دمج بيانات الوجه مع NFT: تحليل عميق لشبكة حساب الخصوصية
في الآونة الأخيرة، أثار مشروع يسمح للمستخدمين بطرحة بيانات الوجه كـ NFT جدلاً واسعاً. منذ إطلاق المشروع في نهاية أبريل، تم طرح أكثر من 200,000 NFT، مما يدل على شعبيته الكبيرة. في الواقع، تكمن في هذا الجمع بين بيانات الوجه على السلسلة وNFT ابتكارات تقنية عميقة.
ستتناول هذه المقالة بشكل عميق أهداف المشروع، والمبادئ التقنية، وكذلك الاتجاه الأوسع لدمج Web3 و AI.
التعرف على الإنسان والآلة المستمر
الهدف الرئيسي من هذا المشروع ليس مجرد سك بيانات الوجه كـ NFT، بل هو استخدام التعرف على الوجه لتحديد ما إذا كان المستخدم شخصًا حقيقيًا. هذه الحاجة تنبع من مشكلة الصراع بين الإنسان والآلة التي تستمر في الوجود في بيئات الويب 2 والويب 3.
تشير البيانات إلى أن البوتات الخبيثة تمثل 27.5% من إجمالي حركة المرور على الإنترنت. يمكن أن تؤدي هذه البرنامج الآلي إلى عواقب كارثية على الخدمات، مما يؤثر بشكل خطير على تجربة المستخدمين. على سبيل المثال، في حالة حجز التذاكر، يزيد المحتالون من فرص نجاحهم بشكل كبير من خلال الحسابات الوهمية، مما يجعل فرص المستخدمين العاديين شبه معدومة.
في بيئة Web2، يميز مقدمو الخدمة بين البشر والآلات من خلال التحقق من الهوية، ورموز التحقق، وما إلى ذلك. ولكن مع تطور الذكاء الاصطناعي، تواجه طرق التحقق التقليدية تحديات. في بيئة Web3، يعتبر التعرف على البشر والآلات أيضًا حاجة قوية، خاصة في سيناريوهات مثل الإطلاقات المجانية (Airdrop) والعمليات عالية المخاطر.
ومع ذلك، فإن تحقيق التعرف على الوجه في بيئة Web3 اللامركزية يتضمن قضايا أعمق: كيف يمكن بناء شبكة حسابات تعلم الآلة اللامركزية؟ كيف يمكن حماية خصوصية المستخدمين؟ كيف يمكن الحفاظ على تشغيل الشبكة؟
الابتكار في استكشاف شبكة الحوسبة الخاصة
بالنسبة للمشكلة المذكورة أعلاه، قامت إحدى الفرق ببناء شبكة حساب خصوصية مبتكرة تعتمد على التشفير المتجانس بالكامل (FHE)، تهدف إلى حل مشكلة حساب الخصوصية في سيناريوهات الذكاء الاصطناعي في Web3.
النواة في هذه الشبكة هي تقنية FHE المحسّنة، والتي تتكيف مع سيناريوهات التعلم الآلي من خلال التصميم الطبقي الذي يشمل الطبقة التطبيقية، الطبقة المحسّنة، الطبقة الحسابية، والطبقة الأصلية. هذا الحساب المخصص يوفر تسريعًا يزيد عن ألف مرة مقارنة بالحلول الأساسية.
يتضمن هيكل الشبكة أربعة أنواع من الأدوار: مالك البيانات، نقاط الحساب، محلل التشفير، ومستلم النتائج. تتلخص سير العمل بشكل عام في:
يقوم المستخدم بتسجيل حساب وتقديم المهام الحسابية والبيانات المشفرة
العقد الذكي يوزع المهام على العقد الحاسوبية المناسبة
تقوم العقدة بتنفيذ الحسابات المشفرة وإنتاج إثباتات المعرفة الصفرية
ضمان أمان النتائج من خلال مفتاح التبديل
يتحقق برنامج فك التشفير من سلامة الحسابات ويفك تشفير النتائج
تسليم النتائج إلى المستلم المحدد
تستخدم الشبكة واجهة برمجة التطبيقات المفتوحة، مما يقلل من عتبة استخدام المستخدمين. في الوقت نفسه، تحمي التشفير من طرف إلى طرف خصوصية البيانات. كما تجمع الشبكة بين آلية إثبات العمل (PoW) وآلية إثبات الحصة (PoS) لإدارة العقد وتوزيع المكافآت، مما يوازن بين الموارد الحاسوبية والموارد الاقتصادية.
