【觀點】從Merkle tree三代技術演化，看懂交易所用戶資產「負債證明」|數位時代 BusinessNext

（觀點文章呈現多元意見，不代表《Web3+》的立場）

如同我們在前一篇文章《FTX破產後：「償付證明」才可證明沒有挪用用戶資產，不是「儲備證明》中所說，加密貨幣交易所要證明自己沒有挪用用戶資產，必須要出具用戶資產的「代管資產償付能力證明」，而這個償付能力證明，必須包含用戶資產的「代管資產證明」與「代管負債證明」。

「代管負債證明」的目的，是為了證明交易所出具的的「代管資產證明」（部分同業稱「儲備證明」），也就是交易所錢包中所代管，屬於用戶的數位資產，是否等同用戶存入交易所的數位資產類別與數量，當用戶存入1枚比特幣，「代管負債證明」與「代管資產證明」中，也都應該有 1 枚比特幣，而不是等值或不等值的其他數位資產。

經由「代管資產證明」與「代管負債證明」交叉比對，才能知道交易所是任意移動或盜用其所代管的用戶資產。

「代管資產證明」因為都是區塊鏈上的資產，受惠於區塊鏈公開透明的技術特性，比較容易準備，但是「代管負債證明」相對困難，因為使用者餘額資料，都存在於中央化的資料庫中。

其實先前就已有相關的演算法來驗證「代管負債證明」，並且已經歷經了三代的演進，只是 FTX 破產的風暴，讓這項技術受到更多的關注，也有越來越多多團隊與人才，願意投注資源和時間去優化。這方面最早被產業應用的技術，就是近期引發許多討論的 Merkle tree。

備註：本文中所探討的「代管負債證明」，主要聚焦於交易所代管用戶資產的負債證明，如圖二所示，為紅色框中所涵蓋的範圍，也就是用戶在交易所存放的數位資產餘額，之後文章中所提及「代管負債」，也皆是以代管用戶資產部分，為聚焦討論領域。

本文將討論從Merkle tree開始的三代技術演化，分享「代管負債證明」的實作方式與挑戰外，也會揭露一些常見的作弊手法，讓大家更能知道如何防範與判別。

第一代Merkle Tree負債證明

Merkle tree又被稱為「雜湊樹」或「默克樹」，是一個基於哈希演算法 (hash，或稱雜湊演算法) 的數位簽章技術，是 1988 年由喬治亞理工學院資訊安全中心主任 Ralph Merkle 教授所提出。

雖然因為 FTX 破產，Merkle tree 才似乎因為大家追求「償付能力證明」而再次被關注，但是中本聰 2008 年發表的比特幣白皮書中僅有七篇的引述，其中就有三篇是與 Merkle tree 相關；Merkle tree 扮演了中本聰設計區塊鏈的核心，特別是「無需信任」（trustless）的驗證機制。

2013 年，比特幣社群中就開始有聲音，討論如何將 Merkle tree 運用於中心化錢包的「負債證明」上。著名的密碼學家，也是加密貨幣 Zcash 創辦人之一的 Bryce “Zooko” Wilcox 於 2014 年提出了很具體的實作討論，還點評了當時主要的中心化平台，如：BitGO、Bitstamp、Coinbase、Kraken 與其他共約 20 家當時具有代表性的中心化交易所。

使用 Merkle tree 來實作「代管負債證明」，最主要的好處，是可以達到每一位使用者，都能夠對於代管負債證明報告，具有獨立的稽核能力。大家不需要盲目地相信交易所或為其背書的會計師，而是每個人都可以在每個時刻，獨立進行稽核。

