NFT-ізація даних обличчя: дослідження інноваційної інтеграції Web3 та ШІ
Нещодавно один проект з випуску NFT на основі обличчя викликав широке зацікавлення. Цей проект дозволяє користувачам через мобільний додаток створювати NFT на основі своїх обличчя. З моменту запуску він залучив понад 200 тисяч користувачів. Це явище містить глибокі технічні інновації та дослідження можливих сценаріїв застосування.
Постійні виклики в розпізнаванні людини та машини
Розпізнавання людини і машини завжди було ключовою проблемою в інтернет-світі. Згідно з даними, у першому кварталі 2024 року частка шкідливого бот-трафіку становила 27,5% від загального інтернет-трафіку. Ці автоматизовані програми не тільки впливають на досвід користувачів, але й можуть завдати серйозної шкоди постачальникам послуг.
У середовищі Web2 для розрізнення людини та машини використовуються різні методи, такі як капча, реальна ідентифікація тощо. Однак, з швидким розвитком технології ШІ традиційні методи перевірки стикаються з новими викликами. Методи перевірки змушені поступово переходити від виявлення поведінкових ознак до біометричної ідентифікації.
У сфері Web3 також існує потреба в розпізнаванні людини, особливо в аспектах запобігання атак відьом і захисту високоризикових операцій. Однак питання, як реалізувати ефективне розпізнавання облич в децентралізованому середовищі, одночасно захищаючи конфіденційність користувачів, стає складною технічною проблемою.
Інноваційні спроби мережі обчислення конфіденційності
Щоб вирішити проблеми застосування AI в середовищі Web3, одна компанія побудувала мережу приватного AI на основі технології повної гомоморфної криптографії (FHE). Ця мережа, оптимізуючи упаковку, адаптувала технологію FHE до сценаріїв машинного навчання, забезпечуючи тисячі разів більшу обчислювальну швидкість порівняно з базовим рішенням.
Ця мережа містить чотири типи ролей: власник даних, обчислювальний вузол, декодер і отримувач результатів. Її основний робочий процес охоплює весь процес від реєстрації користувача, подання задач до перевірки результатів, що забезпечує конфіденційність і безпеку даних протягом усього процесу обробки.
Ця мережа використовує подвійний механізм PoW і PoS для управління вузлами та розподілу винагород. Користувачі можуть брати участь у обчисленнях мережі та отримувати прибуток, купуючи певні NFT, а також можуть підвищувати множник прибутку, ставлячи токени. Такий підхід використовує фактичну робочу продукцію та водночас врівноважує розподіл економічних ресурсів.
Переваги та обмеження технології FHE
Повна гомоморфна криптографія як нова технологія в криптографії демонструє величезний потенціал у сфері обчислень з конфіденційністю. У порівнянні з доказами нульового знання (ZKP) та безпечними багатосторонніми обчисленнями (SMC), FHE більше підходить для складних обчислювальних сценаріїв, де необхідно захистити конфіденційність даних.
Однак FHE також стикається з викликами в обчислювальній ефективності. Незважаючи на деякі досягнення в оптимізації алгоритмів та апаратному прискоренні в останні роки, продуктивність FHE все ще значно відстає від продуктивності обчислень з відкритим текстом.
Перспективи майбутнього
З розвитком технологій та розширенням застосунків, мережі приватних обчислень на основі FHE мають перспективи відігравати роль у багатьох сферах. Ця спроба глибокої інтеграції Web3 з AI не лише забезпечує користувачам безпечне середовище для обробки даних, але й відкриває нові можливості для майбутніх AI-додатків, що захищають приватність.
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.
14 лайків
Нагородити
14
5
Поділіться
Прокоментувати
0/400
WarmLightLin
· 9год тому
Гучна стара сосна
Переглянути оригіналвідповісти на0
RugpullAlertOfficer
· 10год тому
Чеканка обличчя? Скоріше нагадує обдурювання людей, як лохів.
Переглянути оригіналвідповісти на0
OldLeekMaster
· 11год тому
Знову спекуляції з NFT?
