1. Introduction

最近、Privaseaによって発起された顔のNFTミンティングプロジェクトが非常に人気を集めています！一見すると、簡単そうに見えます：ユーザーはIMHUMAN（I Am Human）モバイルアプリで自分の顔を記録し、顔のデータをNFTにミントします。この顔のデータとNFTの組み合わせは、4月末にローンチされて以来、20万以上のNFTがミントされたことを示しており、その人気は非常に高いです。私も興味津々でした-なぜこれが起こっているのですか？顔のデータをオンチェーンで保存することは可能ですか？私の顔の情報は悪用される可能性がありますか？具体的にはPrivaseaとその発起人について調べてみましょう。

2. Web2からWeb3へ- 人間とボットの終わりのない戦い

まず、フェイシャルNFTミントプロジェクトの目的を解読しましょう。このプロジェクトが単に顔データをNFTに鋳造するだけだと思っているなら、それは大きな間違いです。アプリの名前であるIMHUMAN(I Am Human)は、顔認識を使用して画面の前にいる人物が人間かどうかを判断することを目的としているという、より深い目的をすでに示唆しています。なぜ人間とボットの認識が必要なのか?Akamai の 2024 年第 1 四半期のレポート(付録を参照)によると、ボット(HTTP リクエストの送信など、人間の行動をシミュレートできる自動プログラム)は、インターネット トラフィックの 42.1% を占めており、悪意のあるトラフィックはインターネット トラフィック全体の 27.5% を占めています。悪意のあるボットは、中央集権的なサービスプロバイダーの応答の遅延やダウンタイムなどの悲惨な結果を引き起こし、実際のユーザーエクスペリエンスに影響を与える可能性があります。

チケットのスキャルピングを例にとると、チーターは複数の仮想アカウントを作成してチケットを確保する可能性を高め、中にはサービスプロバイダーのデータセンターの近くに自動プログラムを展開して、ほぼゼロレイテンシーのチケット購入を実現する人もいます。一般ユーザーは、このようなハイテクな競合他社に対抗するチャンスはほとんどありません。サービスプロバイダーは、クライアント側で実名認証や行動CAPTCHAなどの方法を使用して人間とボットを区別し、WAF戦略やその他の手法を使用してサーバー側で悪意のあるトラフィックをフィルタリングして傍受することで、これに対抗する努力をしてきました。しかし、これで問題は解決しますか?不正行為による報酬は相当なものであるため、明らかにそうではありません。人間とボットの戦いは続いており、チート使用者と検証者の両方が常にツールをアップグレードしています。例えば、近年のAIの急速な発展により、AIモデルは人間よりも速く正確に解くことができることが多いため、クライアント側の行動CAPTCHAはほとんど効果がなくなりました。これにより、検証者は、早期のユーザー行動検出(画像CAPTCHA)から、より高度な生体認証検出(認識検証:クライアント環境監視、デバイスフィンガープリントなど)にアップグレードし、リスクの高い操作では生体認証(指紋、顔認識)にアップグレードすることを余儀なくされています。

Web3では、ヒューマン・ボット検出も同様に重要です。特定のプロジェクトのエアドロップでは、チーターが複数の偽アカウントを作成してシビル攻撃を行うことがあり、実際の人間による検証が必要です。Web3の金融的性質を考慮すると、アカウントのログイン、引き出し、取引、送金などの高リスクな操作には、人間による検証だけでなく、アカウントの所有権の検証も必要であり、顔認識が理想的な選択肢となります。需要は明確ですが、実装方法はどのようにすればよいのでしょうか？分散化がWeb3の本質であり、Web3における顔認識の議論において、より深い問題はWeb3がAIシナリオにどのように適応すべきかということです。

• 分散型の機械学習コンピューティングネットワークをどのように構築しますか？
• ユーザーデータのプライバシーをどのように保証できますか？
• ネットワークの運用をどのように維持しますか？

3. Privasea AIネットワーク：プライバシー保護計算とAIの探索

前章で言及された課題に対応して、Privaseaは革新的な解決策を提案しました:Privasea AI Networkです。これはFully Homomorphic Encryption（FHE）に基づいて構築され、Web3におけるAIシナリオでのプライバシー保護計算に対応しています。FHEは、暗号化されたデータ上での計算が、非暗号化されたデータ上で実行された場合と同じ結果を生成するように許可する暗号化技術です。Privaseaは従来のFHEを最適化し、アプリケーションレイヤ、最適化レイヤ、算術レイヤ、およびRawレイヤからなる層状構造にカプセル化し、HESeaライブラリを形成しました。このライブラリは機械学習シナリオに合わせており、各レイヤーが特定の機能を担当しています。

