Privasea人脸NFT铸造：Web3隐私新突破

引言

最近，Privasea 发起了一个人脸 NFT 铸造项目，火爆程度让人瞠目结舌！这个项目看似简单，用户只需在 IMHUMAN（我是人类）移动应用上录入自己的人脸数据，并将其铸造成 NFT。然而，这个项目自 4 月底上线以来，已经铸造了超过 20 万枚 NFT，如此高的热度让我不禁好奇：为什么人脸数据能上链？我的个人信息会不会被盗用？Privasea 到底在做什么？让我们深入研究一下这个项目和 Privasea 公司，揭开谜底。

从 Web2 到 Web3：人机对抗从未停止

如果你认为这个项目只是将人脸数据铸造成 NFT，那就大错特错了。IMHUMAN（我是人类）这个应用名已经透露出项目的核心目的：通过人脸识别来判断屏幕前的你是否是真人。为什么我们需要人机识别呢？根据 Akamai 的 2024 年第一季度报告，Bot 流量占互联网总流量的 42.1%，其中恶意流量占比达到了 27.5%。这些恶意 Bot 可能会导致服务延迟甚至宕机，严重影响真实用户的体验。以抢票为例，作弊者通过创建多个虚拟账号进行抢票操作，大大提高了成功率，甚至有些人直接将自动化程序部署在服务商机房附近，实现几乎零延时的购票。面对这些高科技用户，普通用户几乎无计可施。

服务商也在努力应对，通过实名认证、行为验证码等方式区分人机。然而，这些方法显然不足以解决问题，因为作弊带来的收益非常丰厚，人机对抗还在持续升级。随着 AI 的迅速发展，行为验证码几乎被视觉模型降维打击，AI 甚至比人更快更准地识别验证码。面对这种情况，校验者不得不升级到仿生物学特征检测，甚至生物学特征检测，如指纹和人脸识别。在 Web3 领域，人机检测同样是一个强需求，特别是在项目空投和高风险操作中，需要验证用户不仅是真人，还是账号所有者。人脸识别成为了不二之选。那么，如何在 Web3 中实现人脸识别呢？这涉及到如何构建去中心化的机器学习计算网络，如何保护用户数据隐私，以及如何维护网络运行等问题。

Privasea AI Network：隐私计算与 AI 的探索

Privasea 提出了一个创新的解决方案：基于 FHE（全同态加密）构建的 Privasea AI Network，用于解决 Web3 中的隐私计算问题。FHE 是一种加密技术，保证明文和密文在相同运算后的结果一致。Privasea 优化了传统的 FHE，形成了 HESea 库，使其适配机器学习场景。通过分层结构，Privasea 提供了更具体和量身定制的解决方案，以满足每个用户的独特需求。Privasea 的优化主要集中在应用层和优化层，与其他同态库相比，这些定制计算可以提供超过千倍的加速。

Privasea AI Network 的网络架构

Privasea AI Network 的架构包括四种角色：数据所有者、Privanetix 节点、解密器和结果接受者。数据所有者通过 Privasea API 安全地提交任务和数据；Privanetix 节点是网络的核心，配备了 HESea 库并集成了区块链激励机制，执行安全高效的计算；解密器通过 Privasea API 获取并验证解密后的结果；结果接受者则接收任务结果。这样的架构确保了数据隐私和计算的完整性。

Privasea AI Network 的核心工作流

Privasea AI Network 的工作流程包括以下步骤：用户注册、任务提交、任务分配、加密计算、密钥切换、结果验证、激励机制、结果检索和结果交付。用户通过 API 提交加密数据，Privanetix 节点进行计算，并生成零知识证明（ZKP）来验证计算的完整性。最终结果通过密钥切换技术确保只有指定的解密器才能访问。Privasea 通过 PoW 和 PoS 的双重机制管理网络节点并发放奖励，WorkHeart NFT 和 StarFuel NFT 分别通过 PoW 和 PoS 机制获取和提高收益。这种多层次的激励机制使得用户可以根据自身资源和策略选择参与方式，优化了收益分配结构，平衡了计算资源和经济资源的重要性。

小结

Privasea AI Network 基于 FHE 构建了一套加密的机器学习体系，通过分包计算任务给 Privanetix 节点，并利用 ZKP 验证结果，同时通过 PoW 和 PoS 的双重机制对节点进行奖励或惩罚，维护了网络的运行。Privasea AI Network 的设计为各领域的隐私保护 AI 应用铺平了道路。

FHE 同态加密：新的密码学圣杯？

Privasea AI Network 的安全性依赖于其底层的 FHE，随着 FHE 赛道领头羊 ZAMA 在技术上的不断突破，FHE 被投资者称为新的密码学圣杯。FHE 与 ZKP（零知识证明）以及 SMC（安全多方计算）相比，FHE 侧重于隐私计算，而 ZKP 侧重于隐私验证。SMC 与 FHE 有一定的重合度，解决的是多方联合计算中的数据隐私问题。

FHE 的局限性

FHE 实现了数据处理权与数据所有权的分离，防止了数据泄露，但牺牲了运算速度。加密技术如同双刃剑，在提升安全性的同时，运算速度大打折扣。近年来，各种 FHE 性能提升方案被提出，包括算法优化和硬件加速。新的 FHE 方案如 CKKS 和优化的 bootstrap 方法显著减少了噪声增长和计算开销；定制的 GPU 和 FPGA 等硬件提升了多项式运算的性能。此外，混合加密方案的应用也在探索之中。尽管如此，FHE 在性能上仍与明文计算有较大差距。

总结

Privasea 通过其独特的架构和相对高效的隐私计算技术，为用户提供了高度安全的数据处理环境，开启了 Web3 与 AI 深度融合的新篇章。尽管 FHE 存在运算速度上的劣势，但 Privasea 与 ZAMA 的合作有望共同攻克隐私计算的难题。未来，随着技术的不断突破，Privasea 有望在更多领域发挥其潜力，成为隐私计算和 AI 应用的探索者。