近来，由 Privasea 发起的人脸 NFT 铸造项目引起了广泛关注。在这个项目中，用户可以使用 IMHUMAN（我是人类）移动应用录入自己的面部信息，并将其数据铸造成 NFT。自4月底上线以来，该项目已铸造超过20万枚 NFT，热度可见一斑。这让我不禁好奇：为什么人脸数据如此受欢迎？我的面部信息是否会被盗用？Privasea 到底在做什么？

让我们深入研究这个项目及其背后的公司 Privasea，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，那你就错了。IMHUMAN（我是人类）这个应用名称已经清楚地表明了项目的核心目的：通过人脸识别来判断你是否为真人。我们为什么需要人机识别？根据 Akamai 2024年第一季度的报告，机器人流量占据了互联网流量的42.1%，其中恶意流量占27.5%。这些恶意机器人可能会导致中心化服务商的响应延迟甚至系统崩溃，严重影响真实用户的体验。

以抢票场景为例，作弊者通过创建多个虚拟账号进行抢票操作，大幅提高了抢票成功的概率，有些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手段，普通用户几乎无计可施。服务商在 Web2 场景下通过实名认证和行为验证码等方式来区分人机，但在 Web3 场景中，人机检测同样是一个强需求，特别是对于项目空投和高风险操作，如登录、交易和转账等，人脸识别成为了最佳选择。

然而，如何在 Web3 中实现人脸识别，同时保证用户数据的隐私不被泄露，成为了一个关键问题。Privasea 提出了一个解决方案：Privasea AI Network，它结合了全同态加密（FHE）和人工智能（AI），为 Web3 场景下的隐私计算提供了创新性的答案。

Privasea AI Network：隐私计算与 AI 的探索

Privasea 利用 FHE 构建了 Privasea AI Network，以解决 Web3 中 AI 场景的隐私计算问题。FHE 是一种加密技术，保证明文和密文在进行相同运算后结果一致。Privasea 对传统的 FHE 进行了优化，形成了 HESea 库，使其适配机器学习场景。通过分层结构，Privasea 提供了量身定制的解决方案，满足每个用户的独特需求。其优化封装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 安全提交任务和数据，Privanetix 节点执行计算，解密器验证结果，结果接受者接收最终结果。

Privasea AI Network 的核心工作流

Privasea AI Network 的工作流程包括用户注册、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。端到端的加密确保了数据处理的安全性和隐私性。

Privasea 最近推出的 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 可以成为 Privanetix 节点并参与网络计算，基于 PoW 机制获取代币收益。StarFuel NFT 作为节点增益器，可以与 WorkHeart 组合，类似 PoS，质押的代币越多，WorkHeart 节点的收益倍率越大。PoW 和 PoS 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，通过 ZKP 对结果进行有效性验证，并利用 PoW 和 PoS 的双重机制对节点进行奖励或惩罚，维护网络的运行。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 领域的领头羊 ZAMA 在技术上的不断突破，FHE 被投资者誉为新的密码学圣杯。相比之下，ZKP 侧重于隐私验证，而 FHE 则专注于隐私计算。安全多方计算（SMC）与 FHE 有一定的重合度，解决的是共同计算中数据隐私的问题。

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。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。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，同时开启了 Web3 与 AI 深度融合的新篇章。尽管 FHE 存在运算速度的劣势，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 有潜力在更多领域发挥其优势，成为隐私计算和 AI 应用的探索者。