Privasea人脸NFT铸造：AI与Web3的创新交融

作者：十四君

最近，Privasea 发起的人脸 NFT 铸造项目火爆异常。表面上看，这项目很简单：用户通过 IMHUMAN（我是人类）移动应用录入自己的面部数据，将其铸造成 NFT。仅仅是这个“人脸数据上链 + NFT”的组合，就让项目在四月底上线以来，铸造量超过了20万枚。这让我很好奇，为什么人脸数据也能上链？我的面部信息会不会被盗用？Privasea 到底是做什么的？带着这些问题，我们深入研究了这个项目和 Privasea 本身。关键词：NFT、AI、FHE（全同态加密）、DePIN

最安全的虚拟币交易平台推荐：

• OKX（欧易交易所）>>>进入官网<<< >>>官方下载<<<
• Binance（币安交易所）>>>进入官网<<< >>>官方下载<<<

从 Web2 到 Web3 - 人机对抗从未停止

首先，我们来探讨一下这个项目的真正目的。如果你认为它只是简单地将人脸数据铸造成 NFT，那就大错特错了。IMHUMAN（我是人类）这个名字已经很好地说明了问题：这个项目其实是通过人脸识别来判断你是否是真人。我们为什么需要人机识别？根据 Akamai 2024 年第一季度的报告（见附录），Bot 占据了互联网流量的 42.1%，其中恶意流量占比高达 27.5%。这些恶意的 Bot 可能会导致中心化服务商响应延迟甚至宕机，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，大幅提高成功概率，甚至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。面对这些高科技作弊者，普通用户几乎无计可施。服务商也在努力，通过实名认证、行为验证码等方式区分人机，但在 Web2 环境下，问题依然存在。因为作弊带来的收益丰厚，人机对抗持续升级。AI 的迅猛发展让客户端的行为验证码几乎被视觉模型击败，检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、人脸识别）。

在 Web3 中，人机检测同样重要。比如项目空投时，作弊者可能通过创建虚假账号发动女巫攻击，这时需要鉴别真人。由于 Web3 的金融属性，对于高风险操作如登录、提币、交易、转账等，需要确认用户不仅是真人，还是账号所有者，人脸识别成了最佳选择。需求是明确的，关键是如何在 Web3 上实现人脸识别，这实际上涉及到 Web3 如何适应 AI 场景的问题。

Privasea AI Network 的工作机制

Privasea AI Network 的工作机制涉及多个角色和步骤：

数据所有者：通过 Privasea API 安全提交任务和数据。

Privanetix 节点：网络的核心，配备 HESea 库和基于区块链的激励机制，执行安全高效的计算，保护数据隐私和计算的完整性、机密性。

解密器：通过 Privasea API 获取解密后的结果并进行验证。

结果接受者：任务结果返回给数据所有者和任务下发者指定的人。

Privasea AI Network 的核心工作流

STEP 1：用户注册：数据所有者通过身份验证和授权凭证在隐私 AI 网络上注册，确保只有授权用户能访问系统并参与网络活动。

STEP 2：任务提交：提交计算任务和加密后的输入数据，指定授权解密者和结果接收者。

STEP 3：任务分配：基于区块链的智能合约将计算任务分配给合适的 Privanetix 节点，确保高效的资源分配和任务分配。

STEP 4：加密计算：Privanetix 节点接收加密数据并利用 HESea 库进行计算，无需解密敏感数据，保持机密性，并生成零知识证明验证计算完整性。

STEP 5：密钥切换：计算完成后，Privanetix 节点使用密钥切换技术，确保只有指定解密器能访问最终结果。

STEP 6：结果验证：加密结果和零知识证明传回智能合约以供验证。

STEP 7：激励机制：跟踪 Privanetix 节点的贡献并分配奖励。

STEP 8：结果检索：解密器通过 Privasea API 访问加密结果，验证计算完整性，确保计算按数据所有者意图执行。

STEP 9：结果交付：将解密结果与数据所有者指定的结果接收者共享。

Privasea AI Network 的核心工作流通过开放的 API 暴露给用户，用户只需关注输入参数和结果，而无需了解网络内部的复杂运算。端到端的加密确保数据处理不被外泄。

Privasea 近期推出的 WorkHeart NFT 和 StarFuel NFT 通过 PoW 和 PoS 的双重机制进行网络节点管理和奖励发放。购买 WorkHeart NFT 即可成为 Privanetix 节点参与网络计算，并通过 PoW 机制获取代币收益。StarFuel NFT 是节点增益器（限量 5000），可与 WorkHeart 组合，类似 PoS，向其质押的代币越多，WorkHeart 节点的收益倍率越大。为什么是 PoW 和 PoS？PoW 通过运算时间成本降低节点作恶率，维护网络稳定性。不同于 BTC 的随机数验证，这种隐私计算网络节点的实际工作产出可以直接与工作量挂钩，适合 PoW。而 PoS 更易于平衡经济资源。WorkHeart NFT 通过 PoW 机制获取收益，StarFuel NFT 通过 PoS 机制提高收益倍率，形成了多层次、多样化的激励机制，让用户根据自身资源和策略选择参与方式。两种机制的结合优化了收益分配结构，平衡了计算资源和经济资源在网络中的重要性。

小结

Privasea AI Network 基于 FHE 构建了一套加密版本的机器学习体系。得益于 FHE 隐私计算的特性，将计算任务分包给分布式环境下的各个运算节点（Privanetix），通过 ZKP 对结果进行有效性验证，并借助 PoW 和 PoS 的双重机制对提供运算结果的节点进行奖励或惩罚，维护网络运行。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？

上个章节我们看到，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 甚至被投资者称为新的密码学圣杯。我们将其与 ZKP 以及相关的解决方案进行对比。

对比下来，ZKP 与 FHE 的适用场景区别较大，FHE 侧重于隐私计算，ZKP 侧重于隐私验证。而 SMC（安全的联合计算）与 FHE 有着更大的重合度，解决的是共同计算的计算机个体的数据隐私问题。

FHE 的局限性

FHE 实现了数据处理权与数据所有权的分离，在不影响计算的情况下防止数据泄露。但与此同时，牺牲的是运算速度。加密如同双刃剑，提升了安全性的同时，导致运算速度大打折扣。近年来，各种类型的 FHE 性能提升方案被提出，有的基于算法优化，有的依靠硬件加速。算法优化方面，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；硬件加速方面，定制的 GPU、FPGA 等硬件显著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中，通过结合部分同态加密（PHE）和搜索加密（SE），在特定场景下可以提升效率。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，不仅为用户提供了高度安全的数据处理环境，还开启了 Web3 与 AI 深度融合的新篇章。虽然其底层依赖的 FHE 有着天然的运算速度劣势，但 Privasea 近期已与 ZAMA 达成合作，共同攻坚隐私计算的难题。未来，随着技术上的不断突破，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。