La combinación innovadora de datos faciales y NFT: un análisis profundo de la red de computación de privacidad
Recientemente, un proyecto que permite a los usuarios acuñar datos faciales como NFT ha generado un gran debate. Desde su lanzamiento a finales de abril, se han acuñado más de 200,000 NFT, lo que refleja su popularidad. Detrás de esta combinación aparentemente simple de datos faciales en la cadena + NFT, en realidad hay una profunda innovación técnica.
Este artículo explorará en profundidad los objetivos del proyecto, los principios técnicos y la tendencia más amplia de la fusión entre Web3 y la IA.
Reconocimiento humano-máquina en continua oposición
El objetivo principal del proyecto no es simplemente acuñar datos faciales como NFT, sino determinar a través del reconocimiento facial si el usuario es una persona real. Esta necesidad surge del problema continuo de la confrontación entre humanos y máquinas en los entornos de Web2 y Web3.
Según los datos, los Bots maliciosos representan el 27.5% del tráfico total de Internet. Estos programas automatizados pueden tener consecuencias desastrosas para los servicios, afectando gravemente la experiencia del usuario. Tomando como ejemplo la compra de boletos, los tramposos aumentan significativamente su tasa de éxito mediante cuentas virtuales, mientras que los usuarios comunes casi no tienen posibilidades.
En el entorno de Web2, los proveedores de servicios distinguen entre humanos y máquinas a través de la verificación de identidad, códigos de verificación, entre otros métodos. Sin embargo, con el desarrollo de la IA, los métodos de verificación tradicionales enfrentan desafíos. En el entorno de Web3, la identificación de humanos y máquinas también es una necesidad fuerte, especialmente en escenarios como airdrops y operaciones de alto riesgo.
Sin embargo, implementar el reconocimiento facial en un entorno Web3 descentralizado plantea cuestiones más profundas: ¿cómo construir una red de computación de aprendizaje automático descentralizada? ¿Cómo proteger la privacidad del usuario? ¿Cómo mantener el funcionamiento de la red?
Exploración innovadora de redes de computación privada
Para abordar los problemas mencionados, un equipo ha construido una innovadora red de cálculo privado basada en la criptografía homomórfica completa (FHE), con el objetivo de resolver los problemas de cálculo privado en escenarios de IA en Web3.
El núcleo de esta red es la tecnología FHE optimizada, que se adapta a los escenarios de aprendizaje automático mediante un diseño jerárquico de la capa de aplicación, la capa de optimización, la capa aritmética y la capa primitiva. Este cálculo personalizado puede ofrecer más de mil veces la aceleración en comparación con la solución básica.
La arquitectura de la red incluye cuatro tipos de roles: propietarios de datos, nodos de computación, descifradores y receptores de resultados. Su flujo de trabajo es aproximadamente el siguiente:
El usuario se registra y envía tareas de cálculo y datos encriptados.
Los contratos inteligentes asignan tareas a nodos de cálculo adecuados
Los nodos ejecutan cálculos criptográficos y generan pruebas de conocimiento cero
Asegurar la seguridad de los resultados mediante el cambio de claves
El verificador de descifrado valida la integridad del cálculo y descifra el resultado
Entregar el resultado al destinatario designado
Esta red utiliza API abiertas, lo que reduce la barrera de entrada para los usuarios. Al mismo tiempo, la encriptación de extremo a extremo protege la privacidad de los datos. La red también combina mecanismos de PoW y PoS para la gestión de nodos y la distribución de recompensas, equilibrando los recursos computacionales y los recursos económicos.
Ventajas y limitaciones de la tecnología FHE
FHE, como la tecnología central de esta red, tiene sus ventajas y desventajas en comparación con soluciones como la prueba de cero conocimiento (ZKP). FHE se centra en el cálculo de la privacidad, mientras que ZKP se centra en la verificación de la privacidad. En comparación con el cálculo seguro multiparte (SMC), FHE tiene ventajas en ciertos escenarios.
FHE ha logrado la separación entre el derecho de procesamiento de datos y la propiedad, pero también ha traído consigo una sacrificio en la velocidad de cálculo. En los últimos años, a través de la optimización de algoritmos y métodos de aceleración de hardware, el rendimiento de FHE ha mejorado significativamente. Sin embargo, aún existe una gran diferencia en comparación con el cálculo en texto claro.
Conclusión
Este intento innovador que combina datos faciales, NFT y computación privada abre nuevos caminos para la profunda integración de Web3 y la IA. A pesar de que la tecnología subyacente todavía tiene limitaciones, con avances continuos, se espera que este tipo de soluciones pueda desempeñar un papel en más áreas, promoviendo el desarrollo de la computación privada y las aplicaciones de IA.
Esta página puede contener contenido de terceros, que se proporciona únicamente con fines informativos (sin garantías ni declaraciones) y no debe considerarse como un respaldo por parte de Gate a las opiniones expresadas ni como asesoramiento financiero o profesional. Consulte el Descargo de responsabilidad para obtener más detalles.
17 me gusta
Recompensa
17
6
Republicar
Compartir
Comentar
0/400
DAOTruant
· 08-16 21:17
En realidad, solo es un truco para llamar la atención.
