欧易OKX

欧易数字货币交易所，更快、更好、更强！

官网注册

近日，Privasea 发起的人脸 NFT 铸造项目引起了广泛关注。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面部数据，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，其火爆程度可见一斑。为什么这个项目如此受欢迎？人脸数据真的能上链吗？我的面部信息会不会被盗用？Privasea 到底是做什么的？这些问题引发了我的好奇心，让我们一起来探究这个项目和 Privasea 的背后故事吧。

关键词：NFT、AI、FHE（全同态加密）、DePIN

从Web2到Web3-人机对抗从未停止

这个项目不仅仅是将人脸数据铸造成 NFT，它的核心目的是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 2024年第一季度的报告，Bot（一种自动化程序）占据了互联网流量的42.1%，其中恶意流量占到了27.5%。这些恶意的 Bot 可能会导致中心化服务商的响应延迟甚至宕机，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，大幅提高了成功率，甚至将自动化程序部署在服务商的机房旁边，实现几乎零延时的购票。面对这些高科技作弊手段，普通用户几乎毫无胜算。服务商也尝试通过实名认证、行为验证码等方式来区分人机，但这些方法显然不足以解决问题，因为作弊带来的收益实在太高了。

随着 AI 的迅速发展，客户端的行为验证码几乎被各种视觉模型击败，AI 甚至比人类更快更准地识别验证码。这迫使校验者不得不升级到仿生物学特征检测（如客户端环境监测、设备指纹等），甚至在高风险操作中使用生物学特征检测（如指纹、人脸识别）。

在 Web3 中，人机检测同样是一个强需求。面对项目空投时，作弊者可能会创建多个虚假账号发动女巫攻击，这时我们需要鉴别真人。由于 Web3 的金融属性，对于高风险操作如账号登录、提币、交易、转账等，需要核实用户不仅是真人，还是账号所有者，人脸识别便成了最佳选择。

那么，如何在 Web3 上实现人脸识别呢？这实际上涉及到如何搭建去中心化的机器学习计算网络，如何保证用户数据的隐私不被泄漏，以及如何维护网络的运行等问题。

Privasea AI NetWork-隐私计算+AI的探索

Privasea 通过 FHE（全同态加密）构建了 Privasea AI NetWork，以解决 Web3 上 AI 场景的隐私计算问题。FHE 是一种加密技术，保证明文与密文进行相同运算后结果一致。Privasea 对传统的 FHE 进行了优化封装，形成了 HESea 库，使其适配了机器学习场景。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 的优化封装主要集中在应用层和优化层，与其他同态库中的基本解决方案相比，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

在 Privasea AI NetWork 的架构中，总共有四种角色：数据所有者、Privanetix 节点、解密器、结果接受者。数据所有者通过 Privasea API 安全地提交任务及数据；Privanetix 节点是网络的核心，配备了先进的 HESea 库并集成了基于区块链的激励机制；解密器通过 Privasea API 获取解密后的结果并进行验证；结果接受者则接收任务结果。

Privasea AI NetWork 的核心工作流

以下是 Privasea AI NetWork 的一般工作流程：

STEP 1：用户注册：数据所有者通过提供必要的身份验证和授权凭证在隐私 AI 网络上启动注册流程，确保只有授权用户才能访问系统并参与网络活动。

STEP 2：任务提交：提交计算任务及输入数据，数据是由 HESea 库加密后的数据，同时数据所有者指定可以访问最终结果的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根据可用性和能力将计算任务分配给合适的 Privanetix 节点，确保高效的资源分配和计算任务的分配。

STEP 4：加密计算：指定的 Privanetix 节点接收加密数据并利用 HESea 库进行计算，这些计算无需解密敏感数据即可执行，从而保持了其机密性。为了进一步验证计算的完整性，Privanetix 节点为这些步骤生成零知识证明。

STEP 5：密钥切换：完成计算后，指定的 Privanetix 节点采用密钥切换技术来确保最终结果是经过授权的，并且只有指定的解密器才能访问。

STEP 6：结果验证：完成计算后，Privanetix 节点将加密结果和相应的零知识证明传回基于区块链的智能合约以供将来验证。

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：解密器利用 Privasea API 访问加密结果，验证计算的完整性，确保 Privanetix 节点按照数据所有者的意图执行了计算。

STEP 9：结果交付：将解密结果与数据所有者预先确定的指定结果接收者共享。

在 Privasea AI NetWork 的核心工作流中，用户只需关注入参以及相应的结果，而无需了解网络内部复杂的运算本身，不会有太多的心智负担。同时，端到端的加密在不影响数据处理的前提下，使数据本身不被外泄。

Privasea 近期推出的 WorkHeart NFT 与 StarFuel NFT 通过 PoW 和 PoS 的双重机制来进行网络节点管理与奖励发放。购买 WorkHeart NFT 即可拥有成为 Privanetix 节点的资格参与网络计算，并基于 PoW 机制获取代币收益。StarFuel NFT 是节点增益器（限量5000），可以与 WorkHeart 进行组合，类似 PoS，向其质押的代币数量越多，WorkHeart 节点的收益倍率越大。

PoW 的本质是通过运算的时间成本来降低节点作恶率，维护网络的稳定。不同于 BTC 的随机数验证的大量无效计算，该隐私计算网络节点的实际工作产出（运算）可以直接与工作量机制挂钩，天然适合 PoW。而 PoS 则更易于平衡经济资源。WorkHeart NFT 通过 PoW 机制获取收益，而 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，使得用户可以根据自身资源和策略选择适合的参与方式。两种机制的结合，可以优化收益分配结构，平衡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，把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，并借助于 PoW 和 PoS 的双重机制对提供运算结果的节点进行奖励或者惩罚，维护网络的运行。可以说，Privasea AI NetWork 的设计在为各个领域的隐私保护 AI 应用铺平道路。

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 甚至被投资者冠以新的密码学圣杯的称号。让我们把它与 ZKP 以及相关的解决方案进行对比。

对比下来，可以看到，ZKP 与 FHE 两者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 似乎与 FHE 有着更大的重合度，SMC 的概念是安全的联合计算，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，从而在不影响计算的情况下防止了数据泄露。但与此同时，牺牲的是运算速度。加密如同一把双刃剑，在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 的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之中，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，但是 Privasea 近期与 ZAMA 已经达成了合作，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。