Переглянути оригіналвідповісти на0
UnluckyMiner
· 11год тому
Цікаво, дійшло до обличчя.
Переглянути оригіналвідповісти на0
ClassicDumpster
· 11год тому
невдахи ще так можуть обдурювати людей, як лохів? Жорстоко!
NFT обличчя та приватність AI: інноваційна практика злиття AI у Web3
NFT-ізація даних обличчя: дослідження інноваційної інтеграції Web3 та ШІ
Нещодавно один проект з випуску NFT на основі обличчя викликав широке зацікавлення. Цей проект дозволяє користувачам через мобільний додаток створювати NFT на основі своїх обличчя. З моменту запуску він залучив понад 200 тисяч користувачів. Це явище містить глибокі технічні інновації та дослідження можливих сценаріїв застосування.
Постійні виклики в розпізнаванні людини та машини
Розпізнавання людини і машини завжди було ключовою проблемою в інтернет-світі. Згідно з даними, у першому кварталі 2024 року частка шкідливого бот-трафіку становила 27,5% від загального інтернет-трафіку. Ці автоматизовані програми не тільки впливають на досвід користувачів, але й можуть завдати серйозної шкоди постачальникам послуг.
У середовищі Web2 для розрізнення людини та машини використовуються різні методи, такі як капча, реальна ідентифікація тощо. Однак, з швидким розвитком технології ШІ традиційні методи перевірки стикаються з новими викликами. Методи перевірки змушені поступово переходити від виявлення поведінкових ознак до біометричної ідентифікації.
У сфері Web3 також існує потреба в розпізнаванні людини, особливо в аспектах запобігання атак відьом і захисту високоризикових операцій. Однак питання, як реалізувати ефективне розпізнавання облич в децентралізованому середовищі, одночасно захищаючи конфіденційність користувачів, стає складною технічною проблемою.
Інноваційні спроби мережі обчислення конфіденційності
Щоб вирішити проблеми застосування AI в середовищі Web3, одна компанія побудувала мережу приватного AI на основі технології повної гомоморфної криптографії (FHE). Ця мережа, оптимізуючи упаковку, адаптувала технологію FHE до сценаріїв машинного навчання, забезпечуючи тисячі разів більшу обчислювальну швидкість порівняно з базовим рішенням.
Ця мережа містить чотири типи ролей: власник даних, обчислювальний вузол, декодер і отримувач результатів. Її основний робочий процес охоплює весь процес від реєстрації користувача, подання задач до перевірки результатів, що забезпечує конфіденційність і безпеку даних протягом усього процесу обробки.
Ця мережа використовує подвійний механізм PoW і PoS для управління вузлами та розподілу винагород. Користувачі можуть брати участь у обчисленнях мережі та отримувати прибуток, купуючи певні NFT, а також можуть підвищувати множник прибутку, ставлячи токени. Такий підхід використовує фактичну робочу продукцію та водночас врівноважує розподіл економічних ресурсів.
Переваги та обмеження технології FHE
Повна гомоморфна криптографія як нова технологія в криптографії демонструє величезний потенціал у сфері обчислень з конфіденційністю. У порівнянні з доказами нульового знання (ZKP) та безпечними багатосторонніми обчисленнями (SMC), FHE більше підходить для складних обчислювальних сценаріїв, де необхідно захистити конфіденційність даних.
Однак FHE також стикається з викликами в обчислювальній ефективності. Незважаючи на деякі досягнення в оптимізації алгоритмів та апаратному прискоренні в останні роки, продуктивність FHE все ще значно відстає від продуктивності обчислень з відкритим текстом.
Перспективи майбутнього
З розвитком технологій та розширенням застосунків, мережі приватних обчислень на основі FHE мають перспективи відігравати роль у багатьох сферах. Ця спроба глибокої інтеграції Web3 з AI не лише забезпечує користувачам безпечне середовище для обробки даних, але й відкриває нові можливості для майбутніх AI-додатків, що захищають приватність.