Vitalik Buterin称完美加密安全仍无法实现

TheNewsCrypto發佈於 2026-02-23更新於 2026-02-23

文章摘要

以太坊创始人Vitalik Buterin近日指出,加密货币领域永远无法实现绝对安全,原因在于人类意图的复杂性。他表示,区块链网络无法完美解读用户复杂意图并将其编码到僵化的代码中。Buterin将安全定义为系统安全与用户期望的匹配问题,强调安全性和可用性的共同目标是确保协议执行结果符合用户真实意图。 他解释道,即使基础交易也涉及对接收方身份、网络准确性和界面可靠性的假设,这些无法被完全编程。因此,社区应放弃追求绝对安全,转而致力于实现意图与结果的一致性。他建议采用分层安全机制,包括冗余验证、交易模拟、限额控制和地址核验等措施。 Buterin还探讨了AI在解读用户指令方面的辅助作用,但强调任何技术都无法完全模拟人类推理。市场分析指出,近期安全事件凸显了完善保护框架的重要性,投资者更青睐具有透明冗余结构和明确保障机制的平台。Buterin总结道,加密安全是一个持续优化的对齐过程,而非终极目标。

Vitalik Buterin阐明了加密货币领域永远无法提供完美安全性的原因,并指出人类意图的复杂性是关键因素。在最近一篇X平台发文中,这位以太坊创始人表示,区块链网络永远无法完美解读用户复杂的意图,并将其硬编码成僵化的代码行。

Buterin将安全定义为一个更宏大的问题——即让系统安全性与用户期望保持一致,而非孤立的技术属性。他强调可用性与安全性的目标是一致的:确保用户期望的结果与协议执行结果相符。

安全作为对齐问题

Buterin解释道,即便是最基本的区块链交易也涉及某些假设。当人们发送数字资产时,他们会假设接收方身份、正确网络和界面准确性等前提条件。程序员无法将所有假设都编程写入代码。

Buterin指出这些差距使得绝对安全无法实现。即使采用高度先进的代码,系统也无法准确判断用户的真实意图。因此,社区应放弃追求完美安全的承诺,转而致力于实现意图与结果的对齐。

他进一步补充说安全模型可能造成用户体验与安全性的脱节。必须将这两个方面结合才能避免意外后果。如果系统不能正确呈现用户意图,漏洞就会产生。

分层安全机制与冗余设计

Buterin鼓励采用分层安全机制来替代追求完美。他推崇的冗余原则要求在执行交易前进行多重独立验证以确保用户意图。交易模拟功能让用户能在操作执行前预览结果。对于高价值交易,还可使用支出限额和地址验证来最小化风险。

Buterin还谈及大型语言模型在解读用户指令方面的潜在应用。他解释说人工智能应该用于补充而非取代基础加密安全。通用AI可以模拟人类普遍判断模式,而微调模型能模拟个体行为模式。但他认为没有任何技术系统能完全模拟人类推理。

市场分析师指出,近期的高调安全事件凸显了改进防护框架的重要性。投资者越来越青睐实施透明冗余和结构化保障的平台。Buterin将加密安全现状总结为一个持续对齐的过程而非终点。随着区块链技术发展,防护系统始终需要改进。

重点加密新闻:

美国比特币ETF持仓量收缩,月度资金流出达16亿美元

标签加密安全加密货币ETHEREUM以太坊(ETH)安全性Vitalikvitalik ButerinVitalikButerin

相關問答

QVitalik Buterin认为加密货币领域无法实现完美安全的主要原因是什么?

AVitalik Buterin认为主要原因是区块链网络无法完美解读用户复杂的意图,并将其硬编码到僵化的代码中。人类意图的复杂性使得系统无法准确判断用户真实意图,这是技术无法完全解决的根本问题。

QButerin如何重新定义安全的概念?

AButerin将安全定义为一个对齐问题(Alignment Problem),即系统安全需要与用户期望保持一致。他强调安全不仅是技术问题,更是要确保协议执行的结果符合用户的实际意图,安全性和可用性的根本目标是一致的。

QButerin提出了哪些具体的分层安全机制建议?

A他建议采用冗余机制(多重独立验证)、交易模拟(预执行结果预览)、支出限额和高价值交易地址验证等分层安全措施。这些机制旨在通过多环节校验最大限度降低风险,而非追求绝对安全。

QButerin对人工智能在加密货币安全中的作用持什么观点?

