# Ilan Komargodski

> Ilan Komargodski 是一位密码学家和计算机科学教授，以其在密码学领域的研究以及共同创立 Pearl Research Labs 而闻名。

- Canonical URL: https://iq.wiki/zh/wiki/ilan-komargodski
- Categories: People in crypto
- Tags: Founder, Researcher
- Created: 2026-10-18T06:15:51.077Z
- Last updated: 2026-10-18T06:15:51.077Z
- Source: IQ.wiki — the world's largest blockchain and crypto encyclopedia (https://iq.wiki)

---

**Ilan Komargodski** 是一位密码学家，现任耶路撒冷希伯来大学计算机科学与工程学院副教授。他的研究重点是计算机科学的基础，特别是密码学。他也是 Pearl Research Labs 的联合创始人，他在那里的公开工作包括针对人工智能计算的隐私保护证明。[\[1\]](#cite-id-rtqx3ulrjb)​[\[2\]](#cite-id-2bvsfhh26a)​

## 教育与职业生涯

Komargodski 在魏茨曼科学研究所获得博士学位，导师是 Moni Naor，并在该校 Ran Raz 的指导下获得硕士学位。随后，他在康奈尔理工学院（Cornell Tech）担任博士后研究员，由 Rafael Pass 和 Elaine Shi 指导，之后加入耶路撒冷希伯来大学担任副教授。[\[1\]](#cite-id-rtqx3ulrjb)​

在耶路撒冷希伯来大学，Komargodski 指导研究生并与博士后研究员和实习生合作。与其团队相关的成员包括博士后研究员 Ohad Klein 和博士生 Yuval Gelles，以及硕士生 Youlong Ding、Shay Gadot 和 Reut Oelbaum。他列出的实习生包括 Cody Freitag、Ashrujit Ghoshal、Ke Wu、Wei-Kai Lin、Aayush Jain 和 Rex Fernando。[\[1\]](#cite-id-rtqx3ulrjb)​

### 复杂性与密码学基础

早期与 Ran Raz 合作的研究探讨了计算公式的下界。他们的论文包括在 2013 年计算理论年会 (STOC) 上发表的“公式大小的平均情况下界”，以及在 2013 年 IEEE 计算机科学[基础](https://iq.wiki/wiki/foundation)研讨会 (FOCS) 上发表的“DeMorgan 公式大小的改进平均情况下界”，后者于 2017 年发表在《SIAM 计算杂志》上。在复杂性和密码学基础方面的其他工作包括与 Itay Berman、Iftach Haitner 和 Moni Naor 合作的“通过布谷鸟哈希保持硬度的归约”，以及与 Naor 和 Eylon Yogev 合作的“搜索问题的白盒与黑盒复杂性：Ramsey 和图属性测试”。[\[1\]](#cite-id-rtqx3ulrjb)​

### 安全计算与不经意内存

Komargodski 研究的一个重要部分涉及安全计算和不经意随机存取内存 (ORAM)，这是一种在隐藏访问模式的同时访问数据的方法。他的工作包括与 Gilad Asharov、Wei-Kai Lin、Kartik Nayak、Enoch Peserico 和 Elaine Shi 合作的“OptORAMa：最优不经意 RAM”，以及与 Asharov、Lin 和 Shi 合作的“具有最坏情况对数开销的不经意 RAM”。前者发表于 2020 年的 EUROCRYPT，随后发表在《ACM 期刊》上；后者发表于 2021 年的 CRYPTO，随后发表在《密码学杂志》上。[\[1\]](#cite-id-rtqx3ulrjb)​

## Pearl Research Labs

Komargodski 称自己为 Pearl Research Labs 的联合创始人。他的文章讨论了使用零知识方法来验证人工智能推理：此类证明可以允许 AI 实验室在不泄露模型权重或提示词的情况下，证明计算遵循了特定规则。他将零知识机器学习描述为 AI 流程中一个被低估的部分，并赞扬了 Attestable 团队的工作。[\[2\]](#cite-id-2bvsfhh26a)​

他还讨论了 Pearl Protocol 的计算设计。在描述该项目当时方法的一篇文章中，他表示其矩阵乘法使用整数，因此需要模型量化。他描述了下一代[有用工作证明](https://iq.wiki/wiki/proof-of-useful-work)的开发，旨在原生支持浮点计算并消除量化开销。在另一篇文章中，他讨论了混合专家模型 (Mixture-of-Experts) 工作负载的实现，对比了逐个专家的矩阵乘法与将每个专家应用于其分配的 token 的其他替代方法。[\[2\]](#cite-id-2bvsfhh26a)​