Merkle tree 的步驟如下：

對於每一類不同的數位資產，如：比特幣、以太幣、美元穩定幣 USDT、SOL 等等，由交易所根據其記錄之中心化帳本，產生「樹」的最底層；將每一位使用者的（ID、餘額）資料打亂混合，重新建立「雜湊值」，又稱為「哈希值」(hash)，也就是「樹」上的「樹葉」，並記錄每個 hash 的餘額加總。
延請外部會計師協助人工稽核，檢查整顆 Merkle tree 是否精準產生，沒有作弊。
會計師公布總「代管負債」與整棵 Merke tree的 root hash，但不含整棵樹中每個節點以及每個樹葉的餘額加總，以利保護使用者隱私。
每個使用者利用交易所開放源碼的工具，只要輸入兩個資訊：自己的 ID 與自己的餘額，就可以產生自己的 hash，並比對會計師公布的整棵樹中的樹葉，看是否能找到自己的 hash。有找到，就表示自己的餘額有被算進交易所的負債證明裡面。

Merke tree 的精神，是賦予每一位使用者都具有獨立驗證能力，其關鍵在於：每位使用者都擁有一個「事實」(truth)：自己每天的餘額。

雖然一個使用者，不會知道任何其他使用者的餘額，但因為自己知道自己的餘額，所以，可以拿著這個「事實」，去驗證整份報告的正確性。

如果有夠多使用者，願意執行獨立驗證並且頻繁地這麼做，就越有可能利用這種「去中心化」的驗證方式，去稽核交易所自動出具的「負債證明」，並且可以將整個驗證機自動化。

第一代的 Merkle tree 實作於「代管負債證明」上，主要面臨了以下三個的挑戰：

去中心化稽核能力與使用資料隱私相互衝突。
「負數餘額」的作弊法，意指交易所創造假帳號，並給予負數的餘額，如：-1000 顆比特幣，藉此降低代管負債的比特幣顆數，掩蓋挪用事實。
其他實作細節上的作弊。

第一點的挑戰指的是，如果要達成交易所每天（或每小時）公布一次「代管負債證明」，並且允許每一位使用者都可以獨立驗證，那就代表交易所會把 Merkle tree 的葉子，也就是用戶餘額以及整棵樹的「總餘額」公佈出來，雖然大家並無法知道這些「餘額」實際上是屬於誰的，因為使用者名字並沒有公開，但還是會有隱私的疑慮。

但如果考量使用者隱私，而不公開上述資料，那麼就可能出現以下問題：
1. 每位使用者無法獨立建構出整份「代管負債證明」。
2. 需要外部會計師介入，產生並公布「代管負債證明」與僅有 hash 部分的 Merkle tree。
3. 每位使用者僅能使用自己的餘額，去驗證會計師公布的「代管負債證明」是否包含自己的餘額。也就是：只能驗證自己的餘額與是否有被會計師計算到，卻沒有辦法驗證整份報告產生過程的正確性，也沒辦法驗證交易所沒有使用上述的一些作弊方式，例如：前文中提及的負數餘額。

有實作並開放源碼的交易所中，每家考量不一樣，Gate.io（2020 年初 Github）與 Kraken（2014 年）等，都是選擇不公開 Merkle tree 中的所有「餘額」以及「餘額加總」，而倚賴外部會計師介入稽核。BitMEX（2021 年末 Github）則是選擇公開整顆 Merkle tree 的「餘額」以及「餘額加總」，但沒有對所有資產類別獨立做，僅做 BTC 的「代管負債證明」。

此種第一代的 Merkle tree 負債證明，2013 年由 Bryce “Zooko” Wilcox 提出，並由比特幣兩位核心開發人員 Gregory Maxwell 與 Peter Todd 在 Bitcoin Forum 上討論，所以普遍又被稱作「Maxwell 方法」或「Maxwell-Todd 方法」。

第二代 Merkle Tree 優化隱私的負債證明

第二代 Merkle tree在演算法上與第一代差異不大，主要是在實作上，改良做到「餘額」以及「餘額加總」的最小揭露，讓「代管負債證明」可以去中心化地被每個使用者自行驗證，而不需要倚賴外部會計師。

