Новые проекты превращают данные лиц в NFT, вызывая широкий интерес

В последнее время проект, который превращает данные о лицах в NFT, привлек широкое внимание в крипто-круге. Этот проект позволяет пользователям записывать свои лица через мобильное приложение и преобразовывать их в NFT. С момента запуска в конце апреля было выпущено более 200000 NFT, что демонстрирует огромную популярность.

Цель этого проекта не просто преобразовать данные лица в NFT, а заключается в проверке подлинности пользователей с помощью распознавания лиц. В текущей интернет-среде автоматизированные программы (Bot) занимают значительную долю трафика, при этом вредоносный трафик составляет 27,5% от общего объема. Эти вредоносные программы могут серьезно повредить услугам и даже привести к сбоям в системе.

В эпоху Web2 провайдеры услуг различают людей и машины с помощью различных методов, таких как实名认证 и поведенческие капчи. Однако с быстрым развитием технологий ИИ традиционные методы верификации сталкиваются с новыми вызовами. Средства верификации вынуждены постепенно переходить от обнаружения поведенческих характеристик к обнаружению биометрических признаков, таких как отпечатки пальцев и распознавание лиц.

Для Web3 обнаружение ботов также имеет решающее значение. Например, в случае аирдропов злоумышленники могут создать множество фальшивых аккаунтов для атаки. Поэтому проверка подлинности пользователей становится особенно важной. Особенно это касается некоторых высокорисковых операций, таких как вход в аккаунт, вывод средств и переводы, где необходимо подтвердить, что пользователь не только человек, но и фактический владелец аккаунта.

Однако внедрение распознавания лиц в децентрализованной среде Web3 является непростой задачей. Это связано с множеством сложных вопросов, таких как создание децентрализованной сети вычислений машинного обучения, защита конфиденциальности данных пользователей и поддержание работы сети.

Чтобы решить эти проблемы, проект построил AI-сеть на основе технологии полностью однородного шифрования (FHE). FHE - это технология шифрования, которая гарантирует, что результаты операций с открытым текстом и с зашифрованным текстом совпадают. Разработчики проекта оптимизировали традиционное FHE, чтобы оно лучше подходило для сценариев машинного обучения.

Архитектура этой AI-сети включает четыре основных роли: владелец данных, вычислительный узел, декодер и получатель результатов. Владелец данных безопасно отправляет задачи и данные через API; вычислительный узел выполняет зашифрованные вычисления; декодер проверяет результаты вычислений; и, наконец, возвращает результаты указанному получателю.

На протяжении всего процесса данные всегда остаются в зашифрованном состоянии, что обеспечивает безопасность конфиденциальности. В то же время сеть использует двойной механизм управления узлами и распределения вознаграждений на основе доказательства работы (PoW) и доказательства доли (PoS), позволяя пользователям выбирать подходящий способ участия в зависимости от их ресурсов.

Несмотря на то, что технология FHE открывает новые возможности для вычислений с защитой конфиденциальности, она также сталкивается с проблемами вычислительной эффективности. По сравнению с вычислениями в открытом виде, скорость вычислений FHE все еще значительно ниже. Однако с развитием технологий оптимизации алгоритмов и аппаратного ускорения ожидается дальнейшее улучшение производительности FHE.

В целом, этот проект благодаря инновационной архитектуре и технологиям вычисления конфиденциальности не только предоставляет пользователям безопасную среду для обработки данных, но и открывает новую главу слияния Web3 и ИИ. С постоянными прорывами в технологиях аналогичные проекты могут реализовать свой потенциал в более широких сферах, способствуя развитию вычисления конфиденциальности и приложений ИИ.