新興項目將人臉數據轉化爲NFT，引發廣泛關注

近期，一個將人臉數據鑄造爲NFT的項目引起了crypto圈的廣泛關注。該項目允許用戶通過移動應用程序錄入自己的人臉，並將其轉化爲NFT。自4月底上線以來，已有超過20萬枚NFT被鑄造，顯示出極高的人氣。

這個項目的目的並非單純地將人臉數據變成NFT，而是旨在通過人臉識別來驗證用戶的真實身分。在當前互聯網環境中，自動化程序(Bot)佔據了大量流量，其中惡意流量更是佔到了總流量的27.5%。這些惡意程序可能會對服務造成嚴重影響，甚至導致系統崩潰。

在Web2時代，服務提供商通過實名認證、行爲驗證碼等多種方式來區分人機。然而，隨着AI技術的快速發展，傳統的驗證方法面臨着新的挑戰。驗證手段不得不從行爲特徵檢測逐漸過渡到生物特徵檢測，如指紋和人臉識別。

對於Web3來說，人機檢測同樣至關重要。例如，在項目空投中，作弊者可能會創建多個虛假帳戶進行攻擊。因此，驗證真實用戶身分變得尤爲重要。特別是對於一些高風險操作，如帳戶登入、提幣和轉帳等，需要確認用戶不僅是真人，還是帳戶的實際所有者。

然而，在去中心化的Web3環境中實現人臉識別並非易事。這涉及到如何搭建去中心化的機器學習計算網路，如何保護用戶數據隱私，以及如何維護網路運行等一系列復雜問題。

爲解決這些問題，該項目基於全同態加密(FHE)技術構建了一個AI網路。FHE是一種保證明文與密文進行相同運算後結果一致的加密技術。項目方對傳統FHE進行了優化，使其更適合機器學習場景。

該AI網路的架構包含四個主要角色：數據所有者、計算節點、解密器和結果接收者。數據所有者通過API安全提交任務和數據；計算節點執行加密計算；解密器驗證計算結果；最後將結果返回給指定的接收者。

整個過程中，數據始終保持加密狀態，確保了隱私安全。同時，網路採用了工作量證明(PoW)和權益證明(PoS)的雙重機制來管理節點和分配獎勵，使用戶可以根據自身資源選擇合適的參與方式。

盡管FHE技術爲隱私計算開闢了新的可能性，但它也面臨着計算效率的挑戰。與明文計算相比，FHE的運算速度仍有較大差距。不過，隨着算法優化和硬件加速等技術的發展，FHE的性能有望得到進一步提升。

總的來說，這個項目通過創新的架構和隱私計算技術，不僅爲用戶提供了安全的數據處理環境，也開啓了Web3與AI融合的新篇章。隨着技術的不斷突破，類似的項目有望在更多領域發揮潛力，推動隱私計算和AI應用的發展。