V 神 แบ่งปัน: ฉันจะสร้างสภาพแวดล้อมการทำงานของ AI แบบครบวงจรในเครื่องทั้งหมด ปลอดการเปิดเผย ความเป็นส่วนตัว และควบคุมได้ด้วยตนเองได้อย่างไร

Vitalik Buterin เสนอสถาปัตยกรรม AI ที่รันในเครื่อง โดยเน้นความเป็นส่วนตัว ความปลอดภัย และอธิปไตยของตนเอง พร้อมเตือนถึงความเสี่ยงที่อาจเกิดขึ้นจาก AI Agent

ผู้ก่อตั้ง Ethereum Vitalik Buterin เมื่อวันที่ 2 เมษายน ได้เผยแพร่บทความยาวบนเว็บไซต์ส่วนตัว โดยแบ่งปันการตั้งค่าสภาพแวดล้อมการทำงานด้าน AI ที่เขาสร้างขึ้นโดยยึดความเป็นส่วนตัว ความปลอดภัย และอธิปไตยของตนเองเป็นแกนหลัก—การอนุมานของ LLM ทั้งหมดทำงานภายในเครื่อง ไฟล์ทั้งหมดจัดเก็บภายในเครื่อง ระบบถูกแซนด์บ็อกซ์อย่างครอบคลุม และจงใจหลีกเลี่ยงโมเดลบนคลาวด์และ API ภายนอก

ช่วงต้นของบทความ เขาเริ่มต้นด้วยคำเตือนว่า:「โปรดอย่าคัดลอกเครื่องมือและเทคโนโลยีที่บทความนี้บรรยายโดยตรง และอย่าสันนิษฐานว่ามันปลอดภัย นี่เป็นเพียงจุดเริ่มต้น ไม่ใช่คำอธิบายของงานที่เสร็จสมบูรณ์」

ทำไมตอนนี้ถึงเขียนบทความนี้? ปัญหาความปลอดภัยของ AI agent ถูกประเมินต่ำเกินไป

Vitalik ชี้ว่า ในช่วงต้นปีนี้ AI ได้เปลี่ยนผ่านครั้งสำคัญจาก「แชทบอต」ไปสู่「agent」—คุณไม่ได้แค่ถามคำถามอีกต่อไป แต่เป็นการมอบหมายงาน ให้ AI ใช้เวลาคิดนาน ๆ เรียกใช้เครื่องมือเป็นร้อยเพื่อปฏิบัติงาน เขายกตัวอย่าง OpenClaw (ปัจจุบันคือ repo ที่เติบโตเร็วที่สุดในประวัติ GitHub) และยังระบุถึงปัญหาด้านความปลอดภัยหลายประการที่นักวิจัยบันทึกไว้:

• AI agent สามารถแก้ไขการตั้งค่าที่สำคัญได้โดยไม่ต้องมีการยืนยันจากมนุษย์ รวมถึงการเพิ่มช่องทางการสื่อสารใหม่ และการแก้ไข system prompt
• การประมวลผลอินพุตภายนอกที่เป็นอันตราย (เช่น เว็บไซต์ที่เป็นอันตราย) อาจทำให้ agent ถูกยึดครองทั้งหมดได้ ในตัวอย่างจาก HiddenLayer ครั้งหนึ่ง นักวิจัยให้ AI สรุปชุดของเว็บเพจ โดยในนั้นมีหน้าเว็บที่สั่งให้ agent ดาวน์โหลดและรันสคริปต์ shell ที่เป็นอันตราย
• สกิลของบุคคลที่สามบางส่วน (skills) อาจรั่วไหลข้อมูลอย่างเงียบเชียบ ผ่านคำสั่ง curl โดยส่งข้อมูลไปยังเซิร์ฟเวอร์ภายนอกที่ผู้เขียนสกิลควบคุม
• ในสกิลที่พวกเขาวิเคราะห์ พบว่าประมาณ 15% มีคำสั่งที่เป็นอันตราย

Vitalik เน้นว่า จุดยืนของเขาเกี่ยวกับความเป็นส่วนตัวแตกต่างจากนักวิจัยความปลอดภัยทางไซเบอร์แบบดั้งเดิม:「ผมมาจากจุดยืนที่กลัวอย่างลึกซึ้งที่การนำชีวิตส่วนตัวทั้งหมดของแต่ละคนไปป้อนให้ AI บนคลาวด์—ในขณะที่ทุกอย่างกำลังเดินหน้าก้าวหนึ่งอย่างที่การเข้ารหัสแบบ end-to-end และซอฟต์แวร์ที่เน้นรันในเครื่องในที่สุดก็กลายเป็นกระแสหลักอยู่แล้ว แต่เราอาจถอยหลังไปถึงสิบก้าว」

เป้าหมายด้านความปลอดภัยห้าประการ

เขากำหนดกรอบเป้าหมายด้านความปลอดภัยที่ชัดเจนไว้:

