La combinaison innovante des données faciales et des NFT : analyse approfondie du réseau de calcul de la vie privée
Récemment, un projet permettant aux utilisateurs de frapper des données faciales en tant que NFT a suscité de vives discussions. Depuis son lancement fin avril, plus de 200 000 NFT ont été frappés, ce qui témoigne de son succès. Cette combinaison apparemment simple de données faciales sur la blockchain et de NFT cache en réalité une innovation technologique profonde.
Cet article explorera en profondeur les objectifs du projet, ses principes techniques ainsi que les tendances plus larges de la fusion entre Web3 et l'IA.
La lutte continue contre la reconnaissance homme-machine
Le but principal de ce projet n'est pas simplement de frapper des données faciales en tant que NFT, mais de déterminer si l'utilisateur est un être humain par la reconnaissance faciale. Ce besoin découle du problème de l'opposition homme-machine qui persiste dans les environnements Web2 et Web3.
Selon les données, les bots malveillants représentent 27,5 % de l'ensemble du trafic Internet. Ces programmes automatisés peuvent avoir des conséquences catastrophiques sur les services, affectant gravement l'expérience utilisateur. Prenons l'exemple de la réservation de billets, où les fraudeurs augmentent considérablement leur taux de réussite grâce à des comptes virtuels, laissant presque aucune chance aux utilisateurs ordinaires.
Dans un environnement Web2, les fournisseurs de services distinguent l'homme de la machine grâce à la vérification d'identité et aux codes de vérification. Cependant, avec le développement de l'IA, les méthodes de vérification traditionnelles sont mises à l'épreuve. Dans un environnement Web3, la reconnaissance homme-machine est également une forte demande, en particulier dans des scénarios tels que les airdrops et les opérations à haut risque.
Cependant, la mise en œuvre de la reconnaissance faciale dans un environnement Web3 décentralisé soulève des questions plus profondes : comment construire un réseau de calcul d'apprentissage automatique décentralisé ? Comment protéger la vie privée des utilisateurs ? Comment maintenir le fonctionnement du réseau ?
Exploration innovante des réseaux de calcul privé
Pour répondre à la question ci-dessus, une équipe a construit un réseau innovant de calcul privé basé sur le chiffrement homomorphe complet (FHE), visant à résoudre le problème du calcul privé dans les scénarios d'IA de Web3.
Le cœur de ce réseau est une technologie FHE optimisée, qui s'adapte aux scénarios d'apprentissage automatique grâce à une conception hiérarchique composée de couches d'application, de couches d'optimisation, de couches arithmétiques et de couches brutes. Ce calcul sur mesure peut offrir plus de mille fois d'accélération par rapport aux solutions de base.
L'architecture réseau comprend quatre types de rôles : les propriétaires de données, les nœuds de calcul, les déchiffreurs et les récepteurs de résultats. Leur flux de travail est approximativement le suivant :
L'utilisateur s'inscrit et soumet des tâches de calcul et des données cryptées.
Les contrats intelligents attribuent des tâches aux nœuds de calcul appropriés
Les nœuds exécutent des calculs cryptographiques et génèrent des preuves à divulgation nulle de connaissance.
Assurer la sécurité des résultats grâce à un changement de clé
Le décryptage vérifie l'intégrité des calculs et déchiffre les résultats
Remettre les résultats au destinataire désigné
Le réseau utilise une API ouverte, ce qui réduit le seuil d'utilisation pour les utilisateurs. En même temps, le cryptage de bout en bout protège la confidentialité des données. Le réseau combine également les mécanismes PoW et PoS pour la gestion des nœuds et la distribution des récompenses, équilibrant ainsi les ressources de calcul et les ressources économiques.
Avantages et limites de la technologie FHE
FHE, en tant que technologie clé de ce réseau, présente des avantages et des inconvénients par rapport à des solutions telles que la preuve à connaissance nulle (ZKP). FHE se concentre sur le calcul de la confidentialité, tandis que ZKP se concentre sur la vérification de la confidentialité. Par rapport au calcul sécurisé multipartite (SMC), FHE présente des avantages dans certains scénarios.
FHE a réalisé la séparation des droits de traitement des données et de la propriété, mais cela a également entraîné un sacrifice de la vitesse de calcul. Ces dernières années, grâce à des méthodes telles que l'optimisation des algorithmes et l'accélération matérielle, les performances de FHE se sont considérablement améliorées. Cependant, il existe encore un écart important par rapport au calcul en clair.
Conclusion
Cette tentative innovante de combiner les données faciales, les NFT et le calcul de la vie privée ouvre de nouvelles voies pour l'intégration profonde de Web3 et de l'IA. Bien que la technologie sous-jacente présente encore des limites, avec des percées continues, ce type de solution devrait avoir le potentiel de jouer un rôle dans davantage de domaines, favorisant le développement des applications de calcul de la vie privée et de l'IA.
Cette page peut inclure du contenu de tiers fourni à des fins d'information uniquement. Gate ne garantit ni l'exactitude ni la validité de ces contenus, n’endosse pas les opinions exprimées, et ne fournit aucun conseil financier ou professionnel à travers ces informations. Voir la section Avertissement pour plus de détails.
17 J'aime
Récompense
17
6
Reposter
Partager
Commentaire
0/400
DAOTruant
· Il y a 23h
En fait, c'est juste un coup de marketing, n'est-ce pas ?
