1. 介紹

最近，Privasea發起的一個面部NFT鑄造項目受到了巨大的關注！乍一看，它似乎很簡單：用戶在IMHUMAN（我是人類）移動應用程序上記錄他們的面孔並將其面部數據鑄造成NFT。自四月底推出以來，這種面部數據上鏈+NFT的組合已經導致超過20萬個NFT被鑄造，表明其顯著的受歡迎程度。我也很好奇-為什麼會發生這種情況？面部數據可以存儲在鏈上嗎？我的面部信息會被濫用嗎？Privasea到底是什麼？讓我們深入研究這個項目及其發起者Privasea，以揭示細節。

2. 從Web2到Web3-人類與機器人之間的無休止戰爭

首先，讓我們解碼面部NFT鑄造項目的目的。如果你認為這個項目僅僅是將面部數據鑄造成NFT，那你大錯特錯了。應用程式的名稱IMHUMAN（我是人類）已經暗示了更深層次的目的：該項目旨在使用面部識別來判斷屏幕前的人是否為人類。為什麼我們需要辨識人類和機器人？根據Akamai的2024年第一季度報告（見附錄），機器人（可以模擬人類操作，如發送HTTP請求的自動化程序）驚人地佔據了42.1%的互聯網流量，其中惡意流量佔總互聯網流量的27.5%。惡意機器人可能導致災難性後果，如延遲的響應或集中式服務提供商的停機，影響真實用戶的體驗。

以倒賣票為例：作弊者創建多個虛擬帳戶以增加獲得票證的機會，有些人甚至在服務提供者的數據中心附近部署自動化程式，以實現幾乎零延遲的購票。普通用戶幾乎沒有機會對抗這樣的高科技競爭對手。服務提供者已經努力解決這個問題，在用戶端使用實名驗證和行為驗證碼等方法來區分人類和機器人，並採用WAF策略和其他技術來過濾和攔截伺服器端的惡意流量。但這能解決問題嗎？顯然不是，因為作弊的回報是可觀的。人類和機器人之間的戰鬥正在進行中，作弊者和驗證者都在不斷升級他們的工具。例如，人工智慧近年來的快速發展使得客戶端行為驗證碼幾乎無效，因為人工智慧模型通常可以比人類更快、更準確地解決它們。這迫使驗證者從早期使用者行為檢測（圖像驗證碼）升級到更高級的生物特徵檢測（感知驗證：客戶端環境監控、設備指紋識別等），對於高風險操作，升級到生物識別驗證（指紋、面部識別）。

在Web3中，人機檢測同樣至關重要。對於某些項目的空投，作弊者可以創建多個假帳戶發動Sybil攻擊，需要進行真實的人類驗證。鑑於Web3的金融性質，高風險操作，如帳戶登錄、提款、交易和轉賬，不僅需要人類驗證，還需要帳戶所有權驗證，使人臉識別成為一個理想的選擇。需求是明確的，但我們如何實施呢？去中心化是Web3的本質，而在討論Web3中的人臉識別時，更深層次的問題是Web3應該如何適應AI場景:

• 如何建立去中心化的機器學習計算網絡？
• 我們如何確保用戶數據隱私？
• 我們如何維護網絡運營？

3. Privasea AI Network: 探索隱私保護計算和人工智能

針對前一章中提到的挑戰，Privasea提出了一個創新的解決方案：Privasea AI Network，它建立在完全同態加密（FHE）之上，以應對Web3上的人工智能場景中的隱私保護計算。FHE是一種加密技術，允許對加密數據進行計算，其結果與對未加密數據進行操作時產生的結果相同。Privasea已將傳統FHE優化並封裝成分層結構，包括應用層、優化層、算術層和原始層，形成HESea庫。該庫針對機器學習場景進行了定制，每一層負責特定功能：

通過這種分層架構，Privasea提供更多定制解決方案，以滿足每個用戶的獨特需求。Privasea的優化主要集中在應用層和優化層，提供定制的計算，可以將性能加速一千倍，比其他同態加密庫中基本解決方案的性能更快。

3.1 Privasea AI NetWork的網絡架構

從其Privasea AI NetWork架構來看：

Privasea AI Network由四個角色組成:數據擁有者、Privanetix節點、解密器和結果接收器。

1. 數據擁有者他們通過Privasea API安全地提交任務和數據。
2. Privanetix節點網絡的核心，這些節點配備了先進的HESea庫並與基於區塊鏈的激勵機制集成。它們在保護底層數據的隱私、確保計算的完整性和保密性的同時，執行安全高效的計算。
3. 解密器: 他們通過Privasea API獲取解密後的結果並驗證結果。
4. 結果接收器: 任務結果將返回給數據所有者和任務發行者指定的個人。

3.2 Privasea AI NetWork的核心工作流程

Privasea AI Network的一般工作流程如下:

• 步驟1：用戶註冊

  數據所有者通過提供必要的身份驗證和授權憑證來啟動隱私人工智能網絡上的註冊過程。這一步確保只有授權用戶可以訪問系統並參與網絡活動。

• 步驟2：任務提交

  數據擁有者提交計算任務和輸入數據，該數據使用HESea庫進行加密。數據擁有者還指定了可以訪問最終結果的授權解密器和結果接收器。

• 步驟3：任務分配

  基於區塊鏈的智能合約部署在網絡上，根據可用性和能力將計算任務分配給適當的Privanetix節點。這一動態分配過程確保了有效的資源分配和任務分配。

• 步驟4：加密計算

  指定的 Privanetix 节点接收加密数据并使用 HESea 库执行计算。这些计算在不解密敏感数据的情况下执行，从而保持其机密性。为了进一步确保计算的完整性，Privanetix 节点为这些步骤生成零知识证明。