以太坊創辦人 Vitalik 本月 19 號公布的《做出一個安全的中心化交易所：償付能力證明與更多》Having a safe CEX: proof of solvency and beyond中，就包含了一個簡單可行的機制：
1. 不公開 Merkle tree 整棵樹的所有「餘額」以及「餘額加總」給所有人。
2. 每個使用者，會得到一份不一樣的部分「餘額」以及「餘額加總」，降低隱私擔憂，達到最小揭露。

第三代零知識證明實作的負債證明

由密碼學教授 Dr. Gaby Dagher 於 2015 年發表了一套使用非交互式零知識證明（Non-interactive zero-knowledge proof, NIZKP）來大幅提升隱私性，達到最小揭露的「代管負債證明」演算法。Vitalik 則是於 19 號也公布了一套利用簡潔零知識證明（zk-SNARK）來達成的「代管負債證明」演算法，也在 Github 上開源了一套程式碼。

「代管負債證明」實作上的作弊手段與防範方法

當然，「負債證明」雖然過去有研究與實作經驗，但還有很多的進步與優化空間。魔鬼藏在細節裡，XREX 團隊過去在資訊安全產業深耕超過 15 年，我們深知，演算法再怎麼完美，實作上因為有太多的細節，所以交易所要作弊還是有非常多的方法。2019 年，中國科學院教授 Kexin Hu 整理了許多對 Merkle tree 負債證明的作弊方式，以及防範的方法。

今年，新公鏈 SUI 的共同創辦人兼首席密碼學家 Kostas Kryptos 發表了非常完整的整理，

發表了《中心化錢包與交易所壞掉的償付能力證明》 Broken Proofs of Solvency in Blockchain Custodial Wallets and Exchanges，不但清楚地描述了各種可能作弊的方式，例如：總額相同但個別數字有誤，(5+5) 並不直接等於 (4+6），也研究了具有代表性的中心化交易所，如：Kraken、BitMEX 和 Gate.io 等等，在提供「代管資產償付能力證明」上的漏洞，以及大型會計事務所，如：Armanino、勤業眾信 (Deloitte) 現行的稽核工具的缺點。

這其中許多手法非常有趣，某些作弊方式，在思維上很像駭客的思路，某些則很像魔術師，欺騙人類大腦，值得深入研究並加以防範。

高品質的「代管償付能力證明」將成為交易所的基本功

Web3 產業的所有參與者與使用者，都應該可以清楚地感受到這個趨勢與剛需，在 FTX 破產引爆骨牌效應之後，出具一份高品質的「代管償付能力證明」，是所有負責任且嚴謹的中心化平台的基本責任。但是，即便交易所出具了「代管償付能力證明」，在監督不足的情況之下，有心的不良業者總是能找得到欺瞞舞弊的方式。

考量上述隱憂，XREX 倡議使用去中心化的稽核方式來做「代管負債證明」，於每日或每小時自動公布，並提供充分、透明的資訊及簡便的驗證體驗。讓每一位使用者都可以不受阻礙地行使獨立驗證交易所的權利。越多使用者對平台進行驗證，平台就越難舞弊，這樣的機制也更具公信力。若再配合定期的外部會計師稽核與客觀查驗，對使用者會再增添了一層保障。在此，我們也呼籲外部會計師，將其所使用的工具開放源碼，接受社群與所有參與者的檢視。

唯有這樣一層又一層彼此獨立又可交叉比對的多方參與及驗證，「代管資產償付能力證明」才能真正發揮其功能，不只是交易所要負責任，使用者和所有的參與者也是，這才能真正地實踐去中心化的精神，落實「不要相信，要稽核」精神，讓像 FTX 這樣的災難不再重演。

本文授權轉載自：The XREX team

（觀點文章呈現多元意見，不代表《Web3+》的立場）

責任編輯：何汶、高敬原

「代理式 AI 」（Agentic AI）的創新服務正在重新塑造企業對AI的想像：成為內部實際運行的數位員工，提升關鍵工作流程的效率。代理式AI的技術應用清楚指向一個核心趨勢：2025 年是 AI 邁向「代理式 AI」的起點，讓 AI 擁有決策自主權的技術轉型關鍵，2026 年這股浪潮將持續擴大並邁向規模化部署。

