密（FHE）来保护敏感的 DNA 数据，并对这两种方案的实现原理、精度和性能进行了分析，展示了 FHE 在保护个人身份信息（PII）方面的价值。

Concrete ML v1.5版本发布，引入了新的DataFrame API，支持在加密存储的数据上工作，并增加了加速神经网络的新选项，速度可提高2-3倍。同时，发布了一个新的演示，展示如何安全地匿名化文本数据，以便在使用ChatGPT查询知识库时不会泄露任何个人身份信息。该版本旨在推动隐私保护的机器学习和加密协作。

Concrete ML v1.8 发布，主要改进了LLM混合微调的速度和可用性，通过优化的FHE后端和新的低秩逼近API，实现了在加密数据上进行隐私保护的LLM微调。该版本还支持Python 3.12，提供了一个更高效的LLM微调API，并利用GPU加速编译模型的评估过程，降低了成本和延迟。

本文介绍了Zama Bounty Program Season 7的获奖方案，该方案使用全同态加密（FHE）和Concrete ML实现了加密图像的隐形水印。该方案包含一个编码器神经网络（用于嵌入水印）和一个解码器神经网络（用于提取水印）。文章还讨论了该方案的性能和水印提取方法，以及其在版权保护、身份验证和篡改检测等方面的应用潜力。

本文介绍了Zama的FHE State OS，这是一个基于区块链的IT基础设施，旨在通过全同态加密保护公民隐私，同时管理税收、公共支出等政府职能。文章还讨论了使用FHE构建的几个应用案例，包括：加密的ERC-20 token，使用加密投票的DAO，以及去中心化身份系统。

Zama宣布与摩根大通的Kinexys合作，成功完成了基于全同态加密（FHE）技术的概念验证项目，该项目专注于金融领域的隐私保护。通过fhEVM，实现了在以太坊智能合约上的加密交易，确保投资者在基金认购、二级市场交易、原子结算和KYC/AML合规等场景中的数据隐私和安全。

新加坡国立大学（NUS）的一组计算机科学学生在 TikTok TechJam 2024 上使用 Zama 的 Concrete ML 和全同态加密 (FHE) 技术，开发了一个广告服务系统，展示了 FHE 如何为在线广告开创一个尊重隐私的新时代。该项目名为 AnonymousAds，旨在保护用户隐私的前提下，实现个性化广告投放。

本文介绍了Aleo区块链平台及其上的Leo编程语言，Leo专注于开发具有强大隐私性的应用程序。文章详细阐述了Leo语言的基础知识，包括其语法、记录模型以及与链上状态的交互方式。此外，文章还探讨了Aleo程序中可能存在的潜在漏洞，例如整数溢出、未防护的程序初始化、Record的消费限制以及函数中信息泄露，并提供了避免这些漏洞的最佳实践。

Nevermined 是一个创新的数据生态系统平台，旨在激励数据协作并支持洞察驱动的企业。它结合了 Web3.0 技术、联邦学习框架及隐私保护技术，提供数据共享、数据货币化及数据治理的综合解决方案，以应对快速变化的商业环境和日益增长的合规需求。

本文深入探讨了零知识AI（ZKAI）如何利用零知识证明（ZKP）、可信执行环境（TEE）和区块链验证，实现无需信任且保护隐私的AI部署。文章详细介绍了ZKML在保护隐私AI计算中的作用，区块链作为AI模型验证器，TEE在AI安全中的应用，以及ZKAI在Web3、DeFi和去中心化身份中的实际应用，并展望了去中心化AI代理的未来。

文章分析了零知识证明（ZK）技术的发展现状，将其与2014-2016年的人工智能发展阶段类比，指出了ZK技术在隐私保护、计算完整性、可扩展性和信任最小化方面的价值，并重点介绍了zkVMs（零知识虚拟机）在降低ZK技术门槛、推动其主流应用方面的关键作用。文章认为，早期投资ZK生态系统，特别是zkVMs和开发者基础设施，具有类似早期AI投资的潜力。