• 步驟5：金鑰切換

  計算完成後，指定的Privanetix節點使用鍵切換技術，以確保最終結果得到授權，並且只能被指定的解密器訪問。

• 步驟6：結果驗證

  完成計算後，Privanetix節點將加密結果和相應的零知識證明返回給基於區塊鏈的智能合約，以供將來驗證。

• 步驟7：激勵機制

  Privanetix節點的貢獻得到跟蹤，並相應地分配獎勵。

• 步驟8：結果檢索

  解密器使用 Privasea API 存取已加密的結果。它們的主要任務是驗證計算的完整性，確保 Privanetix 节點根据数据所有者的意图执行了计算。

• 第9步：結果交付

  解密後的結果將與數據所有者指定的結果接收者共享。

在 Privasea AI Network 的核心工作流程中，用戶與開放式 API 進行交互，使他們能夠僅專注於輸入參數和相應結果，而無需理解網絡的複雜內部計算。這減輕了認知負荷。同時，端對端加密確保數據在整個處理過程中保持安全。

PoW & PoS 雙重機制

Privasea最近推出了WorkHeart NFT和StarFuel NFT，它们使用PoW和PoS的双重机制来管理网络节点和分配奖励。购买WorkHeart NFT可以使持有人有资格成为Privanetix节点，参与网络计算并根据PoW机制获得代币奖励。限量发行5000个的StarFuel NFT作为节点增强器，可以与WorkHeart相结合，类似于PoS。抵押到StarFuel的代币越多，WorkHeart节点的收益乘数就越高。

所以，為什麼要同時使用PoW和PoS呢？答案在於每種機制的優勢。 PoW通過將節點不端行為與計算成本綁定，從而穩定網絡，降低了節點不端行為的可能性。與比特幣低效的隨機數驗證不同，這個隱私保護計算網絡中節點的實際工作輸出（計算）與工作機制直接相關，因此自然適合PoW。與此同時，PoS有效地平衡了經濟資源。這種結合允許WorkHeart NFT通過PoW獲得獎勵，而StarFuel NFT通過PoS增加產量，形成了多層次、多元化的激勵結構。這種結構使用戶能夠選擇最適合其資源和策略的參與方式，從而優化獎勵分配，平衡網絡中計算和經濟資源的重要性。

3.3 總結

總結一下，Privasea AI Network基於完全同態加密（FHE）建立了一個加密的機器學習系統。由於FHE的隱私保護功能，計算任務在分散式環境中分佈在各種計算節點（Privanetix）之間。通過零知識證明（ZKP）驗證結果，網絡的運營通過獎勵或懲罰提供計算結果的節點，使用工作量證明（PoW）和權益證明（PoS）的雙重機制來維護。Privasea AI Network的設計為各個領域的隱私保護人工智能應用鋪平了道路。

4. FHE Homomorphic Encryption: The New Cryptographic Holy Grail?

正如在上一章所見，Privasea AI網絡的安全性取決於其基礎的FHE。隨著像ZAMA這樣的行業領導者不斷進行技術上的進步，FHE甚至被投資者冠以新的加密“聖杯”的稱號。讓我們將其與ZKP及相關解決方案進行比較。

在比較後，可以清楚地看出ZKP和FHE具有不同的應用：FHE專注於保護隱私計算，而ZKP則著重於隱私驗證。安全多方計算（SMC）似乎與FHE有較大的重疊，因為SMC解決了參與聯合計算的計算實體之間的數據隱私問題。

5. FHE的限制

FHE將數據處理權與數據所有權分開，從而在不影響計算的情況下防止數據泄露。然而，這是以計算速度為代價的。加密就像雙刃劍，它增強了安全性，同時顯著降低了處理速度。近年來，針對FHE的各種性能增強策略已被提出，從算法優化到硬件加速。

• 演算法優化: 新的FHE方案，例如CKKS和优化的引导方法，已经显著降低了噪声增长和计算开销。
• 硬體加速: 客製化的硬體，如GPU和FPGA，顯著改善了多項式計算的性能。

此外，混合加密方案的應用正在進行探索。通過結合部分同態加密（PHE）和可搜索加密（SE），可以在特定情境下提高效率。儘管有這些進展，但FHE在性能方面仍然落後於明文計算。

6. 結論

通過其獨特的架構和相對高效的隱私保護計算技術，Privasea不僅為用戶提供了高度安全的數據處理環境，還在Web3和人工智能的深度融合中開啟了新的篇章。儘管基礎的FHE技術在處理速度上存在固有的缺點，但Privasea最近與ZAMA合作，應對隱私保護計算的挑戰。隨著技術的不斷進步，Privasea有望在更多領域發揮潛力，成為隱私保護計算和人工智能應用的先驅。

免責聲明：

1. 本文轉載自[十四君], 所有版權屬於原作者 [十四菌]. 如果對此轉載有異議，請聯繫Gate Learn團隊，他們會儘快處理。
2. 免責聲明：本文所表達的觀點和意見僅代表作者個人觀點，並不構成任何投資建議。
3. 文章的翻譯工作由Gate Learn團隊完成。未經許可，禁止複製、分發或剽竊翻譯後的文章。