このレイヤードアーキテクチャにより、Privaseaは各ユーザーのユニークなニーズに対応するよりカスタマイズされたソリューションを提供します。Privaseaの最適化は主にアプリケーション層と最適化層に焦点を当て、他の同型暗号ライブラリに見られる基本的なソリューションと比較して、パフォーマンスを1000倍以上高速化できるカスタム計算を提供します。

3.1 プライバシーエアネットワークのネットワークアーキテクチャ

そのPrivasea AI NetWorkアーキテクチャを見ると、

Privasea AIネットワークは、データオーナー、Privanetixノード、デクリプター、および結果受信者の4つの役割で構成されています。

1. データオーナー彼らはPrivasea APIを介してタスクとデータを安全に送信します。
2. プライベートノードネットワークのコアで、これらのノードは高度なHESeaライブラリを搭載し、ブロックチェーンベースのインセンティブメカニズムと統合されています。彼らは、基になるデータのプライバシーを保護しながら、安全かつ効率的な計算を実行し、計算の完全性と機密性を確保します。
3. 復号器彼らはPrivasea APIを介して復号化された結果を取得し、結果を検証します。
4. 結果レシーバー: タスクの結果は、データオーナーやタスク発行者が指定した個人に返されます。

3.2 Privasea AI NetWorkのコアワークフロー

Privasea AI Networkの一般的なワークフローは次のようになります:

• ステップ1：ユーザー登録

  データ所有者は、必要な身元確認と認証資格情報を提供することで、プライバシーAIネットワーク上で登録プロセスを開始します。この手順により、認可されたユーザーのみがシステムにアクセスし、ネットワーク活動に参加できることが確認されます。

• ステップ2：タスクの提出

  データ所有者は、HESeaライブラリを使用して暗号化された計算タスクと入力データを送信します。また、データ所有者は、最終結果にアクセスできる許可された復号者と結果受信者を指定します。

• ステップ3：タスク割り当て

  ネットワーク上に展開されたブロックチェーンベースのスマートコントラクトは、利用可能性と能力に基づいて適切なPrivanetixノードに計算タスクを割り当てます。このダイナミックな割り当てプロセスにより、効率的なリソース配分とタスクの割り当てが確保されます。

• ステップ4：暗号化計算

  指定されたPrivanetixノードは、暗号化されたデータを受信し、HESeaライブラリを使用して計算を実行します。これらの計算は機密データを復号化せずに実行されるため、その機密性が維持されます。さらに、計算の整合性を確保するために、Privanetixノードはこれらの手順のためにゼロ知識証明を生成します。

• ステップ5：キースイッチング

  計算が完了した後、指定されたPrivanetixノードはキースイッチング技術を使用して、最終結果が承認され、指定された復号者のみがアクセスできることを確認します。

• ステップ6：結果の検証

  計算が完了すると、Privanetixノードは暗号化された結果と対応するゼロ知識証明をブロックチェーンベースのスマートコントラクトに返し、将来の検証のために保管します。

• ステップ7：インセンティブメカニズム

  プライバネティックスノードによる貢献は追跡され、報酬は適切に分配されます。

• ステップ8：結果の取得

  Decryptorsは、暗号化された結果にアクセスするためにPrivasea APIを使用します。彼らの主なタスクは、計算の整合性を検証し、Privanetixノードがデータ所有者の意図に従って計算を実行したことを確認することです。

• ステップ9：結果の配信

  復号化された結果は、データオーナーが指定した結果受信者と共有されます。

Privasea AI Networkのコアワークフローでは、ユーザーはオープンAPIとやりとりし、複雑な内部計算を理解する必要なく、入力パラメータと対応する結果に焦点を当てることができます。これにより認知負荷が軽減されます。同時に、エンドツーエンドの暗号化により、データが処理中に安全に保たれます。

