Мінтинг NFT з даних обличчя: дослідження інтеграції обчислень конфіденційності та ШІ

Нещодавно проект мінтінгу NFT з використанням обличчя привернув широку увагу. Цей проект дозволяє користувачам вводити своє обличчя через мобільний додаток і мінтити його як NFT. Ця на перший погляд проста концепція за короткий проміжок часу залучила велику кількість користувачів, а обсяг мінтінгу перевищив 200000 NFT.

Справжня мета цього проєкту полягає не лише в перетворенні даних обличчя на NFT, а в перевірці реальної особи користувача за допомогою розпізнавання облич. У сучасному інтернет-середовищі зловмисні програми займають значну частку трафіку, що створює безліч проблем для постачальників послуг та звичайних користувачів. Традиційні методи перевірки людина-машина стикаються з постійними викликами, особливо на фоні швидкого розвитку технологій ШІ.

У сфері Web3 перевірка особи також є надзвичайно важливою. Особливо коли йдеться про безпеку облікових записів, транзакції та аеродропи, необхідні більш надійні засоби автентифікації. Однак, як досягти цієї мети в децентралізованому середовищі, одночасно захищаючи конфіденційність користувачів, стало нагальною проблемою, що потребує вирішення.

Щоб впоратися з цим викликом, одна компанія запропонувала інноваційне рішення. Вони на базі технології повної гомоморфної криптографії (FHE) побудували мережу обчислень з дотриманням конфіденційності, що має на меті вирішення проблем конфіденційності в сценаріях застосування ШІ в середовищі Web3. Архітектура цієї мережі включає кілька ролей, таких як власник даних, обчислювальні вузли, декодер і отримувач результатів, які через складні робочі процеси забезпечують безпеку та конфіденційність даних під час обчислень.

Ця мережа використовує подвійну механіку доказу роботи (PoW) та доказу частки (PoS) для управління вузлами та розподілу винагород. Користувачі можуть брати участь у обчисленнях мережі та отримувати прибуток, купуючи певні NFT, а також можуть підвищити множник прибутку за допомогою іншого NFT. Цей дизайн покликаний збалансувати важливість обчислювальних та економічних ресурсів у мережі, надаючи користувачам різноманітні способи участі.

Хоча технологія повної гомоморфної криптографії надає нові можливості для обчислень з урахуванням конфіденційності, вона також стикається з деякими викликами, головним чином проблемою обчислювальної ефективності. У порівнянні з обчисленнями з відкритим текстом, швидкість обчислень FHE все ще має значну різницю. Проте, завдяки оптимізації алгоритмів та апаратному прискоренню, перспективи застосування цієї технології поступово розширюються.

Цей проект демонструє потенціал глибокої інтеграції Web3 та AI, пропонуючи нові ідеї для захисту конфіденційності та верифікації особистості. Хоча наразі існують деякі технічні обмеження, проте з постійними дослідженнями та інноваціями ця комбінація має шанс відігравати важливу роль у більшій кількості сфер, сприяючи розвитку обчислень конфіденційності та застосувань AI.