Why can a neighbor on my inference cluster reconstruct what I just asked the model?
فرصت
Modern LLM serving frameworks like vLLM share KV-cache blocks across requests with matching prefixes to reduce compute cost. When multiple tenants share the same inference server, an adversary tenant can probe cache-hit and cache-miss latencies to reconstruct another tenant's private prompt. Three independent attacks published in 2025 and 2026, PROMPTPEEK, EarlyBird, and InputSnatch, demonstrate up to 100% prompt reconstruction accuracy against production-grade serving stacks. Providers can defeat this by running fully isolated instances per tenant, but that eliminates all the memory and compute savings that make shared inference economically viable. The KVGov governance paper from August 2026 proposes per-principal cryptographic cache salts as a fix, but no commercial inference provider has deployed it.
چرا اهمیت دارد
Shared inference is the cost model that makes AI accessible at scale, but right now it cannot safely carry any sensitive workload without full tenant isolation.
نحوه امتیازدهی به فرصت
امتیاز فرصت برداشت شخصی من است، نه یک سنجش دقیق: چقدر درد ایجاد میکند، چند بار گریبان میگیرد، و چقدر راهحل کمی برای آن وجود دارد. امتیاز بالاتر یعنی فکر میکنم ساختنش بیشتر ارزش دارد.
چقدر وقتی ظاهر میشود دردسر ایجاد میکند.
چند بار مردم واقعاً با آن مواجه میشوند.
چقدر ابزار مناسب برای آن امروز کمیاب است.
مشکلات بیشتری که ارزش حل کردن دارند
چرا هر اپلیکیشن هوش مصنوعی لحظهای که تب را میبندم مرا فراموش میکند؟
AIچرا یادگیری یک حوزه جدید هنوز به دانستن اینکه چه بپرسی وابسته است؟
AIچرا یک غیرمتخصص نمیتواند آنچه هوش مصنوعی به تازگی به او گفته را تأیید کند؟
AIچرا مدلها را روی معیارهای استاندارد آزمایش میکنیم اما بر اساس حدس و احساس راهی تولید میکنیم؟
AIچرا عاملهای هوش مصنوعی هیچ خاطرهای از اشتباهات خودشان ندارند؟
AIچرا نمیتوانم آنچه را که مدل واقعاً روی آن آموزش دیده بررسی کنم؟