V神 แชร์: ฉันสร้างสภาพแวดล้อมการทำงานของ AI แบบโฮสต์ในเครื่องทั้งหมด ลับเป็นส่วนตัว และควบคุมได้ด้วยตัวเองอย่างไร

Vitalik Buterin เสนอกรอบสถาปัตยกรรมสำหรับการใช้งาน AI แบบรันในเครื่อง โดยเน้นความเป็นส่วนตัว ความปลอดภัย และอำนาจอธิปไตยของตนเอง พร้อมเตือนถึงความเสี่ยงที่อาจเกิดขึ้นจาก AI Agent

ผู้ก่อตั้ง Ethereum อย่าง Vitalik Buterin เมื่อวันที่ 2 เมษายน ได้เผยแพร่บทความยาวบนเว็บไซต์ส่วนตัว โดยแบ่งปันสภาพแวดล้อมการทำงานด้าน AI ที่เขาสร้างขึ้นโดยยึดความเป็นส่วนตัว ความปลอดภัย และอำนาจอธิปไตยของตนเองเป็นหลัก—การอนุมานของ LLM ทั้งหมดทำงานในเครื่อง การจัดเก็บไฟล์ทั้งหมดเก็บไว้ในเครื่อง และระบบถูกแซนด์บ็อกซ์อย่างครอบคลุม โดยตั้งใจหลีกเลี่ยงโมเดลบนคลาวด์และ API ภายนอก

ตอนต้นบทความ เขาเตือนก่อนว่า：「โปรดอย่าเพียงคัดลอกเครื่องมือและเทคโนโลยีที่บทความนี้บรรยาย แล้วสมมติว่ามันปลอดภัย นี่เป็นเพียงจุดเริ่มต้น ไม่ใช่คำอธิบายของงานที่เสร็จสมบูรณ์」

ทำไมถึงเขียนบทความนี้ตอนนี้? ปัญหาความปลอดภัยของ AI agent ถูกประเมินต่ำเกินไป

Vitalik ชี้ให้เห็นว่า ในช่วงต้นปีนี้ AI ได้เปลี่ยนผ่านสำคัญจาก「แชตบอต」ไปสู่「agent」—คุณไม่ได้แค่ถามคำถามอีกต่อไป แต่เป็นการมอบหมายงาน ทำให้ AI คิดเป็นเวลานาน เรียกใช้เครื่องมือหลายร้อยชิ้นเพื่อทำงาน เขายกตัวอย่าง OpenClaw (ซึ่งในตอนนี้เป็น repo ที่เติบโตเร็วที่สุดในประวัติ GitHub) และยังระบุถึงประเด็นความปลอดภัยหลายข้อที่นักวิจัยได้บันทึกไว้ด้วย:

• AI agent สามารถแก้ไขการตั้งค่าที่สำคัญได้โดยไม่จำเป็นต้องมีการยืนยันจากมนุษย์ รวมถึงการเพิ่มช่องทางการสื่อสารใหม่ และการแก้ไข system prompt
• การประมวลผลอินพุตภายนอกที่เป็นอันตรายใด ๆ (เช่น เว็บไซต์ที่เป็นอันตราย) อาจทำให้ agent ถูกควบคุมโดยสมบูรณ์ได้ ในเดโมครั้งหนึ่งของ HiddenLayer นักวิจัยให้ AI สรุปชุดหนึ่งของหน้าเว็บ ซึ่งมีหน้าเว็บที่สั่งให้ agent ดาวน์โหลดและรันสคริปต์ shell แฝงอยู่
• ชุดทักษะของบุคคลที่สามบางส่วน (skills) อาจรั่วไหลข้อมูลแบบเงียบ ๆ โดยใช้คำสั่ง curl เพื่อส่งข้อมูลไปยังเซิร์ฟเวอร์ภายนอกที่ผู้เขียนทักษะควบคุม
• ในชุดทักษะที่พวกเขาวิเคราะห์ ประมาณ 15% มีคำสั่งที่เป็นอันตราย

Vitalik เน้นย้ำว่า จุดยืนของเขาเกี่ยวกับความเป็นส่วนตัวแตกต่างจากนักวิจัยความปลอดภัยทางไซเบอร์แบบดั้งเดิม：「ฉันมาจากมุมมองที่รู้สึกหวาดกลัวอย่างลึกซึ้งต่อการที่เอาชีวิตส่วนตัวทั้งหมดของฉันไปป้อนให้ AI บนคลาวด์—ตรงเวลาที่การเข้ารหัสแบบ end-to-end และซอฟต์แวร์ที่ให้ความสำคัญกับการทำงานในเครื่องในที่สุดก็กลายเป็นกระแสหลัก เราอาจกำลังถอยหลังไปสิบก้าว」

เป้าหมายความปลอดภัยห้าประการ

เขากำหนดกรอบเป้าหมายความปลอดภัยไว้อย่างชัดเจน:

