Глубокий анализ Nesa: Почему вашему ежедневному использованию ИИ необходима защита конфиденциальности?

Этот отчет подготовлен компанией Tiger Research. Большинство людей используют ИИ ежедневно, даже не задумываясь о том, куда поступают их данные. Вопрос, который поднимает Nesa: что произойдет, если начать всерьез задумываться об этом?

Основные моменты

• ИИ уже интегрирован в повседневную жизнь, но пользователи зачастую игнорируют, как данные передаются через центральные серверы
• Даже заместитель руководителя агентства CISA в США случайно передал секретные документы ChatGPT, не зная об этом
• Nesa реконструирует этот процесс с помощью преобразования данных перед передачей (EE) и разделения по узлам (HSS-EE), обеспечивая невозможность просмотра исходных данных любой стороной
• Академическая сертификация (COLM 2025) и реальное корпоративное внедрение (Procter & Gamble) дают Nesa преимущество на рынке
• Важный вопрос: выберет ли более широкий рынок децентрализованный приватный ИИ вместо привычных централизованных API

1. Надежны ли ваши данные?

Источник: CISA

В январе 2026 года заместитель руководителя американского агентства по кибербезопасности CISA Мадху Готтумуккала загрузил конфиденциальные правительственные документы в ChatGPT, чтобы подытожить и структурировать контрактные материалы.

Эта утечка осталась незамеченной системой ChatGPT, и OpenAI не сообщил об этом правительству. Инцидент был обнаружен внутренней системой безопасности организации и вызвал расследование за нарушение протоколов.

Даже высшие специалисты по кибербезопасности США используют ИИ в повседневной работе и иногда случайно загружают секретные материалы.

Известно, что большинство ИИ-сервисов хранят пользовательский ввод в зашифрованном виде на центральных серверах. Однако эта шифровка по замыслу обратима. В случае законного разрешения или чрезвычайной ситуации данные могут быть расшифрованы и раскрыты, при этом пользователь не знает, что происходит за кулисами.

2. Приватный ИИ для повседневного использования: Nesa

ИИ стал частью повседневной жизни — подведение итогов статей, написание кода, подготовка писем. Но самое тревожное — как показали вышеупомянутые случаи, даже секретные файлы и личные данные передаются ИИ почти без осознания риска.

Главная проблема: все эти данные проходят через центральный сервер сервиса. Даже если они зашифрованы, ключи расшифровки находятся у провайдера. Почему пользователь должен доверять такому соглашению?

Данные, введенные пользователем, могут быть раскрыты третьим лицам через разные каналы: обучение моделей, безопасность, юридические запросы. В корпоративной версии администратор организации может иметь доступ к чат-логам; в личной — данные могут быть переданы по законному разрешению.

Поскольку ИИ уже глубоко внедрен в повседневную жизнь, пора всерьез задуматься о приватности.

Nesa — проект, созданный именно для кардинального изменения этой структуры. Он строит децентрализованную инфраструктуру, позволяющую выполнять ИИ-выводы без доверия к центральному серверу. Ввод данных происходит в зашифрованном виде, и ни один узел не может просмотреть исходные данные.

3. Как решает проблему Nesa

Представим больницу, использующую Nesa. Врач хочет, чтобы ИИ проанализировал МРТ пациента для обнаружения опухоли. В существующих сервисах изображение отправляется напрямую на сервер OpenAI или Google.

При использовании Nesa изображение перед отправкой уже прошло математическую трансформацию.

Простой пример: если исходный вопрос — «3 + 5 = ?», то при прямой отправке получатель точно знает, что вы считаете. Но если перед отправкой каждое число умножить на 2, то получатель увидит «6 + 10 = ?» и вернет 16. Вы делите результат на 2 — получаете 8, что совпадает с ответом на исходный вопрос. Получатель вычисляет, не зная исходных чисел 3 и 5.