A他认为人工智能应作为基础加密安全的补充而非替代。通用AI可模拟人类一般判断模式,定制化AI可模拟个体行为模式,但强调任何技术系统都无法完全复现人类推理能力。

Q文章最后如何总结加密货币安全的本质?

A文章将加密货币安全定义为一个持续对齐的过程而非终点。随着区块链技术发展,保护系统需要不断改进,重点在于实现意图与结果的一致性,而非追求无法达成的绝对安全。

你可能也喜歡

年薪百万抢电工,Meta急到自己办技校

AI竞赛正面临新的瓶颈:工地。美国正面临严重的电工、建筑工等技术工人短缺,这已成为微软、Meta、OpenAI等公司快速建设超大规模AI数据中心(如OpenAI耗资160亿美元的“星际之门”项目)的“头号障碍”。 尽管AI公司愿支付高薪(如电工年薪可达24-28万美元),远超传统行业,但熟练技工仍供不应求。麦肯锡预测,美国在2023-2030年间需额外培养13万名电工和24万名建筑工,而劳工统计局预计每年仍有8万个电工岗位空缺。这种短缺导致项目延迟,每月可能造成数百万美元的收入损失。 AI数据中心建设复杂,需应对巨大功耗(一座设施耗电堪比数十万户家庭)、复杂的配电系统以及高密度散热(需液冷技术)等挑战,因此亟需大量技术娴熟的工人。 为此,科技巨头开始亲自下场培养人才。例如,Meta投入1.15亿美元建立建筑工人培训学校,提供免费培训及生活补贴,以快速输送工人上岗。OpenAI则与建筑工会合作,提前锁定熟练劳动力。同时,企业也将招聘目光投向高中生,鼓励年轻人投身技工行业。这些举措已见成效,Z世代对技工职业的兴趣显著上升。 然而,更深层的挑战在于电力。AI数据中心用电量正以惊人速度增长,已推高部分地区的电价。此外,数据中心建设是项目制的,建设期需要成千上万的工人,但建成后仅需少量常驻人员。这意味着未来可能面临熟练工人短期过剩、并流向其他行业压低薪资的风险。如何实现劳动力与电力资源的长期平衡,仍是悬而未决的问题。

marsbit32 分鐘前

年薪百万抢电工,Meta急到自己办技校

marsbit32 分鐘前

OpenAI 不靠最贵的模型卖钱了

OpenAI近期调整了API定价策略,旗舰模型GPT-5.6 Luna降价80%,Terra降价20%,而顶级模型Sol未降价但新增了更快的“Fast”模式。此次调整的核心并非单纯的价格战,而是标志着OpenAI首次引导用户根据任务需求选择不同模型,而非一味追求最强模型。官方建议复杂任务可由Sol进行规划,再由Luna等成本更优的模型执行。 此举与Anthropic近期推出半价替代旗舰的Claude Opus 5策略相似,显示硅谷领先公司正形成默契:旗舰模型(如Sol、Fable)的角色正从直接盈利转向树立技术品牌和探索上限,而商业化走量和利润则主要由中端及性价比模型(如Luna、Opus)承担。这类似于汽车等行业“旗舰立形象,走量车型赚利润”的模式。 更深层的变化在于成本下降的驱动力。OpenAI透露,此次降价部分得益于由Sol模型自身参与优化底层生产内核,实现了效率提升与成本降低,开启了“模型优化模型”的自我加速循环。 行业竞争焦点正从“谁最聪明”的单项性能比拼,转向为企业提供基于任务重要性、出错成本、规模等因素的“模型组合”最优解,追求整体ROI。这类似于云计算按数据冷热使用不同存储的策略。 OpenAI的长期战略日益清晰:其真正目标并非依靠单一模型的高毛利,而是通过极低的调用成本构建庞大的开发者生态与调用量,形成类似操作系统或云平台的渗透率与用户粘性。当API调用成本低至可被忽略,AI将如水电般无缝嵌入所有业务流程,其发展也将从追求智能巅峰的“产品时代”,进入驱动全面自动化与效率的“基础设施时代”。

marsbit32 分鐘前

OpenAI 不靠最贵的模型卖钱了

marsbit32 分鐘前

交易

現貨
活动图片