面對這股 AI Agent 浪潮，企業如何加速落地成為關鍵，博弘雲端以雲端與數據整合實力，結合零售、金融等產業經驗，提出 AI 系統整合商定位，協助企業從規劃、導入到維運，降低試錯風險，成為企業佈局 AI 的關鍵夥伴。

避開 AI 轉型冤枉路，企業該如何走對第一步？

博弘雲端事業中心副總經理陳亭竹指出，AI 已經從過去被動回答問題、生成內容的智慧助手，正式進化為具備自主執行能力、可跨系統協作的數位員工，應用場景也從單一任務延伸至多代理協作（Multi-Agent）模式。

「儘管 AI 前景看好，但這條導入之路並非一帆風順。」博弘雲端技術維運中心副總經理暨技術長宋青雲綜合多份市場調查報告指出，到了 2028 年，高達 70% 的重複性工作將被 AI 取代，但同時也有約 40% 的生成式 AI 專案面臨失敗風險；關鍵原因在於，企業常常低估了導入 GenAI 的整體難度——挑戰不僅來自 AI 相關技術的快速更迭，更涉及流程變革與人員適應。

博弘雲端事業中心副總經理陳亭竹指出，AI 已經從過去被動回答問題的智慧助手，正式進化為具備自主執行能力、可跨系統協作的數位員工。面對這樣的轉變，企業唯有採取「小步快跑、持續驗證」的方式，才能在控制風險的同時加速 AI 落地。

圖／數位時代

正因如此，企業在導入 AI 時，其實需要外部專業夥伴的協助，而博弘雲端不僅擁有導入 AI 應用所需的完整技術能力，涵蓋數據、雲端、應用開發、資安防禦與維運，可以一站式滿足企業需求，更能使企業在 AI 轉型過程中少走冤枉路。

宋青雲表示，許多企業在導入 AI 時，往往因過度期待、認知落差或流程改造不全，導致專案停留在測試階段，難以真正落地。這正是博弘雲端存在的關鍵價值——協助企業釐清方向，避免踏上產業內早已被證實「不可行」的方法或技術路徑，縮短從概念驗證到正式上線的過程，讓 AI 真正成為可被信賴、可持續運作的企業戰力。

轉換率提升 50% 的關鍵：HAPPY GO 的 AI 落地實戰路徑

博弘雲端這套導入方法論，並非紙上談兵，而是已在多個實際場域中驗證成效；鼎鼎聯合行銷的 HAPPY GO 會員平台的 AI 轉型歷程，正是其最具代表性的案例之一。陳亭竹說明，HAPPY GO 過去曾面臨AI 落地應用的考驗：會員資料散落在不同部門與系統中，無法整合成完整的會員輪廓，亦難以對會員進行精準貼標與分眾行銷。

為此，博弘雲端先協助 HAPPY GO 進行會員資料的邏輯化與規格化，完成建置數據中台後，再依業務情境評估適合的 AI 模型，並且減少人工貼標的時間，逐步發展精準行銷、零售 MLOps（Machine Learning Operations，模型開發與維運管理）平台等 AI 應用。在穩固的數據基礎下，AI 應用成效也開始一一浮現：首先是 AI 市場調查應用，讓資料彙整與分析效率提升約 80%；透過 AI 個性化推薦機制，廣告點擊轉換率提升 50%。

左、右為博弘雲端事業中心副總經理陳亭竹及技術維運中心副總經理暨技術長宋青雲。宋青雲分享企業導入案例，許多企業往往因過度期待、認知落差或流程改造不全，導致專案停留在測試階段，難以真正落地。這正是博弘雲端存在的關鍵價值——協助企業釐清方向，避免踏上產業內早已被證實「不可行」的方法或技術路徑，縮短從概念驗證到正式上線的過程，讓 AI 真正成為可被信賴、可持續運作的企業戰力。

