昨日,Nillion 宣布完成最新一轮 2500 万美元融资,总融资额已达到 5000 万美元。本轮融资由 Hack VC 领投,其他投资方包括 Hashkey、Maelstrom、Animoca Brands、Chapter One、Big Brain Holdings、Manifold 等。
Nillion 是一个去中心化的隐私计算网络,技术亮点在于盲计算(Blind Compute)——主要通过多方计算(MPC)来保证数据的隐私性,各方在处理数据时始终看不到数据内容。盲计算让数据在整个计算过程中保持「盲化」,为数据加上「隐身衣」。这种技术适用于高度保密的数据场景,如个性化 AI、医疗分析等。
如今随着 AI 的普及,普通用户将有机会使用数据驱动的个性化服务,享受到原本仅限于定制化和高端需求的专属体验。但这通常需要非常详细的个人数据,包括私人对话、医疗记录等敏感信息。Nillion 的盲计算技术,通过分布式的方式计算数据,并确保数据在 Nillion 网络中以加密掩码的形式存在,密钥仅由用户自己掌控,从而实现数据的私密性和安全性。这种「隐私输入、公开可信」的模式让 AI 可以在不暴露数据的情况下实现无信任运作。
要实现这一点,Nillion 的技术设计需要解决三个关键挑战:性能与隐私的权衡、分布式网络下的信任机制、以及数据安全性与效率的平衡。
核心技术解读:非交互式 MPC 计算
Nillion 的隐私计算主要依赖 MPC。不同于传统的解密—计算—再加密循环操作,MPC 允许多个参与者持有数据的部分加密片段,彼此协作完成计算,而不暴露原始数据。在区块链应用中,MPC 的主要作用是保护私钥安全,通过将私钥分解为多个片段来防止其泄露。
Nillion 的 MPC 协议采用了两阶段的非交互式计算设计,以平衡性能和隐私保护。
预处理阶段:在计算开始之前,Nillion 网络会生成一组掩码,用于隐藏原始输入数据。这些掩码的生成过程独立于具体的输入数据,仅依赖于计算因子和项的数量。每个参与者都会得到与其输入相对应的掩码。确保未来的计算可以在不泄露输入数据的情况下进行。
计算阶段:参与者在获得掩码后,会将掩码与自己的输入数据相结合,形成「掩码数据」或「隐藏数据」。这些掩码数据是经过处理的输入,看起来像随机数据,但仍保留了原始输入的计算特性。接下来,各参与者在本地对这些掩码数据进行计算,整个过程中无需频繁的网络通信,让计算更加高效。同时,由于掩码利用信息理论安全(一种绝对安全的加密方法),让数据即便在统计学意义上也不可见。即使攻击者拥有无限的计算能力,也无法破解其中的原始数据。
此外,Nillion 采用了一种名为 Nil Message Compute(NMC)的协议,实现了无需节点间通信的情况下的分布式计算。通过「粒子化」技术将原始数据分解成多个小片段(粒子)并分发至网络的不同节点。每个节点在接收到粒子后可以独立完成计算,不需要与其他节点交换信息,从而大幅提升了计算速度并减少了网络延迟。
相比 Secret Network、Partisia Blockchain 等其他 MPC 项目,Nillion 的核心优势就是在于这种非交互式的协议设计,高效且安全。像 Secret Network 依赖智能合约实现隐私保护、Partisia 通过去中心化基础设施实现多个参与方的协同计算,它们的适用场景都更偏向 DeFi、DAO 投票系统、跨链数据共享等。Nillion 则更适合应用在个性化 AI 和敏感数据分析等需要精细化隐私保护的场景。
分布式数据安全:有效防止恶意节点
Nillion 在分布式数据安全上的核心问题是如何确保即使存在恶意节点,计算结果依然准确。为此,NMC 协议结合了一次性掩蔽(OTM)和线性秘密共享(LSS)两种加密原语。OTM 通过随机因素掩盖数据的真实信息,LSS用于将数据线性分解成多个片段(分片)并分散存储在不同节点上。每个节点只能访问其持有的单个片段,无法独立还原完整数据。只有通过 NMC 协议,分片数据才能在计算过程中被安全组合,从而实现协同计算。同时,Nillion 还具备精细化的访问控制机制,仅允许经过授权的用户和节点对数据进行读取、修改、删除和计算等操作。
双网络架构更加灵活
Nillion 采用了双网络架构,以支持不同功能的并行运行:
NilChain 网络:负责存储和计算的支付管理。通过智能合约来协调和处理与存储数据及执行计算相关的支付操作,NilChain 侧重支付的分布式处理,以快速结算和高效确认。
Petnet 网络:专注于加密数据的安全存储和计算。通过使用 MPC 和其他隐私增强技术来保证数据在整个存储和计算过程中的安全性。Petnet上的数据分散存储于多个节点,降低中心化风险。
这种双网络设计允许两个子网络独立运行,不需要在每个操作完成后同步整个网络的状态。不同的计算和支付任务可以同时进行,如 Petnet 可以在加密状态下对 AI 模型进行训练,而 NilChain 负责支付相应的计算费用,从而提升整体效率。相较之下,其他 MPC 项目多采用单一链路,灵活性相对较低。
总的来说,Nillion 通过盲计算技术和双网络架构,为高度敏感数据的隐私保护提供一套理论上很有潜力的解决方案。盲计算通过减少节点间的频繁通信,实现更高效的隐私计算,双网络架构有效兼顾了隐私与性能。但在实际交付中要在分布式环境下保持这种理想状态需要进一步验证。另外,用户接受程度以及实际交付效果能否与用户的预期保持一致,也需要时间来证明。