A combinação inovadora de dados faciais e NFT: uma análise aprofundada da rede de cálculo de privacidade
Recentemente, um projeto que permite aos usuários cunhar dados faciais como NFT gerou grande discussão. Desde o seu lançamento no final de abril, já foram cunhadas mais de 200 mil NFTs, o que demonstra seu grande interesse. Por trás dessa combinação aparentemente simples de dados faciais na blockchain + NFT, na verdade, existe uma profunda inovação tecnológica.
Este artigo irá explorar profundamente o objetivo do projeto, os princípios técnicos e a tendência mais ampla da fusão entre Web3 e IA.
Reconhecimento humano-máquina em contínua oposição
O objetivo central deste projeto não é simplesmente cunhar dados faciais como NFT, mas sim determinar se o usuário é uma pessoa real através do reconhecimento facial. Essa necessidade surge do problema contínuo de combate entre humanos e máquinas nos ambientes Web2 e Web3.
De acordo com os dados, bots maliciosos representam 27,5% de todo o tráfego da internet. Esses programas automatizados podem ter consequências desastrosas para os serviços, afetando gravemente a experiência do usuário. Tomando como exemplo a compra de bilhetes, os trapaceiros aumentam significativamente a taxa de sucesso através de contas virtuais, enquanto os usuários comuns quase não têm chance.
No ambiente Web2, os prestadores de serviços diferenciam humanos de máquinas através de autenticação real e códigos de verificação. No entanto, com o desenvolvimento da IA, os métodos de verificação tradicionais enfrentam desafios. No ambiente Web3, a identificação de humanos e máquinas também é uma necessidade forte, especialmente em cenários como airdrops e operações de alto risco.
No entanto, a implementação do reconhecimento facial em um ambiente Web3 descentralizado envolve questões mais profundas: como construir uma rede de computação de aprendizado de máquina descentralizada? Como proteger a privacidade do usuário? Como manter a operação da rede?
Exploração Inovadora da Rede de Cálculo Privado
Para os problemas mencionados, uma equipe construiu uma rede inovadora de computação privada baseada em criptografia homomórfica total (FHE), com o objetivo de resolver questões de computação privada em cenários de IA no Web3.
O núcleo da rede é a tecnologia FHE otimizada, que se adapta a cenários de aprendizado de máquina através de um design em camadas que inclui a camada de aplicação, camada otimizada, camada aritmética e camada primitiva. Este cálculo personalizado pode oferecer mais de mil vezes a aceleração em comparação com soluções básicas.
A arquitetura da rede inclui quatro tipos de papéis: proprietário de dados, nós de computação, decodificador e receptor de resultados. O fluxo de trabalho é aproximadamente o seguinte:
O usuário registra-se e submete as tarefas de computação e os dados criptografados
Os contratos inteligentes atribuem tarefas a nós de computação apropriados
O nó executa cálculos criptográficos e gera provas de conhecimento zero
Garantir a segurança dos resultados através da troca de chaves
O verificador de decodificação valida a integridade do cálculo e decifra o resultado
Entregar os resultados ao destinatário designado
A rede utiliza API abertas, reduzindo a barreira de entrada para os usuários. Ao mesmo tempo, a criptografia de ponta a ponta protege a privacidade dos dados. A rede também combina mecanismos de PoW e PoS para a gestão de nós e a distribuição de recompensas, equilibrando recursos de computação e recursos econômicos.
Vantagens e Limitações da Tecnologia FHE
FHE, como a tecnologia central da rede, tem suas vantagens e desvantagens em comparação com soluções como a prova de conhecimento zero (ZKP). O FHE foca em computação privada, enquanto o ZKP foca em verificação privada. Em comparação com a computação segura multipartidária (SMC), o FHE tem vantagens em certos cenários.
FHE implementou a separação entre o direito de processamento de dados e a propriedade, mas também trouxe um sacrifício na velocidade de cálculo. Nos últimos anos, através da otimização de algoritmos e aceleração de hardware, o desempenho do FHE melhorou significativamente. No entanto, ainda existe uma grande diferença em comparação com o cálculo em texto claro.
Conclusão
Esta tentativa inovadora de combinar dados faciais, NFT e computação de privacidade abre novos caminhos para a profunda fusão entre Web3 e IA. Embora a tecnologia subjacente ainda tenha limitações, à medida que continuamos a avançar, soluções desse tipo têm potencial para desempenhar um papel em mais áreas, promovendo o desenvolvimento de aplicações de computação de privacidade e IA.
Esta página pode conter conteúdo de terceiros, que é fornecido apenas para fins informativos (não para representações/garantias) e não deve ser considerada como um endosso de suas opiniões pela Gate nem como aconselhamento financeiro ou profissional. Consulte a Isenção de responsabilidade para obter detalhes.
