NFT de données faciales : explorer l'innovation de la fusion entre Web3 et l'IA
Récemment, un projet de minting de NFT basé sur les visages a suscité un large intérêt. Ce projet permet aux utilisateurs de transformer leurs données faciales en NFT via une application mobile, et a attiré plus de 200 000 utilisateurs depuis son lancement. Ce phénomène cache une profonde innovation technologique et une exploration des cas d'utilisation.
Les défis continus de la reconnaissance homme-machine
La reconnaissance homme-machine a toujours été un problème clé dans le monde de l'Internet. Selon les données, au premier trimestre de 2024, le trafic de bots malveillants représentait 27,5 % du trafic total de l'Internet. Ces programmes automatisés affectent non seulement l'expérience utilisateur, mais peuvent également causer des dommages graves aux fournisseurs de services.
Dans un environnement Web2, divers moyens tels que les CAPTCHA et la vérification d'identité sont utilisés pour distinguer les humains des machines. Cependant, avec le développement rapide de la technologie AI, les méthodes de vérification traditionnelles font face à de nouveaux défis. Les moyens de vérification doivent progressivement passer de la détection des caractéristiques comportementales à la reconnaissance des caractéristiques biologiques.
Le domaine du Web3 fait également face à des besoins en matière de reconnaissance homme-machine, notamment pour prévenir les attaques de sorcières et protéger les opérations à haut risque. Cependant, comment mettre en œuvre une reconnaissance faciale efficace dans un environnement décentralisé tout en protégeant la vie privée des utilisateurs constitue un défi technique complexe.
Tentative d'innovation dans le réseau de calcul privé
Pour résoudre les problèmes d'applications IA dans un environnement Web3, une entreprise a construit un réseau AI privé basé sur la technologie de cryptographie homomorphe complète (FHE). Ce réseau optimise l'encapsulation pour adapter la technologie FHE aux scénarios d'apprentissage automatique, offrant une accélération des calculs mille fois supérieure aux solutions de base.
Ce réseau comprend quatre types de rôles : propriétaires de données, nœuds de calcul, déchiffreurs et récepteurs de résultats. Son flux de travail central couvre l'ensemble du processus, de l'inscription des utilisateurs, la soumission des tâches à la validation des résultats, garantissant la confidentialité et la sécurité des données tout au long du processus de traitement.
Le réseau utilise un double mécanisme PoW et PoS pour gérer les nœuds et distribuer les récompenses. Les utilisateurs peuvent participer au calcul du réseau et obtenir des revenus en achetant des NFT spécifiques, tout en augmentant le multiplicateur de revenus en stakant des jetons. Ce design exploite à la fois la production de travail réel et équilibre la distribution des ressources économiques.
Avantages et limites de la technologie FHE
Le chiffrement homomorphe complet, en tant que nouvelle technologie cryptographique, montre un potentiel énorme dans le domaine du calcul privé. Comparé aux preuves à zéro connaissance (ZKP) et au calcul sécurisé multipartite (SMC), le FHE est mieux adapté aux scénarios de calcul complexes nécessitant la protection de la vie privée des données.
Cependant, la FHE fait également face à des défis en matière d'efficacité computationnelle. Bien que des progrès aient été réalisés ces dernières années en matière d'optimisation des algorithmes et d'accélération matérielle, les performances de la FHE restent encore assez éloignées de celles du calcul en clair.
Perspectives d'avenir
Avec l'évolution continue de la technologie et l'expansion des cas d'utilisation, les réseaux de calcul de la confidentialité basés sur la FHE devraient jouer un rôle dans de nombreux domaines. Cette tentative de fusion profonde de Web3 et de l'IA offre non seulement aux utilisateurs un environnement de traitement des données sécurisé, mais ouvre également de nouvelles possibilités pour les applications d'IA axées sur la protection de la vie privée dans le futur.
Cette page peut inclure du contenu de tiers fourni à des fins d'information uniquement. Gate ne garantit ni l'exactitude ni la validité de ces contenus, n’endosse pas les opinions exprimées, et ne fournit aucun conseil financier ou professionnel à travers ces informations. Voir la section Avertissement pour plus de détails.
14 J'aime
Récompense
14
5
Partager
Commentaire
0/400
WarmLightLin
· Il y a 12h
arbres vieux et bruyants
Voir l'originalRépondre0
RugpullAlertOfficer
· Il y a 13h
Fonder des visages ? Ça ressemble plutôt à se faire prendre pour des cons.