• ความเป็นส่วนตัวของ LLM: ในสถานการณ์ที่เกี่ยวข้องกับข้อมูลส่วนบุคคล ให้ลดการใช้โมเดลบนระยะไกลให้มากที่สุด
• ความเป็นส่วนตัวอื่น ๆ: ลดการรั่วไหลของข้อมูลที่ไม่ใช่ LLM ให้เหลือน้อยที่สุด (เช่น คำค้นหา ข้อมูลผ่าน API ออนไลน์อื่น ๆ)
• การหลุดออกจาก LLM (LLM jailbreak): ป้องกันไม่ให้คอนเทนต์ภายนอก「เจาะเข้ามา」ใน LLM ของฉัน ทำให้มันฝ่าฝืนผลประโยชน์ของฉัน (เช่น การส่งโทเคนของฉัน หรือข้อมูลส่วนตัวของฉัน)
• LLM ที่ไม่คาดคิด: ป้องกันไม่ให้ LLM ส่งข้อมูลส่วนตัวไปยังช่องทางที่ผิด หรือเปิดเผยต่อสาธารณะบนอินเทอร์เน็ตโดยไม่ตั้งใจ
• LLM backdoor: ป้องกันกลไกที่ซ่อนอยู่ซึ่งถูกฝึกให้เข้าไปในโมเดลโดยเจตนา เขาเตือนเป็นพิเศษว่า: โมเดลแบบเปิดคือการเปิดน้ำหนัก (open-weights) และแทบไม่มีโมเดลไหนที่เป็นซอร์สโค้ดแบบเปิดจริง (open-source)

ตัวเลือกฮาร์ดแวร์: แล็ปท็อป 5090 ชนะ DGX Spark ทำได้ไม่ดีเท่าที่คาดหวัง

Vitalik ทดสอบการตั้งค่าฮาร์ดแวร์สำหรับการอนุมานภายในเครื่องสามแบบ โดยใช้ Qwen3.5:35B เป็นหลัก ประกอบกับ llama-server และ llama-swap:

ข้อสรุปของเขาคือ: ต่ำกว่า 50 tok/sec ช้าเกินไป 90 tok/sec คือเหมาะที่สุด ประสบการณ์บน NVIDIA 5090 แล็ปท็อปลื่นไหลที่สุด; ตอนนี้ AMD ยังมีปัญหาขอบเขตมากกว่า แต่มีแนวโน้มจะดีขึ้นในอนาคต แม้เครื่อง MacBook ระดับสูงก็เป็นตัวเลือกที่ใช้ได้เหมือนกัน แต่ส่วนตัวเขายังไม่ได้ลองด้วยตัวเอง

เกี่ยวกับ DGX Spark เขาพูดตรง ๆ แบบไม่เกรงใจว่า：「ถูกบรรยายว่าเป็น ‘ซูเปอร์คอมพิวเตอร์ AI สำหรับเดสก์ท็อป’ แต่ในความเป็นจริง tokens/sec ต่ำกว่า GPU ของแล็ปท็อปที่ดีกว่า และยังต้องไปจัดการรายละเอียดเพิ่มเติม เช่น การเชื่อมต่อเครือข่าย—นี่มันแย่มาก」 คำแนะนำของเขาคือ: หากจ่ายไม่ไหวสำหรับแล็ปท็อประดับสูง ก็ให้ร่วมกันซื้อเครื่องที่ทรงพอในหมู่เพื่อน นำไปวางในสถานที่ที่มี IP แบบคงที่ แล้วทุกคนใช้การเชื่อมต่อระยะไกลใช้งาน

ทำไมปัญหาความเป็นส่วนตัวของ AI แบบรันในเครื่องถึงเร่งด่วนยิ่งกว่าที่คุณคิด

บทความของ Vitalik นี้สอดคล้องกับประเด็นที่น่าติดตามกับการหารือเรื่องความปลอดภัยของ Claude Code ที่เปิดตัวในวันเดียวกัน—เมื่อ AI agent เข้าสู่เวิร์กโฟลว์การพัฒนาในชีวิตประจำวัน ปัญหาความปลอดภัยก็เริ่มเปลี่ยนจากความเสี่ยงเชิงทฤษฎีไปสู่ภัยคุกคามที่เป็นจริง

สาระสำคัญของเขาชัดเจนมาก: ในช่วงที่เครื่องมือ AI แข็งแกร่งขึ้นเรื่อย ๆ และยิ่งสามารถเข้าถึงข้อมูลส่วนบุคคลและสิทธิ์ในระบบของคุณได้มากขึ้นเรื่อย ๆ，「การทำงานในเครื่องก่อน, การแซนด์บ็อกซ์, และความไว้ใจขั้นต่ำ」ไม่ใช่ความหวาดระแวง แต่เป็นจุดเริ่มต้นที่มีเหตุผล

• บทความนี้ได้รับอนุญาตให้ทำการนำมาเผยแพร่ซ้ำจาก：《链新闻》
• ชื่อบทความต้นฉบับ：《Vitalik：ฉันสร้างสภาพแวดล้อมการทำงานของ AI แบบทำงานในเครื่องทั้งหมด เป็นส่วนตัว และควบคุมได้เองอย่างไร》
• ผู้เขียนบทความต้นฉบับ：Elponcrab