17 Curtidas
Recompensa
17
6
Repostar
Compartilhar
Comentário
0/400
DAOTruant
· 08-16 21:17
Na verdade, é só uma questão de criar um alvoroço～
Ver originalResponder0
MevHunter
· 08-16 21:08
Brincar é divertido, mas a segurança é melhor do que especulação.
Ver originalResponder0
rekt_but_vibing
· 08-16 21:08
Mais uma hype de IA que está por todo lado??
Ver originalResponder0
LiquidationKing
· 08-16 20:54
Falta de fundos com o mestre, perda de corte sem parar, já estou entorpecido.
Ver originalResponder0
ChainWatcher
· 08-16 20:54
Brincando com NFTs até ficar louco?
Ver originalResponder0
metaverse_hermit
· 08-16 20:54
Já está a fazer coisas novas. Vamos ver como corre a seguir.
Inovação Web3: Análise da rede de computação de privacidade por trás dos NFTs de rosto
A combinação inovadora de dados faciais e NFT: uma análise aprofundada da rede de cálculo de privacidade
Recentemente, um projeto que permite aos usuários cunhar dados faciais como NFT gerou grande discussão. Desde o seu lançamento no final de abril, já foram cunhadas mais de 200 mil NFTs, o que demonstra seu grande interesse. Por trás dessa combinação aparentemente simples de dados faciais na blockchain + NFT, na verdade, existe uma profunda inovação tecnológica.
Este artigo irá explorar profundamente o objetivo do projeto, os princípios técnicos e a tendência mais ampla da fusão entre Web3 e IA.
Reconhecimento humano-máquina em contínua oposição
O objetivo central deste projeto não é simplesmente cunhar dados faciais como NFT, mas sim determinar se o usuário é uma pessoa real através do reconhecimento facial. Essa necessidade surge do problema contínuo de combate entre humanos e máquinas nos ambientes Web2 e Web3.
De acordo com os dados, bots maliciosos representam 27,5% de todo o tráfego da internet. Esses programas automatizados podem ter consequências desastrosas para os serviços, afetando gravemente a experiência do usuário. Tomando como exemplo a compra de bilhetes, os trapaceiros aumentam significativamente a taxa de sucesso através de contas virtuais, enquanto os usuários comuns quase não têm chance.
No ambiente Web2, os prestadores de serviços diferenciam humanos de máquinas através de autenticação real e códigos de verificação. No entanto, com o desenvolvimento da IA, os métodos de verificação tradicionais enfrentam desafios. No ambiente Web3, a identificação de humanos e máquinas também é uma necessidade forte, especialmente em cenários como airdrops e operações de alto risco.
No entanto, a implementação do reconhecimento facial em um ambiente Web3 descentralizado envolve questões mais profundas: como construir uma rede de computação de aprendizado de máquina descentralizada? Como proteger a privacidade do usuário? Como manter a operação da rede?
Exploração Inovadora da Rede de Cálculo Privado
Para os problemas mencionados, uma equipe construiu uma rede inovadora de computação privada baseada em criptografia homomórfica total (FHE), com o objetivo de resolver questões de computação privada em cenários de IA no Web3.
O núcleo da rede é a tecnologia FHE otimizada, que se adapta a cenários de aprendizado de máquina através de um design em camadas que inclui a camada de aplicação, camada otimizada, camada aritmética e camada primitiva. Este cálculo personalizado pode oferecer mais de mil vezes a aceleração em comparação com soluções básicas.
A arquitetura da rede inclui quatro tipos de papéis: proprietário de dados, nós de computação, decodificador e receptor de resultados. O fluxo de trabalho é aproximadamente o seguinte:
A rede utiliza API abertas, reduzindo a barreira de entrada para os usuários. Ao mesmo tempo, a criptografia de ponta a ponta protege a privacidade dos dados. A rede também combina mecanismos de PoW e PoS para a gestão de nós e a distribuição de recompensas, equilibrando recursos de computação e recursos econômicos.
Vantagens e Limitações da Tecnologia FHE
FHE, como a tecnologia central da rede, tem suas vantagens e desvantagens em comparação com soluções como a prova de conhecimento zero (ZKP). O FHE foca em computação privada, enquanto o ZKP foca em verificação privada. Em comparação com a computação segura multipartidária (SMC), o FHE tem vantagens em certos cenários.
FHE implementou a separação entre o direito de processamento de dados e a propriedade, mas também trouxe um sacrifício na velocidade de cálculo. Nos últimos anos, através da otimização de algoritmos e aceleração de hardware, o desempenho do FHE melhorou significativamente. No entanto, ainda existe uma grande diferença em comparação com o cálculo em texto claro.
Conclusão
Esta tentativa inovadora de combinar dados faciais, NFT e computação de privacidade abre novos caminhos para a profunda fusão entre Web3 e IA. Embora a tecnologia subjacente ainda tenha limitações, à medida que continuamos a avançar, soluções desse tipo têm potencial para desempenhar um papel em mais áreas, promovendo o desenvolvimento de aplicações de computação de privacidade e IA.