Sự kết hợp đổi mới giữa dữ liệu khuôn mặt và NFT: Phân tích sâu về mạng tính toán riêng tư
Gần đây, một dự án cho phép người dùng đúc dữ liệu khuôn mặt thành NFT đã gây ra nhiều tranh cãi. Kể từ khi ra mắt vào cuối tháng 4, đã có hơn 200.000 NFT được đúc, cho thấy sự quan tâm rõ rệt. Sự kết hợp giữa dữ liệu khuôn mặt đơn giản trên chuỗi + NFT này thực sự ẩn chứa những đổi mới công nghệ sâu sắc.
Bài viết này sẽ đi sâu vào mục đích của dự án, nguyên lý kỹ thuật cũng như xu hướng tích hợp rộng hơn của Web3 và AI.
Sự đối kháng liên tục giữa con người và máy
Mục đích cốt lõi của dự án này không chỉ đơn thuần là đúc dữ liệu khuôn mặt thành NFT, mà còn là xác định xem người dùng có phải là người thật hay không thông qua nhận diện khuôn mặt. Nhu cầu này xuất phát từ vấn đề đối kháng giữa người và máy vẫn tồn tại trong môi trường Web2 và Web3.
Theo dữ liệu, bot độc hại chiếm 27.5% lưu lượng truy cập toàn bộ Internet. Những chương trình tự động này có thể mang lại hậu quả thảm khốc cho dịch vụ, ảnh hưởng nghiêm trọng đến trải nghiệm của người dùng. Lấy ví dụ về việc mua vé, những kẻ gian lận thông qua tài khoản ảo đã tăng tỷ lệ thành công lên đáng kể, khiến người dùng bình thường gần như không có cơ hội.
Trong môi trường Web2, các nhà cung cấp dịch vụ phân biệt con người và máy móc thông qua xác thực danh tính và mã xác minh. Tuy nhiên, với sự phát triển của AI, các phương pháp xác thực truyền thống đang phải đối mặt với thách thức. Trong môi trường Web3, việc phân biệt con người và máy móc cũng là một yêu cầu cần thiết, đặc biệt trong các tình huống như airdrop và các hoạt động có rủi ro cao.
Tuy nhiên, việc triển khai nhận diện khuôn mặt trong môi trường Web3 phi tập trung liên quan đến những vấn đề sâu sắc hơn: Làm thế nào để xây dựng một mạng lưới tính toán học máy phi tập trung? Làm thế nào để bảo vệ quyền riêng tư của người dùng? Làm thế nào để duy trì hoạt động của mạng lưới?
Khám phá đổi mới trong mạng tính toán riêng tư
Đối với các vấn đề nêu trên, một nhóm đã xây dựng một mạng tính toán riêng tư sáng tạo dựa trên mã hóa toàn phần (FHE), nhằm giải quyết vấn đề tính toán riêng tư trong các tình huống AI của Web3.
Mạng lưới này có lõi là công nghệ FHE được tối ưu hóa, thông qua thiết kế phân tầng của lớp ứng dụng, lớp tối ưu, lớp số học và lớp nguyên thủy, giúp nó thích ứng với các tình huống học máy. Tính toán tùy chỉnh này cung cấp tốc độ tăng hơn một ngàn lần so với phương án cơ bản.
Kiến trúc mạng bao gồm bốn loại vai trò: chủ sở hữu dữ liệu, nút tính toán, bộ giải mã và người nhận kết quả. Quy trình làm việc tổng quát là:
Người dùng đăng ký và gửi nhiệm vụ tính toán và dữ liệu đã được mã hóa.
Hợp đồng thông minh phân bổ nhiệm vụ cho các nút tính toán phù hợp
Nút thực hiện tính toán mã hóa và tạo ra bằng chứng không kiến thức
Đảm bảo an toàn kết quả thông qua việc chuyển đổi khóa
Trình giải mã xác thực tính toàn vẹn của phép tính và giải mã kết quả
Giao kết quả cho người nhận đã chỉ định
Mạng lưới này sử dụng API mở, giảm bớt rào cản sử dụng cho người dùng. Đồng thời, mã hóa đầu cuối bảo vệ quyền riêng tư của dữ liệu. Mạng cũng kết hợp cơ chế PoW và PoS để quản lý nút và phân phối phần thưởng, cân bằng tài nguyên tính toán và tài nguyên kinh tế.
Ưu điểm và hạn chế của công nghệ FHE
FHE là công nghệ cốt lõi của mạng này, có những ưu điểm và nhược điểm so với các giải pháp như bằng chứng không biết (ZKP). FHE tập trung vào tính toán riêng tư, trong khi ZKP tập trung vào xác minh riêng tư. So với tính toán đa bên an toàn (SMC), FHE có lợi thế hơn trong một số tình huống.
FHE đã tách quyền xử lý dữ liệu và quyền sở hữu, nhưng cũng đã đánh đổi tốc độ tính toán. Trong những năm gần đây, thông qua tối ưu hóa thuật toán và tăng tốc phần cứng, hiệu suất FHE đã được cải thiện đáng kể. Tuy nhiên, vẫn còn khoảng cách lớn so với tính toán rõ ràng.
Kết luận
Sự kết hợp giữa dữ liệu khuôn mặt, NFT và tính toán riêng tư này là một nỗ lực đổi mới, mở ra con đường mới cho sự tích hợp sâu sắc giữa Web3 và AI. Mặc dù công nghệ nền tảng vẫn còn hạn chế, nhưng với những đột phá liên tục, các giải pháp này có khả năng phát huy tiềm năng trong nhiều lĩnh vực hơn, thúc đẩy sự phát triển của tính toán riêng tư và ứng dụng AI.