مزايا وقيود تقنية FHE
تعتبر FHE التقنية الأساسية في هذه الشبكة، ولها مزاياها وعيوبها مقارنةً بحلول مثل الإثباتات ذات المعرفة الصفرية (ZKP). تركز FHE على حساب الخصوصية، في حين تركز ZKP على التحقق من الخصوصية. بالمقارنة مع الحسابات المتعددة الآمنة (SMC)، فإن FHE تتمتع بميزات أكبر في بعض السيناريوهات.
حقق FHE فصل حقوق معالجة البيانات عن الملكية، لكنه أيضًا جاء على حساب سرعة العمليات. في السنوات الأخيرة، تم تحسين أداء FHE بشكل ملحوظ من خلال تحسين الخوارزميات وتسريع الأجهزة. ومع ذلك، لا يزال هناك فجوة كبيرة مقارنة بالحسابات الواضحة.
الخاتمة
هذه المحاولة المبتكرة التي تجمع بين بيانات الوجه وNFT والحوسبة الخصوصية تفتح مسارًا جديدًا للتكامل العميق بين Web3 وAI. على الرغم من أن التكنولوجيا الأساسية لا تزال تعاني من قيود، إلا أنه مع استمرار الاختراقات، من المتوقع أن تلعب هذه الحلول دورًا في المزيد من المجالات، مما يدفع تطوير تطبيقات الحوسبة الخصوصية وAI.
قد تحتوي هذه الصفحة على محتوى من جهات خارجية، يتم تقديمه لأغراض إعلامية فقط (وليس كإقرارات/ضمانات)، ولا ينبغي اعتباره موافقة على آرائه من قبل Gate، ولا بمثابة نصيحة مالية أو مهنية. انظر إلى إخلاء المسؤولية للحصول على التفاصيل.
تسجيلات الإعجاب 17
أعجبني
17
6
إعادة النشر
مشاركة
تعليق
0/400
DAOTruant
· منذ 23 س
في الواقع، هو مجرد دعاية.
شاهد النسخة الأصليةرد0
MevHunter
· 08-16 21:08
فهمت اللعب، الأمان أفضل من الترويج
شاهد النسخة الأصليةرد0
rekt_but_vibing
· 08-16 21:08
مرة أخرى، هل هو مجرد ترويج مفرط للذكاء الاصطناعي؟
شاهد النسخة الأصليةرد0
LiquidationKing
· 08-16 20:54
خسارة مستمرة، قطع الخسارة لا يتوقف، لقد أصبحت متبلدًا
شاهد النسخة الأصليةرد0
ChainWatcher
· 08-16 20:54
هل جننت في لعب nft؟
شاهد النسخة الأصليةرد0
metaverse_hermit
· 08-16 20:54
لقد بدأوا شيئًا جديدًا، هل سيكون مثيرًا للاهتمام؟ تابعوا.
ابتكار Web3: تحليل شبكة حساب الخصوصية وراء NFT الوجه
دمج بيانات الوجه مع NFT: تحليل عميق لشبكة حساب الخصوصية
في الآونة الأخيرة، أثار مشروع يسمح للمستخدمين بطرحة بيانات الوجه كـ NFT جدلاً واسعاً. منذ إطلاق المشروع في نهاية أبريل، تم طرح أكثر من 200,000 NFT، مما يدل على شعبيته الكبيرة. في الواقع، تكمن في هذا الجمع بين بيانات الوجه على السلسلة وNFT ابتكارات تقنية عميقة.
ستتناول هذه المقالة بشكل عميق أهداف المشروع، والمبادئ التقنية، وكذلك الاتجاه الأوسع لدمج Web3 و AI.
التعرف على الإنسان والآلة المستمر
الهدف الرئيسي من هذا المشروع ليس مجرد سك بيانات الوجه كـ NFT، بل هو استخدام التعرف على الوجه لتحديد ما إذا كان المستخدم شخصًا حقيقيًا. هذه الحاجة تنبع من مشكلة الصراع بين الإنسان والآلة التي تستمر في الوجود في بيئات الويب 2 والويب 3.