圖／數位時代

整合 Databricks 與雲端服務，打造彈性高效的數據平台

在協助鼎鼎聯合行銷與其他客戶的實務經驗中，博弘雲端發現，底層數據架構是真正影響 AI 落地速度的關鍵之一，因與 Databricks 合作協助企業打造更具彈性與擴充性的數據平台，作為 AI 長期發展的基礎。

Databricks 以分散式資料處理框架（Apache Spark）為核心，能同時整合結構化與非結構化資料，並支援分散式資料處理、機器學習與進階分析等多元工作負載，讓企業免於在多個平台間反覆搬移資料，省下大量重複開發與系統整合的時間，從而加速 AI 應用從概念驗證、使用者驗收測試（UAT），一路推進到正式上線（Production）的過程，還能確保資料治理策略的一致性，有助於降低資料外洩與合規風險；此對於金融等高度重視資安與法規遵循的產業而言，更顯關鍵。

陳亭竹認為，Databricks 是企業在擴展 AI 應用時「進可攻、退可守」的重要選項。企業可將數據收納在雲端平台，當需要啟動新型 AI 或 Agent 專案時，再切換至 Databricks 進行開發與部署，待服務趨於穩定後，再轉回雲端平台，不僅兼顧開發效率與成本控管，也讓數據平台真正成為 AI 持續放大價值的關鍵基礎。

企業強化 AI 資安防禦的三個維度

隨著 AI 與 Agent 應用逐步深入企業核心流程，資訊安全與治理的重要性也隨之同步提升。對此，宋青雲提出建立完整 AI 資安防禦體系的 3 個維度。第一是資料治理層，企業在導入 AI 應用初期，就應做好資料分級與建立資料治理政策（Policy），明確定義高風險與隱私資料的使用邊界，並規範 AI Agent「能看什麼、說什麼、做什麼」，防止 AI 因執行錯誤而造成的資安風險。

第二是權限管理層，當 AI Agent 角色升級為數位員工時，企業也須比照人員管理方式為其設定明確的職務角色與權限範圍，包括可存取的資料類型與可執行的操作行為，防止因權限過大，讓 AI 成為新的資安破口。

第三為技術應用層，除了導入多重身份驗證、DLP 防制資料外洩、定期修補應用程式漏洞等既有資安防禦措施外，還需導入專為生成式 AI 設計的防禦機制，對 AI 的輸入指令與輸出內容進行雙向管控，降低指令注入攻擊（Prompt Injection）或惡意內容傳遞的風險。

博弘雲端技術維運中心副總經理暨技術長宋青雲進一步說明「AI 應用下的資安考驗」，透過完善治理政策與角色權限，並設立專為生成式 AI 設計的防禦機制，降低 AI 安全隱私外洩的風險。

圖／數位時代

此外，博弘雲端也透過 MSSP 資安維運託管服務，從底層的 WAF、防火牆與入侵偵測，到針對 AI 模型特有弱點的持續掃描，提供 7×24 不間斷且即時的監控與防護。不僅能在系統出現漏洞時主動識別並修補漏洞，更可以即時監控活動，快速辨識潛在威脅。不僅如此，也能因應法規對 AI 可解釋性與可稽核性的要求，保留完整操作與決策紀錄，協助企業因應法規審查。

「AI Agent 已成為企業未來發展的必然方向，」陳亭竹強調，面對這樣的轉變，企業唯有採取「小步快跑、持續驗證」的方式，才能在控制風險的同時，加速 AI 落地。在這波變革浪潮中，博弘雲端不只是提供雲端服務技術的領航家，更是企業推動 AI 轉型的策略戰友。透過深厚的雲端與數據技術實力、跨產業的AI導入實務經驗，以及完善的資安維運託管服務，博弘雲端將持續協助企業把數據轉化為行動力，在 AI Agent 時代助企業實踐永續穩健的 AI 落地應用。

>>掌握AI 應用的新契機，立即聯繫博弘雲端專業顧問