Інноваційне поєднання даних обличчя та NFT: глибокий аналіз мережі обчислення конфіденційності
Нещодавно проект, який дозволяє користувачам карбувати дані обличчя в NFT, викликав жваві обговорення. Від моменту запуску в кінці квітня вже було карбовано понад 200 тисяч NFT, що свідчить про високий рівень інтересу. Ця, на перший погляд, проста комбінація даних обличчя на блокчейні та NFT насправді містить глибокі технологічні інновації.
Ця стаття глибше дослідить мету проєкту, технічні принципи та ширшу тенденцію інтеграції Web3 та ШІ.
Постійна протидія розпізнаванню людини і машини
Основною метою цього проєкту не є просте карбування даних обличчя в NFT, а визначення, чи є користувач реальною людиною, за допомогою розпізнавання облич. Ця потреба виникає з постійної проблеми протистояння людини і машини в середовищах Web2 та Web3.
Згідно з даними, зловмисні боти займають 27,5% всього трафіку Інтернету. Ці автоматизовані програми можуть призвести до катастрофічних наслідків для сервісів, серйозно впливаючи на досвід користувачів. Наприклад, у випадку з купівлею квитків, шахраї значно підвищують ймовірність успіху через віртуальні акаунти, в той час як звичайні користувачі майже не мають шансів.
У середовищі Web2 постачальники послуг розрізняють людей і машини за допомогою реєстрації особи, кодів підтвердження тощо. Але з розвитком ШІ традиційні методи перевірки стикаються з викликами. У середовищі Web3 розпізнавання людей і машин також є великою потребою, особливо в таких сценаріях, як аеродропи та високий ризик операцій.
Однак реалізація розпізнавання облич у децентралізованому середовищі Web3 пов'язана з більш глибокими питаннями: як побудувати децентралізовану обчислювальну мережу машинного навчання? Як захистити конфіденційність користувачів? Як підтримувати роботу мережі?
Інноваційні дослідження у сфері обчислень з використанням технологій конфіденційності
Щодо вищезазначеної проблеми, одна команда на основі повної гомоморфної криптографії (FHE) побудувала інноваційну мережу обчислень з приватністю, що має на меті вирішення проблеми обчислень з приватністю в сценаріях AI у Web3.
Ядром цієї мережі є оптимізована технологія FHE, яка завдяки багаторівневому дизайну, що включає прикладний рівень, оптимізаційний рівень, арифметичний рівень та первинний рівень, адаптується до сценаріїв машинного навчання. Така спеціалізована обробка може забезпечити прискорення більше тисячі разів у порівнянні з базовими рішеннями.
У мережевій архітектурі є чотири типи ролей: власник даних, обчислювальні вузли, декодери та отримувачі результатів. Їх робочий процес приблизно наступний:
Користувач реєструється та подає зашифровані обчислювальні завдання та дані
Смарт-контракт розподіляє завдання відповідним обчислювальним вузлам
Вузол виконує криптографічні обчислення та генерує нульове знання доказу
Забезпечення безпеки результатів через перемикання ключів
Декодер перевіряє цілісність обчислень і розшифровує результати
Передати результат вказаному отримувачу
Ця мережа використовує відкритий API, що знижує бар'єри для користувачів. Одночасно, шифрування «кінцева до кінцевої» захищає конфіденційність даних. Мережа також поєднує механізми PoW і PoS для управління вузлами та розподілу винагород, балансуючи обчислювальні та економічні ресурси.
Переваги та обмеження технології FHE
FHE як основна технологія цієї мережі має свої переваги та недоліки в порівнянні з такими рішеннями, як нульове знання (ZKP). FHE акцентує увагу на обчисленні з урахуванням конфіденційності, в той час як ZKP акцентує увагу на верифікації конфіденційності. У порівнянні з безпечними багатосторонніми обчисленнями (SMC), FHE має певні переваги в деяких сценаріях.
FHE реалізувала розділення прав на обробку даних та власності, але також призвела до жертви швидкості обчислень. В останні роки завдяки оптимізації алгоритмів та апаратному прискоренню продуктивність FHE значно покращилася. Проте, в порівнянні з обчисленнями з відкритим текстом, все ще існує значний розрив.
Висновок
Ця інноваційна спроба поєднати дані обличчя, NFT та обчислення конфіденційності відкриває нові шляхи для глибокої інтеграції Web3 та ШІ. Незважаючи на те, що базові технології все ще мають обмеження, з постійними проривами такі рішення можуть реалізувати потенціал у багатьох сферах, сприяючи розвитку обчислення конфіденційності та застосувань ШІ.
Ця сторінка може містити контент третіх осіб, який надається виключно в інформаційних цілях (не в якості запевнень/гарантій) і не повинен розглядатися як схвалення його поглядів компанією Gate, а також як фінансова або професійна консультація. Див. Застереження для отримання детальної інформації.
17 лайків
Нагородити
17
6
Репост
Поділіться
Прокоментувати
0/400
DAOTruant
· 08-16 21:17
Насправді це просто розкрутка.