• ความเป็นส่วนตัวของ LLM: ในสถานการณ์ที่เกี่ยวข้องกับข้อมูลความเป็นส่วนตัว ให้ลดการใช้โมเดลระยะไกลให้มากที่สุดเท่าที่เป็นไปได้
• ความเป็นส่วนตัวอื่น ๆ: ลดการรั่วไหลของข้อมูลที่ไม่ใช่ของ LLM ให้เหลือน้อยที่สุด (เช่น คำค้นหา และ API ออนไลน์อื่น ๆ)
• LLM jailbreaking: ป้องกันไม่ให้คอนเทนต์ภายนอก「แทรกเข้าไป」ใน LLM ของฉัน เพื่อทำให้มันขัดกับผลประโยชน์ของฉัน (เช่น ส่งโทเค็นของฉันหรือข้อมูลส่วนตัวของฉัน)
• LLM โดยไม่ตั้งใจ: ป้องกันไม่ให้ LLM ส่งข้อมูลส่วนตัวไปยังช่องทางที่ผิดพลาด หรือเผยแพร่สู่สาธารณะบนอินเทอร์เน็ต
• LLM backdoor: ป้องกันกลไกที่ซ่อนอยู่ซึ่งถูกฝึกให้เข้าไปในโมเดลอย่างจงใจ เขาย้ำเป็นพิเศษ: open model คือ open weights และแทบจะไม่มีโมเดลใดที่เป็น open-source อย่างแท้จริง

การเลือกฮาร์ดแวร์: 5090 แล็ปท็อปชนะ, DGX Spark น่าผิดหวัง

Vitalik ทดสอบการกำหนดค่าฮาร์ดแวร์สำหรับการรันแบบในเครื่องสามแบบ โดยใช้ Qwen3.5:35B เป็นหลัก พร้อม llama-server และ llama-swap:

ข้อสรุปของเขาคือ: ต่ำกว่า 50 tok/sec ช้ามาก, 90 tok/sec คือเหมาะสมที่สุด ประสบการณ์กับ NVIDIA 5090 แล็ปท็อปลื่นไหลที่สุด; ตอนนี้ AMD ยังมีปัญหาอยู่ค่อนข้างมากที่ขอบระบบ แต่มีแนวโน้มว่าจะดีขึ้นในอนาคต เครื่อง MacBook ระดับสูงก็เป็นตัวเลือกที่ใช้ได้เช่นกัน แต่อย่างไรก็ตาม เขาไม่ได้ลองเองแบบตรง ๆ

สำหรับ DGX Spark เขาพูดตรงไปตรงมาว่า:「ถูกบรรยายว่าเป็น『คอมพิวเตอร์ซูเปอร์คอม AI สำหรับเดสก์ท็อป』 แต่ในความเป็นจริง tokens/sec ต่ำกว่าการ์ด GPU ของแล็ปท็อปที่ดีกว่า แถมยังต้องไปจัดการรายละเอียดอย่างการเชื่อมต่อเครือข่ายเพิ่มเติมอีกด้วย—มันแย่มาก」 คำแนะนำของเขาคือ: หากรับภาระค่าใช้จ่ายของแล็ปท็อประดับสูงไม่ไหว ก็ให้ร่วมกันซื้อเครื่องที่ค่อนข้างแรงกับเพื่อน แล้ววางไว้ในสถานที่ที่มี IP คงที่ ให้ทุกคนใช้การเชื่อมต่อระยะไกลจากที่ต่าง ๆ

ทำไมปัญหาความเป็นส่วนตัวของ AI ในเครื่องจึงเร่งด่วนกว่าที่คุณคิด

บทความนี้ของ Vitalik สอดคล้องอย่างน่าสนใจกับการถกเถียงปัญหาความปลอดภัยของ Claude Code ที่เปิดตัวในวันเดียวกัน—ขณะที่ AI agent เข้าสู่วิถีการทำงานด้านการพัฒนาในชีวิตประจำวัน ปัญหาความปลอดภัยก็กำลังค่อย ๆ เปลี่ยนจากความเสี่ยงเชิงทฤษฎีให้กลายเป็นภัยคุกคามในโลกความจริง

ข้อความหลักของเขาชัดเจนมาก: ในยุคที่เครื่องมือ AI ยิ่งทรงพลังขึ้น และยิ่งเข้าถึงข้อมูลส่วนตัวและสิทธิ์การเข้าถึงระบบของคุณได้มากขึ้นเรื่อย ๆ、「ความสำคัญกับการรันในเครื่อง การทำงานแบบแซนด์บ็อกซ์ และความไว้วางใจขั้นต่ำ」ไม่ใช่ความหวาดระแวง แต่เป็นจุดเริ่มต้นที่มีเหตุผล

• บทความนี้ได้รับอนุญาตให้นำมาตีพิมพ์ซ้ำจาก:《鏈新聞》
• ชื่อเรื่องต้นฉบับ:《Vitalik：ฉันสร้างสภาพแวดล้อมการทำงานของ AI แบบรันในเครื่องทั้งหมด เป็นส่วนตัว และควบคุมได้เองอย่างไร》
• ผู้เขียนต้นฉบับ: Elponcrab