Voir l'originalRépondre0
MevHunter
· 08-16 21:08
Jouer intelligemment, la sécurité est plus attrayante que la spéculation.
Voir l'originalRépondre0
rekt_but_vibing
· 08-16 21:08
Encore une autre manipulation médiatique d'IA ?
Voir l'originalRépondre0
LiquidationKing
· 08-16 20:54
Déficit avec le maître, Cut Loss sans arrêt, déjà engourdi.
Voir l'originalRépondre0
ChainWatcher
· 08-16 20:54
Jouer aux NFT est devenu fou ?
Voir l'originalRépondre0
metaverse_hermit
· 08-16 20:54
Encore un nouveau truc, est-ce que ça vaudra le coup de suivre?
Web3 innovation : Analyse du réseau de calcul de la vie privée derrière les NFT de visage
La combinaison innovante des données faciales et des NFT : analyse approfondie du réseau de calcul de la vie privée
Récemment, un projet permettant aux utilisateurs de frapper des données faciales en tant que NFT a suscité de vives discussions. Depuis son lancement fin avril, plus de 200 000 NFT ont été frappés, ce qui témoigne de son succès. Cette combinaison apparemment simple de données faciales sur la blockchain et de NFT cache en réalité une innovation technologique profonde.
Cet article explorera en profondeur les objectifs du projet, ses principes techniques ainsi que les tendances plus larges de la fusion entre Web3 et l'IA.
La lutte continue contre la reconnaissance homme-machine
Le but principal de ce projet n'est pas simplement de frapper des données faciales en tant que NFT, mais de déterminer si l'utilisateur est un être humain par la reconnaissance faciale. Ce besoin découle du problème de l'opposition homme-machine qui persiste dans les environnements Web2 et Web3.
Selon les données, les bots malveillants représentent 27,5 % de l'ensemble du trafic Internet. Ces programmes automatisés peuvent avoir des conséquences catastrophiques sur les services, affectant gravement l'expérience utilisateur. Prenons l'exemple de la réservation de billets, où les fraudeurs augmentent considérablement leur taux de réussite grâce à des comptes virtuels, laissant presque aucune chance aux utilisateurs ordinaires.
Dans un environnement Web2, les fournisseurs de services distinguent l'homme de la machine grâce à la vérification d'identité et aux codes de vérification. Cependant, avec le développement de l'IA, les méthodes de vérification traditionnelles sont mises à l'épreuve. Dans un environnement Web3, la reconnaissance homme-machine est également une forte demande, en particulier dans des scénarios tels que les airdrops et les opérations à haut risque.
Cependant, la mise en œuvre de la reconnaissance faciale dans un environnement Web3 décentralisé soulève des questions plus profondes : comment construire un réseau de calcul d'apprentissage automatique décentralisé ? Comment protéger la vie privée des utilisateurs ? Comment maintenir le fonctionnement du réseau ?
Exploration innovante des réseaux de calcul privé
Pour répondre à la question ci-dessus, une équipe a construit un réseau innovant de calcul privé basé sur le chiffrement homomorphe complet (FHE), visant à résoudre le problème du calcul privé dans les scénarios d'IA de Web3.
Le cœur de ce réseau est une technologie FHE optimisée, qui s'adapte aux scénarios d'apprentissage automatique grâce à une conception hiérarchique composée de couches d'application, de couches d'optimisation, de couches arithmétiques et de couches brutes. Ce calcul sur mesure peut offrir plus de mille fois d'accélération par rapport aux solutions de base.
L'architecture réseau comprend quatre types de rôles : les propriétaires de données, les nœuds de calcul, les déchiffreurs et les récepteurs de résultats. Leur flux de travail est approximativement le suivant :
Le réseau utilise une API ouverte, ce qui réduit le seuil d'utilisation pour les utilisateurs. En même temps, le cryptage de bout en bout protège la confidentialité des données. Le réseau combine également les mécanismes PoW et PoS pour la gestion des nœuds et la distribution des récompenses, équilibrant ainsi les ressources de calcul et les ressources économiques.
Avantages et limites de la technologie FHE
FHE, en tant que technologie clé de ce réseau, présente des avantages et des inconvénients par rapport à des solutions telles que la preuve à connaissance nulle (ZKP). FHE se concentre sur le calcul de la confidentialité, tandis que ZKP se concentre sur la vérification de la confidentialité. Par rapport au calcul sécurisé multipartite (SMC), FHE présente des avantages dans certains scénarios.
FHE a réalisé la séparation des droits de traitement des données et de la propriété, mais cela a également entraîné un sacrifice de la vitesse de calcul. Ces dernières années, grâce à des méthodes telles que l'optimisation des algorithmes et l'accélération matérielle, les performances de FHE se sont considérablement améliorées. Cependant, il existe encore un écart important par rapport au calcul en clair.
Conclusion
Cette tentative innovante de combiner les données faciales, les NFT et le calcul de la vie privée ouvre de nouvelles voies pour l'intégration profonde de Web3 et de l'IA. Bien que la technologie sous-jacente présente encore des limites, avec des percées continues, ce type de solution devrait avoir le potentiel de jouer un rôle dans davantage de domaines, favorisant le développement des applications de calcul de la vie privée et de l'IA.