Переглянути оригіналвідповісти на0
MevHunter
· 08-16 21:08
Грати зрозуміло, безпека краща за спекуляцію.
Переглянути оригіналвідповісти на0
rekt_but_vibing
· 08-16 21:08
Ще одна поширена реклама AI??
Переглянути оригіналвідповісти на0
LiquidationKing
· 08-16 20:54
Збитки зростають, скорочення втрат не припиняється, вже непритомнію.
Переглянути оригіналвідповісти на0
ChainWatcher
· 08-16 20:54
Граєш в NFT до божевілля?
Переглянути оригіналвідповісти на0
metaverse_hermit
· 08-16 20:54
Знову щось нове розпочали. Подивимось на подальші результати.
Web3 інновації: аналіз мережі обчислень конфіденційності за NFT обличчя
Інноваційне поєднання даних обличчя та NFT: глибокий аналіз мережі обчислення конфіденційності
Нещодавно проект, який дозволяє користувачам карбувати дані обличчя в NFT, викликав жваві обговорення. Від моменту запуску в кінці квітня вже було карбовано понад 200 тисяч NFT, що свідчить про високий рівень інтересу. Ця, на перший погляд, проста комбінація даних обличчя на блокчейні та NFT насправді містить глибокі технологічні інновації.
Ця стаття глибше дослідить мету проєкту, технічні принципи та ширшу тенденцію інтеграції Web3 та ШІ.
Постійна протидія розпізнаванню людини і машини
Основною метою цього проєкту не є просте карбування даних обличчя в NFT, а визначення, чи є користувач реальною людиною, за допомогою розпізнавання облич. Ця потреба виникає з постійної проблеми протистояння людини і машини в середовищах Web2 та Web3.
Згідно з даними, зловмисні боти займають 27,5% всього трафіку Інтернету. Ці автоматизовані програми можуть призвести до катастрофічних наслідків для сервісів, серйозно впливаючи на досвід користувачів. Наприклад, у випадку з купівлею квитків, шахраї значно підвищують ймовірність успіху через віртуальні акаунти, в той час як звичайні користувачі майже не мають шансів.
У середовищі Web2 постачальники послуг розрізняють людей і машини за допомогою реєстрації особи, кодів підтвердження тощо. Але з розвитком ШІ традиційні методи перевірки стикаються з викликами. У середовищі Web3 розпізнавання людей і машин також є великою потребою, особливо в таких сценаріях, як аеродропи та високий ризик операцій.
Однак реалізація розпізнавання облич у децентралізованому середовищі Web3 пов'язана з більш глибокими питаннями: як побудувати децентралізовану обчислювальну мережу машинного навчання? Як захистити конфіденційність користувачів? Як підтримувати роботу мережі?
Інноваційні дослідження у сфері обчислень з використанням технологій конфіденційності
Щодо вищезазначеної проблеми, одна команда на основі повної гомоморфної криптографії (FHE) побудувала інноваційну мережу обчислень з приватністю, що має на меті вирішення проблеми обчислень з приватністю в сценаріях AI у Web3.
Ядром цієї мережі є оптимізована технологія FHE, яка завдяки багаторівневому дизайну, що включає прикладний рівень, оптимізаційний рівень, арифметичний рівень та первинний рівень, адаптується до сценаріїв машинного навчання. Така спеціалізована обробка може забезпечити прискорення більше тисячі разів у порівнянні з базовими рішеннями.
У мережевій архітектурі є чотири типи ролей: власник даних, обчислювальні вузли, декодери та отримувачі результатів. Їх робочий процес приблизно наступний:
Ця мережа використовує відкритий API, що знижує бар'єри для користувачів. Одночасно, шифрування «кінцева до кінцевої» захищає конфіденційність даних. Мережа також поєднує механізми PoW і PoS для управління вузлами та розподілу винагород, балансуючи обчислювальні та економічні ресурси.
Переваги та обмеження технології FHE
FHE як основна технологія цієї мережі має свої переваги та недоліки в порівнянні з такими рішеннями, як нульове знання (ZKP). FHE акцентує увагу на обчисленні з урахуванням конфіденційності, в той час як ZKP акцентує увагу на верифікації конфіденційності. У порівнянні з безпечними багатосторонніми обчисленнями (SMC), FHE має певні переваги в деяких сценаріях.
FHE реалізувала розділення прав на обробку даних та власності, але також призвела до жертви швидкості обчислень. В останні роки завдяки оптимізації алгоритмів та апаратному прискоренню продуктивність FHE значно покращилася. Проте, в порівнянні з обчисленнями з відкритим текстом, все ще існує значний розрив.
Висновок
Ця інноваційна спроба поєднати дані обличчя, NFT та обчислення конфіденційності відкриває нові шляхи для глибокої інтеграції Web3 та ШІ. Незважаючи на те, що базові технології все ще мають обмеження, з постійними проривами такі рішення можуть реалізувати потенціал у багатьох сферах, сприяючи розвитку обчислення конфіденційності та застосувань ШІ.