Это и есть принцип, реализуемый с помощью равносильного шифрования (EE) в Nesa. Данные перед передачей проходят математическую трансформацию, а модель ИИ работает с преобразованными данными.

Пользователь применяет обратное преобразование, и результат совпадает с тем, что получился бы при использовании исходных данных. В математике это свойство называется инвариантностью: независимо от порядка преобразования и вычислений, итог всегда один.

На практике преобразование гораздо сложнее простого умножения — оно специально адаптировано под внутреннюю структуру модели ИИ. Благодаря точному совпадению трансформации с внутренним процессом модели, точность не страдает.

Вернемся к сцене в больнице. Для врача весь процесс остается таким же — загрузка изображения, получение результата. Единственное изменение — ни один узел не может увидеть исходное МРТ.

Nesa идет дальше. Одного EE достаточно, чтобы предотвратить просмотр исходных данных узлами, но преобразованные данные все равно хранятся на одном сервере.

HSS-EE (гомоморфное секретное разделение на основе зашифрованных вложений) дополнительно делит преобразованные данные.

Продолжая пример: EE — это как применить правило умножения перед отправкой; HSS-EE — это разрезать преобразованный документ на две части — первую отправить узлу A, вторую — узлу B.

Каждый узел видит только свою часть и не знает целого. Только при объединении двух частей можно получить полный результат — и только отправитель может выполнить это объединение.

Кратко: EE преобразует данные так, что исходный контент становится недоступен; HSS-EE дополнительно делит преобразованные данные, чтобы они никогда не появлялись полностью в одном месте. Такой двойной уровень защиты обеспечивает высокий уровень приватности.

4. Не замедлит ли приватность работу?

Более сильная приватность зачастую означает меньшую скорость — это давно известно в криптографии. Самое известное полное гомоморфное шифрование (FHE) медленнее обычных вычислений в 10 000 — 1 000 000 раз и не подходит для реального времени.

В Nesa используется иной подход — равносильное шифрование (EE). В простых терминах: умножение перед отправкой и деление после — очень недорого.

В отличие от FHE, которое переводит задачу в совершенно другую математическую систему, EE добавляет легкий трансформационный слой поверх существующих вычислений.

Базовые показатели производительности:

• EE: задержка увеличивается менее чем на 9%, точность совпадает с исходной моделью, более 99.99%
• HSS-EE: время на один вывод — 700–850 миллисекунд на модели LLaMA-2 7B

Кроме того, MetaInf — мета-обучающий планировщик — дополнительно оптимизирует эффективность всей сети. Он оценивает размер модели, характеристики GPU и входные данные, автоматически выбирая самый быстрый способ вывода.

MetaInf достигает 89.8% точности выбора и в 1.55 раза быстрее традиционных методов. Эти результаты опубликованы на COLM 2025 и признаны в академическом сообществе.

Все эти показатели получены в контролируемых тестах. Но важнее то, что инфраструктура для вывода уже внедрена в реальных компаниях, что подтверждает ее производственную надежность.

5. Кто уже использует? Как?

Доступ к Nesa осуществляется тремя способами.

Первый — Playground. Пользователь заходит на сайт, выбирает модель и тестирует ее без необходимости программировать. Можно пройти весь цикл — от ввода данных до получения результата.

Это самый быстрый способ понять, как работает децентрализованный ИИ.

Второй — подписка Pro. Стоимость — 8 долларов в месяц, включает неограниченный доступ, 1000 быстрых выводов в месяц, контроль стоимости кастомных моделей и демонстрационные страницы.

Этот тариф предназначен для разработчиков и небольших команд, желающих внедрять и монетизировать свои модели.

Третий — корпоративная версия Enterprise. Не публичная цена, индивидуальный договор. Включает SSO/SAML, выбор зоны хранения данных, аудит, тонкий контроль доступа и годовые контракты.

Стартовая цена — 20 долларов за пользователя в месяц, но условия обсуждаются индивидуально. Предназначена для интеграции Nesa в внутренние ИИ-процессы организации, с API и управлением на уровне организации.