Trang này có thể chứa nội dung của bên thứ ba, được cung cấp chỉ nhằm mục đích thông tin (không phải là tuyên bố/bảo đảm) và không được coi là sự chứng thực cho quan điểm của Gate hoặc là lời khuyên về tài chính hoặc chuyên môn. Xem Tuyên bố từ chối trách nhiệm để biết chi tiết.
Web3 đổi mới: Phân tích mạng tính toán riêng tư đứng sau NFT khuôn mặt
Sự kết hợp đổi mới giữa dữ liệu khuôn mặt và NFT: Phân tích sâu về mạng tính toán riêng tư
Gần đây, một dự án cho phép người dùng đúc dữ liệu khuôn mặt thành NFT đã gây ra nhiều tranh cãi. Kể từ khi ra mắt vào cuối tháng 4, đã có hơn 200.000 NFT được đúc, cho thấy sự quan tâm rõ rệt. Sự kết hợp giữa dữ liệu khuôn mặt đơn giản trên chuỗi + NFT này thực sự ẩn chứa những đổi mới công nghệ sâu sắc.
Bài viết này sẽ đi sâu vào mục đích của dự án, nguyên lý kỹ thuật cũng như xu hướng tích hợp rộng hơn của Web3 và AI.
Sự đối kháng liên tục giữa con người và máy
Mục đích cốt lõi của dự án này không chỉ đơn thuần là đúc dữ liệu khuôn mặt thành NFT, mà còn là xác định xem người dùng có phải là người thật hay không thông qua nhận diện khuôn mặt. Nhu cầu này xuất phát từ vấn đề đối kháng giữa người và máy vẫn tồn tại trong môi trường Web2 và Web3.
Theo dữ liệu, bot độc hại chiếm 27.5% lưu lượng truy cập toàn bộ Internet. Những chương trình tự động này có thể mang lại hậu quả thảm khốc cho dịch vụ, ảnh hưởng nghiêm trọng đến trải nghiệm của người dùng. Lấy ví dụ về việc mua vé, những kẻ gian lận thông qua tài khoản ảo đã tăng tỷ lệ thành công lên đáng kể, khiến người dùng bình thường gần như không có cơ hội.
Trong môi trường Web2, các nhà cung cấp dịch vụ phân biệt con người và máy móc thông qua xác thực danh tính và mã xác minh. Tuy nhiên, với sự phát triển của AI, các phương pháp xác thực truyền thống đang phải đối mặt với thách thức. Trong môi trường Web3, việc phân biệt con người và máy móc cũng là một yêu cầu cần thiết, đặc biệt trong các tình huống như airdrop và các hoạt động có rủi ro cao.
Tuy nhiên, việc triển khai nhận diện khuôn mặt trong môi trường Web3 phi tập trung liên quan đến những vấn đề sâu sắc hơn: Làm thế nào để xây dựng một mạng lưới tính toán học máy phi tập trung? Làm thế nào để bảo vệ quyền riêng tư của người dùng? Làm thế nào để duy trì hoạt động của mạng lưới?
Khám phá đổi mới trong mạng tính toán riêng tư
Đối với các vấn đề nêu trên, một nhóm đã xây dựng một mạng tính toán riêng tư sáng tạo dựa trên mã hóa toàn phần (FHE), nhằm giải quyết vấn đề tính toán riêng tư trong các tình huống AI của Web3.
Mạng lưới này có lõi là công nghệ FHE được tối ưu hóa, thông qua thiết kế phân tầng của lớp ứng dụng, lớp tối ưu, lớp số học và lớp nguyên thủy, giúp nó thích ứng với các tình huống học máy. Tính toán tùy chỉnh này cung cấp tốc độ tăng hơn một ngàn lần so với phương án cơ bản.
Kiến trúc mạng bao gồm bốn loại vai trò: chủ sở hữu dữ liệu, nút tính toán, bộ giải mã và người nhận kết quả. Quy trình làm việc tổng quát là:
Mạng lưới này sử dụng API mở, giảm bớt rào cản sử dụng cho người dùng. Đồng thời, mã hóa đầu cuối bảo vệ quyền riêng tư của dữ liệu. Mạng cũng kết hợp cơ chế PoW và PoS để quản lý nút và phân phối phần thưởng, cân bằng tài nguyên tính toán và tài nguyên kinh tế.
Ưu điểm và hạn chế của công nghệ FHE
FHE là công nghệ cốt lõi của mạng này, có những ưu điểm và nhược điểm so với các giải pháp như bằng chứng không biết (ZKP). FHE tập trung vào tính toán riêng tư, trong khi ZKP tập trung vào xác minh riêng tư. So với tính toán đa bên an toàn (SMC), FHE có lợi thế hơn trong một số tình huống.
FHE đã tách quyền xử lý dữ liệu và quyền sở hữu, nhưng cũng đã đánh đổi tốc độ tính toán. Trong những năm gần đây, thông qua tối ưu hóa thuật toán và tăng tốc phần cứng, hiệu suất FHE đã được cải thiện đáng kể. Tuy nhiên, vẫn còn khoảng cách lớn so với tính toán rõ ràng.
Kết luận
Sự kết hợp giữa dữ liệu khuôn mặt, NFT và tính toán riêng tư này là một nỗ lực đổi mới, mở ra con đường mới cho sự tích hợp sâu sắc giữa Web3 và AI. Mặc dù công nghệ nền tảng vẫn còn hạn chế, nhưng với những đột phá liên tục, các giải pháp này có khả năng phát huy tiềm năng trong nhiều lĩnh vực hơn, thúc đẩy sự phát triển của tính toán riêng tư và ứng dụng AI.