NFTização de dados faciais: explorando a inovação da fusão entre Web3 e IA

Recentemente, um projeto de cunhagem de NFT de reconhecimento facial chamou a atenção generalizada. O projeto permite que os usuários convertam seus dados faciais em NFT através de um aplicativo móvel, e desde o seu lançamento, já atraiu mais de 200.000 usuários. Este fenômeno esconde inovações tecnológicas profundas e explorações de cenários de aplicação.

Desafios contínuos do reconhecimento humano-máquina

O reconhecimento humano-máquina sempre foi um problema crucial no mundo da Internet. De acordo com os dados, no primeiro trimestre de 2024, o tráfego de Bots maliciosos representou 27,5% do tráfego total da Internet. Estes programas automatizados não só afetam a experiência do utilizador, como também podem causar danos graves aos prestadores de serviços.

No ambiente Web2, métodos como CAPTCHA e verificação de identidade são utilizados para distinguir entre humanos e máquinas. No entanto, com o rápido desenvolvimento da tecnologia de IA, os métodos tradicionais de verificação enfrentam novos desafios. Os meios de verificação têm que evoluir gradualmente de detecção de características comportamentais para reconhecimento de características biométricas.

O campo Web3 também enfrenta a necessidade de reconhecimento humano, especialmente na prevenção de ataques de bruxas e na proteção de operações de alto risco. No entanto, como implementar um reconhecimento facial eficaz em um ambiente descentralizado, ao mesmo tempo que se protege a privacidade do usuário, tornou-se um complexo desafio técnico.

Tentativas de inovação na rede de computação privada

Para resolver os desafios das aplicações de IA no ambiente Web3, uma empresa construiu uma rede de IA privada baseada na tecnologia de criptografia homomórfica completa (FHE). Esta rede, através da otimização do encapsulamento, adapta a tecnologia FHE a cenários de aprendizado de máquina, oferecendo uma aceleração computacional mil vezes superior à solução básica.

Esta rede inclui quatro tipos de papéis: proprietários de dados, nós de computação, descriptografadores e receptores de resultados. O seu fluxo de trabalho central abrange todo o processo, desde o registo do utilizador, a submissão de tarefas até à validação de resultados, garantindo a privacidade e a segurança dos dados durante todo o processo de tratamento.

A rede utiliza um mecanismo duplo de PoW e PoS para gerenciar nós e distribuir recompensas. Os usuários podem participar do cálculo da rede e obter ganhos comprando NFTs específicos, e também podem aumentar o multiplicador de ganhos ao fazer staking de tokens. Este design aproveita a produção de trabalho real e equilibra a distribuição de recursos econômicos.

Vantagens e Limitações da Tecnologia FHE

A criptografia homomórfica completa (FHE), como uma tecnologia criptográfica emergente, demonstra um grande potencial na área da computação em privacidade. Em comparação com a prova de conhecimento zero (ZKP) e o cálculo seguro multipartido (SMC), a FHE é mais adequada para cenários de cálculo complexos que exigem a proteção da privacidade dos dados.

No entanto, a FHE também enfrenta desafios em termos de eficiência computacional. Embora tenham sido feitos alguns avanços recentes em otimização de algoritmos e aceleração de hardware, o desempenho da FHE ainda apresenta uma grande diferença em relação ao cálculo em texto claro.

Perspectivas Futuras

Com o constante avanço da tecnologia e a expansão dos cenários de aplicação, as redes de computação privada baseadas em FHE têm potencial para desempenhar um papel em mais áreas. Esta tentativa de integrar profundamente o Web3 com a IA não apenas oferece aos usuários um ambiente seguro para o processamento de dados, mas também abre novas possibilidades para futuras aplicações de IA voltadas para a proteção da privacidade.