Итак: Playground — для ознакомления, Pro — для разработки и коммерции, Enterprise — для корпоративных решений.

6. Почему нужны токены?

Децентрализованная сеть не имеет центрального управляющего. Узлы по всему миру обеспечивают работу серверов и проверку результатов. Возникает вопрос: зачем кто-то будет держать свои GPU включенными для обработки чужих запросов?

Ответ — экономическая мотивация. В сети Nesa это — токен $NES.

Источник: Nesa

Механизм очень прост. Когда пользователь инициирует запрос, он платит за него. Nesa называет это PayForQuery — фиксированная плата за транзакцию плюс переменная, пропорциональная объему данных.

Чем выше плата, тем выше приоритет обработки — аналогично газу в блокчейне.

Эти сборы получают майнеры. Для участия в сети майнеры должны заложить определенное количество $NES — перед выполнением задачи они ставят свои токены под риск.

Если майнер ошибается или не отвечает, его залог штрафуется; если работает быстро и правильно — получает повышенную награду.

$NES также служит инструментом управления. Владельцы токенов могут предлагать инициативы по изменению структуры сборов, распределения наград и других ключевых параметров сети.

В целом, $NES выполняет три функции: оплату за запросы, залог и награду майнеров, а также участие в управлении. Без токенов узлы не будут работать; без узлов — приватный ИИ невозможен.

Важно отметить: функционирование токеномики зависит от определенных условий.

Запросов должно быть достаточно много, чтобы майнеры получали стимул; стимул — чтобы майнеры оставались в сети; достаточное число майнеров — чтобы сеть оставалась надежной.

Это — положительный цикл спроса и предложения, поддерживающий развитие сети. Но запуск этого цикла — самый сложный этап.

Крупные компании, такие как Procter & Gamble, уже используют эту сеть в производственной среде — хороший знак. Но баланс между стоимостью токенов и наградами за майнинг при расширении сети еще предстоит проверить.

7. Необходимость приватного ИИ

Задача Nesa ясна: изменить структурную проблему, при которой пользователь при использовании ИИ раскрывает свои данные третьим лицам.

Технологическая база надежна. Основные криптографические технологии — равносильное шифрование (EE) и HSS-EE — основаны на академических исследованиях. Оптимизация вывода — MetaInf — уже представлена на COLM 2025.

Это не просто цитирование статей. Исследовательская команда разработала протокол и внедрила его в сеть.

В рамках децентрализованных ИИ-проектов очень мало таких, кто смог подтвердить академическую безопасность своих криптографических примитивов и реализовать их в рабочей инфраструктуре. Крупные компании, такие как P&G, уже используют эту инфраструктуру для выполнения задач — это важный сигнал для ранних проектов.

Однако есть и ограничения:

• Рынок: в первую очередь — корпоративные клиенты; массовый пользователь пока вряд ли заплатит за приватность
• Пользовательский опыт: Playground больше похож на интерфейс Web3 или инвестиционный инструмент, чем на привычное ежедневное ИИ-приложение
• Масштаб: контрольные тесты — не то же самое, что тысячи параллельных узлов в реальной среде
• Рынок: потребность в приватном ИИ есть, но спрос на децентрализованный приватный ИИ еще не подтвержден; компании привыкли к централизованным API

Большинство компаний по-прежнему используют централизованные API, а инфраструктура на базе блокчейна остается сложной для внедрения.

Мы живем в эпоху, когда даже руководитель кибербезопасности США загружает секретные файлы в ИИ. Потребность в приватных ИИ уже существует и будет только расти.

Nesa обладает проверенными академическими технологиями и реальной инфраструктурой для удовлетворения этой потребности. Несмотря на ограничения, у нее уже есть преимущество перед другими проектами.

Когда рынок приватного ИИ откроется полностью, Nesa наверняка станет одним из первых имен, о которых будут говорить.