تشير البيانات إلى أن البوتات الخبيثة تمثل 27.5% من إجمالي حركة المرور على الإنترنت. يمكن أن تؤدي هذه البرنامج الآلي إلى عواقب كارثية على الخدمات، مما يؤثر بشكل خطير على تجربة المستخدمين. على سبيل المثال، في حالة حجز التذاكر، يزيد المحتالون من فرص نجاحهم بشكل كبير من خلال الحسابات الوهمية، مما يجعل فرص المستخدمين العاديين شبه معدومة.
في بيئة Web2، يميز مقدمو الخدمة بين البشر والآلات من خلال التحقق من الهوية، ورموز التحقق، وما إلى ذلك. ولكن مع تطور الذكاء الاصطناعي، تواجه طرق التحقق التقليدية تحديات. في بيئة Web3، يعتبر التعرف على البشر والآلات أيضًا حاجة قوية، خاصة في سيناريوهات مثل الإطلاقات المجانية (Airdrop) والعمليات عالية المخاطر.
ومع ذلك، فإن تحقيق التعرف على الوجه في بيئة Web3 اللامركزية يتضمن قضايا أعمق: كيف يمكن بناء شبكة حسابات تعلم الآلة اللامركزية؟ كيف يمكن حماية خصوصية المستخدمين؟ كيف يمكن الحفاظ على تشغيل الشبكة؟
الابتكار في استكشاف شبكة الحوسبة الخاصة
بالنسبة للمشكلة المذكورة أعلاه، قامت إحدى الفرق ببناء شبكة حساب خصوصية مبتكرة تعتمد على التشفير المتجانس بالكامل (FHE)، تهدف إلى حل مشكلة حساب الخصوصية في سيناريوهات الذكاء الاصطناعي في Web3.
النواة في هذه الشبكة هي تقنية FHE المحسّنة، والتي تتكيف مع سيناريوهات التعلم الآلي من خلال التصميم الطبقي الذي يشمل الطبقة التطبيقية، الطبقة المحسّنة، الطبقة الحسابية، والطبقة الأصلية. هذا الحساب المخصص يوفر تسريعًا يزيد عن ألف مرة مقارنة بالحلول الأساسية.
يتضمن هيكل الشبكة أربعة أنواع من الأدوار: مالك البيانات، نقاط الحساب، محلل التشفير، ومستلم النتائج. تتلخص سير العمل بشكل عام في:
تستخدم الشبكة واجهة برمجة التطبيقات المفتوحة، مما يقلل من عتبة استخدام المستخدمين. في الوقت نفسه، تحمي التشفير من طرف إلى طرف خصوصية البيانات. كما تجمع الشبكة بين آلية إثبات العمل (PoW) وآلية إثبات الحصة (PoS) لإدارة العقد وتوزيع المكافآت، مما يوازن بين الموارد الحاسوبية والموارد الاقتصادية.
مزايا وقيود تقنية FHE
تعتبر FHE التقنية الأساسية في هذه الشبكة، ولها مزاياها وعيوبها مقارنةً بحلول مثل الإثباتات ذات المعرفة الصفرية (ZKP). تركز FHE على حساب الخصوصية، في حين تركز ZKP على التحقق من الخصوصية. بالمقارنة مع الحسابات المتعددة الآمنة (SMC)، فإن FHE تتمتع بميزات أكبر في بعض السيناريوهات.
حقق FHE فصل حقوق معالجة البيانات عن الملكية، لكنه أيضًا جاء على حساب سرعة العمليات. في السنوات الأخيرة، تم تحسين أداء FHE بشكل ملحوظ من خلال تحسين الخوارزميات وتسريع الأجهزة. ومع ذلك، لا يزال هناك فجوة كبيرة مقارنة بالحسابات الواضحة.
الخاتمة
هذه المحاولة المبتكرة التي تجمع بين بيانات الوجه وNFT والحوسبة الخصوصية تفتح مسارًا جديدًا للتكامل العميق بين Web3 وAI. على الرغم من أن التكنولوجيا الأساسية لا تزال تعاني من قيود، إلا أنه مع استمرار الاختراقات، من المتوقع أن تلعب هذه الحلول دورًا في المزيد من المجالات، مما يدفع تطوير تطبيقات الحوسبة الخصوصية وAI.