Acuñando NFT de datos faciales: explorando la fusión innovadora de la computación en la privacidad y la IA
Recientemente, un proyecto de acuñando NFT de reconocimiento facial ha llamado la atención de manera amplia. Este proyecto permite a los usuarios ingresar su rostro en una aplicación móvil y acuñarlo como NFT. Este proyecto de combinación de datos faciales en la cadena y NFT, que parece simple, ha atraído a más de 200,000 usuarios para participar en la acuñando desde su lanzamiento, lo que no se debe subestimar.
Sin embargo, el verdadero propósito de este proyecto no es solo acuñar datos faciales como NFT. De hecho, está diseñado para verificar si los usuarios son personas reales a través del reconocimiento facial. Este tipo de identificación humano-máquina también tiene una fuerte demanda en el ámbito de Web3, especialmente en la prevención de ataques de brujas y la protección de operaciones de alto riesgo.
Para resolver el problema del cálculo de privacidad en aplicaciones de IA en el entorno Web3, una empresa ha construido una red de IA innovadora basada en la técnica de cifrado completamente homomórfico (FHE). Esta red ofrece una solución eficiente de cálculo de protección de privacidad a través de una estructura jerárquica optimizada.
La arquitectura de esta red de IA incluye cuatro roles principales: propietario de datos, nodo de cálculo, descifrador y receptor de resultados. Su flujo de trabajo central abarca todo el proceso desde el registro de usuarios, la presentación de tareas hasta la verificación y entrega de resultados, al mismo tiempo que garantiza la encriptación de extremo a extremo y la protección de la privacidad de los datos.
Para incentivar y gestionar los nodos de la red, el proyecto utiliza un mecanismo dual de PoW y PoS. Los usuarios pueden calificar para convertirse en nodos de cálculo mediante la compra de NFT específicos y obtener beneficios a través de diferentes formas de participación.
A pesar de que la tecnología FHE muestra un excelente rendimiento en la protección de la privacidad, su eficiencia computacional sigue siendo un desafío. En los últimos años, los investigadores han mejorado continuamente el rendimiento de FHE a través de la optimización de algoritmos y la aceleración de hardware, pero todavía existe una gran diferencia en comparación con los cálculos en texto claro.
En general, este proyecto abre nuevas posibilidades para la profunda integración de Web3 y AI a través de su arquitectura única y su tecnología de cálculo de privacidad relativamente eficiente. Con el continuo avance de la tecnología, tenemos razones para esperar que este modelo innovador desempeñe un papel en más áreas, impulsando el desarrollo adicional de la computación de privacidad y las aplicaciones de AI.
Esta página puede contener contenido de terceros, que se proporciona únicamente con fines informativos (sin garantías ni declaraciones) y no debe considerarse como un respaldo por parte de Gate a las opiniones expresadas ni como asesoramiento financiero o profesional. Consulte el Descargo de responsabilidad para obtener más detalles.
8 me gusta
Recompensa
8
7
Republicar
Compartir
Comentar
0/400
BearMarketBarber
· hace4h
Ah esto... realmente sería mejor hacer un gif.
Ver originalesResponder0
SchrodingerWallet
· hace9h
¿Otra forma de sacar provecho de los tontos?
Ver originalesResponder0
Ser_This_Is_A_Casino
· hace9h
¿Todavía te atreves a poner la cara en la cadena? ¿Te quedaste sin cerebro?
Ver originalesResponder0
SmartContractPhobia
· hace9h
¿Este NFT es demasiado absurdo? ¿Está vendiendo su cara?
Ver originalesResponder0
BearWhisperGod
· hace9h
FHE clave volumen uno una lanzadera~
Ver originalesResponder0
GasBankrupter
· hace9h
¡Chicas, despierten! Esta cosa es muy poco confiable.
Ver originalesResponder0
GasFeeThunder
· hace10h
Vulnerabilidad a nivel de sistema, tomar a la gente por tonta y hacer un Rug Pull.
El proyecto de NFT de reconocimiento facial introduce tecnología FHE para explorar un nuevo frontier de computación de privacidad en Web3.
Acuñando NFT de datos faciales: explorando la fusión innovadora de la computación en la privacidad y la IA
Recientemente, un proyecto de acuñando NFT de reconocimiento facial ha llamado la atención de manera amplia. Este proyecto permite a los usuarios ingresar su rostro en una aplicación móvil y acuñarlo como NFT. Este proyecto de combinación de datos faciales en la cadena y NFT, que parece simple, ha atraído a más de 200,000 usuarios para participar en la acuñando desde su lanzamiento, lo que no se debe subestimar.
Sin embargo, el verdadero propósito de este proyecto no es solo acuñar datos faciales como NFT. De hecho, está diseñado para verificar si los usuarios son personas reales a través del reconocimiento facial. Este tipo de identificación humano-máquina también tiene una fuerte demanda en el ámbito de Web3, especialmente en la prevención de ataques de brujas y la protección de operaciones de alto riesgo.
Para resolver el problema del cálculo de privacidad en aplicaciones de IA en el entorno Web3, una empresa ha construido una red de IA innovadora basada en la técnica de cifrado completamente homomórfico (FHE). Esta red ofrece una solución eficiente de cálculo de protección de privacidad a través de una estructura jerárquica optimizada.
La arquitectura de esta red de IA incluye cuatro roles principales: propietario de datos, nodo de cálculo, descifrador y receptor de resultados. Su flujo de trabajo central abarca todo el proceso desde el registro de usuarios, la presentación de tareas hasta la verificación y entrega de resultados, al mismo tiempo que garantiza la encriptación de extremo a extremo y la protección de la privacidad de los datos.
Para incentivar y gestionar los nodos de la red, el proyecto utiliza un mecanismo dual de PoW y PoS. Los usuarios pueden calificar para convertirse en nodos de cálculo mediante la compra de NFT específicos y obtener beneficios a través de diferentes formas de participación.
A pesar de que la tecnología FHE muestra un excelente rendimiento en la protección de la privacidad, su eficiencia computacional sigue siendo un desafío. En los últimos años, los investigadores han mejorado continuamente el rendimiento de FHE a través de la optimización de algoritmos y la aceleración de hardware, pero todavía existe una gran diferencia en comparación con los cálculos en texto claro.
En general, este proyecto abre nuevas posibilidades para la profunda integración de Web3 y AI a través de su arquitectura única y su tecnología de cálculo de privacidad relativamente eficiente. Con el continuo avance de la tecnología, tenemos razones para esperar que este modelo innovador desempeñe un papel en más áreas, impulsando el desarrollo adicional de la computación de privacidad y las aplicaciones de AI.