这篇博客就是说为什么要将隐私，
因为你的模型已经很聪明了，
但是缺乏人类常识，所以会说一些不能说的，
如果你是个人用户，你大概担心私密对话变成他人的搜索建议。
所以说LLM 隐私保护已经发展起来了，
很多人认为隐私保护只是个美好的愿景，但实际上，这个已经在运转了，不过大部分依旧存在谷歌等顶尖科学家的脑子里，
后续我的博客会有很多你从研究所里面都听不到的东西，所以点点关注，你不吃亏，好了我们开始吧，
- 保护什么？
训练数据隐私：防止模型在训练中“背诵”敏感信息（如身份证号、病历）。
Prompt隐私：确保你与 AI 交流的内容不被第三方（甚至模型提供商）获取。
模型输出隐私：防止黑客通过逆向工程猜出模型的训练集内容。//基本上都是加噪声。
- 实现方式：
2.1数据沙箱 ：
让代码在隔离环境中运行。//就是安全箱（边缘计算最早期的样子）
2.2差分隐私：
在数据中注入精准控制的“噪音”，实现“统计意义上的真实，个体意义上的模糊”。//这个一般在训练时候就加了，
所以国内的模型问不出来一些政治的东西，好玩的是甚至连赫鲁晓夫是好是坏都讲不出来。
2.3联邦学习：
就是说模型不动，数据动。
2.4多方安全计算 (MPC)：
用于实现“看不见数据也能算出结果”的密码学奇迹。//这个东西只有国内一些前沿实验室搞了，
我的评价：烧钱。大伙听听得了。
2.5：数据脱敏：
在输入模型前，自动识别并屏蔽敏感字段（如姓名、身份证、疾病名称）。
可以去这些微软 Presidio、阿里云敏感数据识别、自研NER模型。去自己试试怎么脱敏。
所以说看下来最便宜的，都是本地部署模型。
但是本地的模型往往跟不上网速或者响应太慢了，
因为一样的配置，你是没有负重的，但是医院里面的是涵盖大量的前置和高并发，
最后：超前的思想若不与时代契合往往难以生存。LLM 隐私保护之所以在今天变得可行，是因为算力的普惠和密码学库的成熟。
其实ai在上个世纪的50/60年代就有了，但是碍于时代的发展和算力受限很难去进步发展的，
现在的人只不过是拾取前人牙慧罢了，
就是捡到那么一点点都是能促进时代变革进步，何况还有那么多遗失的东西呢？