Voir l'originalRépondre0
OldLeekMaster
· Il y a 14h
La spéculation sur les NFT est de retour ?
Voir l'originalRépondre0
UnluckyMiner
· Il y a 14h
C'est intéressant, on en est arrivé aux visages.
Voir l'originalRépondre0
ClassicDumpster
· Il y a 14h
Les pigeons peuvent encore être pris pour des idiots comme ça ? C'est brutal.
NFT de reconnaissance faciale et IA de la vie privée : Pratiques innovantes de l'intégration de l'IA dans le Web3
NFT de données faciales : explorer l'innovation de la fusion entre Web3 et l'IA
Récemment, un projet de minting de NFT basé sur les visages a suscité un large intérêt. Ce projet permet aux utilisateurs de transformer leurs données faciales en NFT via une application mobile, et a attiré plus de 200 000 utilisateurs depuis son lancement. Ce phénomène cache une profonde innovation technologique et une exploration des cas d'utilisation.
Les défis continus de la reconnaissance homme-machine
La reconnaissance homme-machine a toujours été un problème clé dans le monde de l'Internet. Selon les données, au premier trimestre de 2024, le trafic de bots malveillants représentait 27,5 % du trafic total de l'Internet. Ces programmes automatisés affectent non seulement l'expérience utilisateur, mais peuvent également causer des dommages graves aux fournisseurs de services.
Dans un environnement Web2, divers moyens tels que les CAPTCHA et la vérification d'identité sont utilisés pour distinguer les humains des machines. Cependant, avec le développement rapide de la technologie AI, les méthodes de vérification traditionnelles font face à de nouveaux défis. Les moyens de vérification doivent progressivement passer de la détection des caractéristiques comportementales à la reconnaissance des caractéristiques biologiques.
Le domaine du Web3 fait également face à des besoins en matière de reconnaissance homme-machine, notamment pour prévenir les attaques de sorcières et protéger les opérations à haut risque. Cependant, comment mettre en œuvre une reconnaissance faciale efficace dans un environnement décentralisé tout en protégeant la vie privée des utilisateurs constitue un défi technique complexe.
Tentative d'innovation dans le réseau de calcul privé
Pour résoudre les problèmes d'applications IA dans un environnement Web3, une entreprise a construit un réseau AI privé basé sur la technologie de cryptographie homomorphe complète (FHE). Ce réseau optimise l'encapsulation pour adapter la technologie FHE aux scénarios d'apprentissage automatique, offrant une accélération des calculs mille fois supérieure aux solutions de base.
Ce réseau comprend quatre types de rôles : propriétaires de données, nœuds de calcul, déchiffreurs et récepteurs de résultats. Son flux de travail central couvre l'ensemble du processus, de l'inscription des utilisateurs, la soumission des tâches à la validation des résultats, garantissant la confidentialité et la sécurité des données tout au long du processus de traitement.
Le réseau utilise un double mécanisme PoW et PoS pour gérer les nœuds et distribuer les récompenses. Les utilisateurs peuvent participer au calcul du réseau et obtenir des revenus en achetant des NFT spécifiques, tout en augmentant le multiplicateur de revenus en stakant des jetons. Ce design exploite à la fois la production de travail réel et équilibre la distribution des ressources économiques.
Avantages et limites de la technologie FHE
Le chiffrement homomorphe complet, en tant que nouvelle technologie cryptographique, montre un potentiel énorme dans le domaine du calcul privé. Comparé aux preuves à zéro connaissance (ZKP) et au calcul sécurisé multipartite (SMC), le FHE est mieux adapté aux scénarios de calcul complexes nécessitant la protection de la vie privée des données.
Cependant, la FHE fait également face à des défis en matière d'efficacité computationnelle. Bien que des progrès aient été réalisés ces dernières années en matière d'optimisation des algorithmes et d'accélération matérielle, les performances de la FHE restent encore assez éloignées de celles du calcul en clair.
Perspectives d'avenir
Avec l'évolution continue de la technologie et l'expansion des cas d'utilisation, les réseaux de calcul de la confidentialité basés sur la FHE devraient jouer un rôle dans de nombreux domaines. Cette tentative de fusion profonde de Web3 et de l'IA offre non seulement aux utilisateurs un environnement de traitement des données sécurisé, mais ouvre également de nouvelles possibilités pour les applications d'IA axées sur la protection de la vie privée dans le futur.