Ver originalesResponder0
MevHunter
· 08-16 21:08
Entenderlo bien es más seguro que la especulación.
Ver originalesResponder0
rekt_but_vibing
· 08-16 21:08
¿Otra exageración de IA que ya está por todas partes?
Ver originalesResponder0
LiquidationKing
· 08-16 20:54
Falta de fondos con el maestro, Reducir pérdidas sin parar, ya estoy aturdido.
Ver originalesResponder0
ChainWatcher
· 08-16 20:54
¿Te volviste loco jugando con NFT?
Ver originalesResponder0
metaverse_hermit
· 08-16 20:54
¿Haciendo algo nuevo otra vez? ¿Está bien? Estén atentos a lo que sigue.
Innovación en Web3: Análisis de la red de cálculo de privacidad detrás del NFT de rostro
La combinación innovadora de datos faciales y NFT: un análisis profundo de la red de computación de privacidad
Recientemente, un proyecto que permite a los usuarios acuñar datos faciales como NFT ha generado un gran debate. Desde su lanzamiento a finales de abril, se han acuñado más de 200,000 NFT, lo que refleja su popularidad. Detrás de esta combinación aparentemente simple de datos faciales en la cadena + NFT, en realidad hay una profunda innovación técnica.
Este artículo explorará en profundidad los objetivos del proyecto, los principios técnicos y la tendencia más amplia de la fusión entre Web3 y la IA.
Reconocimiento humano-máquina en continua oposición
El objetivo principal del proyecto no es simplemente acuñar datos faciales como NFT, sino determinar a través del reconocimiento facial si el usuario es una persona real. Esta necesidad surge del problema continuo de la confrontación entre humanos y máquinas en los entornos de Web2 y Web3.
Según los datos, los Bots maliciosos representan el 27.5% del tráfico total de Internet. Estos programas automatizados pueden tener consecuencias desastrosas para los servicios, afectando gravemente la experiencia del usuario. Tomando como ejemplo la compra de boletos, los tramposos aumentan significativamente su tasa de éxito mediante cuentas virtuales, mientras que los usuarios comunes casi no tienen posibilidades.
En el entorno de Web2, los proveedores de servicios distinguen entre humanos y máquinas a través de la verificación de identidad, códigos de verificación, entre otros métodos. Sin embargo, con el desarrollo de la IA, los métodos de verificación tradicionales enfrentan desafíos. En el entorno de Web3, la identificación de humanos y máquinas también es una necesidad fuerte, especialmente en escenarios como airdrops y operaciones de alto riesgo.
Sin embargo, implementar el reconocimiento facial en un entorno Web3 descentralizado plantea cuestiones más profundas: ¿cómo construir una red de computación de aprendizaje automático descentralizada? ¿Cómo proteger la privacidad del usuario? ¿Cómo mantener el funcionamiento de la red?
Exploración innovadora de redes de computación privada
Para abordar los problemas mencionados, un equipo ha construido una innovadora red de cálculo privado basada en la criptografía homomórfica completa (FHE), con el objetivo de resolver los problemas de cálculo privado en escenarios de IA en Web3.
El núcleo de esta red es la tecnología FHE optimizada, que se adapta a los escenarios de aprendizaje automático mediante un diseño jerárquico de la capa de aplicación, la capa de optimización, la capa aritmética y la capa primitiva. Este cálculo personalizado puede ofrecer más de mil veces la aceleración en comparación con la solución básica.
La arquitectura de la red incluye cuatro tipos de roles: propietarios de datos, nodos de computación, descifradores y receptores de resultados. Su flujo de trabajo es aproximadamente el siguiente:
Esta red utiliza API abiertas, lo que reduce la barrera de entrada para los usuarios. Al mismo tiempo, la encriptación de extremo a extremo protege la privacidad de los datos. La red también combina mecanismos de PoW y PoS para la gestión de nodos y la distribución de recompensas, equilibrando los recursos computacionales y los recursos económicos.
Ventajas y limitaciones de la tecnología FHE
FHE, como la tecnología central de esta red, tiene sus ventajas y desventajas en comparación con soluciones como la prueba de cero conocimiento (ZKP). FHE se centra en el cálculo de la privacidad, mientras que ZKP se centra en la verificación de la privacidad. En comparación con el cálculo seguro multiparte (SMC), FHE tiene ventajas en ciertos escenarios.
FHE ha logrado la separación entre el derecho de procesamiento de datos y la propiedad, pero también ha traído consigo una sacrificio en la velocidad de cálculo. En los últimos años, a través de la optimización de algoritmos y métodos de aceleración de hardware, el rendimiento de FHE ha mejorado significativamente. Sin embargo, aún existe una gran diferencia en comparación con el cálculo en texto claro.
Conclusión
Este intento innovador que combina datos faciales, NFT y computación privada abre nuevos caminos para la profunda integración de Web3 y la IA. A pesar de que la tecnología subyacente todavía tiene limitaciones, con avances continuos, se espera que este tipo de soluciones pueda desempeñar un papel en más áreas, promoviendo el desarrollo de la computación privada y las aplicaciones de IA.