新兴项目将人脸数据转化为NFT，引发广泛关注

近期，一个将人脸数据铸造为NFT的项目引起了crypto圈的广泛关注。该项目允许用户通过移动应用程序录入自己的人脸，并将其转化为NFT。自4月底上线以来，已有超过20万枚NFT被铸造，显示出极高的人气。

这个项目的目的并非单纯地将人脸数据变成NFT，而是旨在通过人脸识别来验证用户的真实身份。在当前互联网环境中，自动化程序(Bot)占据了大量流量，其中恶意流量更是占到了总流量的27.5%。这些恶意程序可能会对服务造成严重影响，甚至导致系统崩溃。

在Web2时代，服务提供商通过实名认证、行为验证码等多种方式来区分人机。然而，随着AI技术的快速发展，传统的验证方法面临着新的挑战。验证手段不得不从行为特征检测逐渐过渡到生物特征检测，如指纹和人脸识别。

对于Web3来说，人机检测同样至关重要。例如，在项目空投中，作弊者可能会创建多个虚假账户进行攻击。因此，验证真实用户身份变得尤为重要。特别是对于一些高风险操作，如账户登录、提币和转账等，需要确认用户不仅是真人，还是账户的实际所有者。

然而，在去中心化的Web3环境中实现人脸识别并非易事。这涉及到如何搭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一系列复杂问题。

为解决这些问题，该项目基于全同态加密(FHE)技术构建了一个AI网络。FHE是一种保证明文与密文进行相同运算后结果一致的加密技术。项目方对传统FHE进行了优化，使其更适合机器学习场景。

该AI网络的架构包含四个主要角色：数据所有者、计算节点、解密器和结果接收者。数据所有者通过API安全提交任务和数据；计算节点执行加密计算；解密器验证计算结果；最后将结果返回给指定的接收者。

整个过程中，数据始终保持加密状态，确保了隐私安全。同时，网络采用了工作量证明(PoW)和权益证明(PoS)的双重机制来管理节点和分配奖励，使用户可以根据自身资源选择合适的参与方式。

尽管FHE技术为隐私计算开辟了新的可能性，但它也面临着计算效率的挑战。与明文计算相比，FHE的运算速度仍有较大差距。不过，随着算法优化和硬件加速等技术的发展，FHE的性能有望得到进一步提升。

总的来说，这个项目通过创新的架构和隐私计算技术，不仅为用户提供了安全的数据处理环境，也开启了Web3与AI融合的新篇章。随着技术的不断突破，类似的项目有望在更多领域发挥潜力，推动隐私计算和AI应用的发展。