PoW＆PoSデュアルメカニズム

Privaseaは最近、ネットワークノードの管理と報酬の分配にProof of Work（PoW）とProof of Stake（PoS）の二重メカニズムを使用したWorkHeart NFTとStarFuel NFTを導入しました。WorkHeart NFTを購入すると、所有者はPrivanetixノードになる資格が与えられ、ネットワーク計算に参加し、PoWメカニズムに基づいてトークン報酬を獲得することができます。StarFuel NFTは5,000ユニットに制限され、ノードエンハンサーとして機能し、PoSと同様にWorkHeartと組み合わせることができます。StarFuelにステークされたトークンが多ければ多いほど、WorkHeartノードの収穫倍率が高くなります。

なぜPoWとPoSの両方を使用するのですか？答えは、それぞれのメカニズムの強みにあります。 PoWは、計算コストに結びつけることでノードの不正行為の可能性を減らし、それによってネットワークを安定させます。ビットコインの非効率な乱数検証とは異なり、このプライバシー保護型計算ネットワークのノードの実際の作業出力（計算）は作業メカニズムに直接リンクしており、そのためPoWに適しています。一方、PoSは経済的リソースを効果的にバランスさせます。この組み合わせにより、WorkHeart NFTはPoWを通じて報酬を獲得し、StarFuel NFTはPoSを通じて収益を増やし、多層化された多様なインセンティブ構造が生まれます。この構造により、ユーザーは自分のリソースや戦略に最も適した参加方法を選択し、報酬の分配を最適化し、ネットワーク内での計算と経済的リソースの重要性のバランスを取ることができます。

3.3 サマリー

要約すると、Privasea AI Networkは、完全準同型暗号化(FHE)に基づく暗号化された機械学習システムを構築しました。FHEのプライバシー保護機能のおかげで、計算タスクは分散型環境のさまざまなコンピューティングノード(Privanetix)に分散されます。結果はゼロ知識証明(ZKP)によって検証され、プルーフ・オブ・ワーク(PoW)とプルーフ・オブ・ステーク(PoS)の2つのメカニズムを使用して、計算結果を提供するノードに報酬を与えたり、ペナルティを与えたりすることで、ネットワークの運用が維持されます。Privasea AI Networkの設計は、さまざまな分野でプライバシーを保護するAIアプリケーションへの道を開きます。

4. FHE Homomorphic Encryption: 新しい暗号化の聖杯？

前の章で見たように、Privasea AI Networkのセキュリティは、その基礎となるFHEに依存しています。ZAMAなどの業界のリーダーによる技術の進歩により、FHEは投資家によって新しい暗号化の「聖杯」とまで呼ばれるようになりました。それをZKPや関連するソリューションと比較してみましょう。

比較すると、ZKPとFHEは異なるアプリケーションを持っていることが明らかになります。FHEはプライバシー保存計算に焦点を当てている一方、ZKPはプライバシー検証を重視しています。Secure Multi-Party Computation（SMC）は、共同計算に従事する計算エンティティ間のデータプライバシーの問題に対処する点で、FHEとの重なりが大きいようです。

5. FHEの制限事項

FHEはデータ処理権をデータ所有権から分離するため、計算を損なうことなくデータ漏洩を防ぎます。しかし、これには計算速度のコストがかかります。暗号化は両刃の剣のように、セキュリティを高める一方で処理速度を著しく低下させます。近年、FHEのためのさまざまな性能向上戦略が提案されており、アルゴリズムの最適化からハードウェアの高速化まで幅広いものです。

• アルゴリズムの最適化: 新しいFHEスキーム、CKKSや最適化されたブートストラップ手法など、ノイズの成長と計算オーバーヘッドを大幅に削減しました。
• ハードウェアアクセラレーション: カスタマイズされたハードウェア、例えばGPUやFPGAなどは、多項式計算の性能を著しく向上させました。

さらに、ハイブリッド暗号化方式の適用も検討中です。部分準同型暗号化 (PHE) と検索可能暗号化 (SE) を組み合わせることで、特定のシナリオで効率を向上させることができます。これらの進歩にもかかわらず、FHEはパフォーマンスの点でプレーンテキスト計算に遅れをとっています。

6. 結論

一意なアーキテクチャと比較的効率的なプライバシー保護計算技術により、Privaseaはユーザーに高度に安全なデータ処理環境を提供するだけでなく、Web3とAIの深い統合の新たな章を開きます。基礎となるFHE技術は処理速度に固有の欠点がありますが、Privaseaは最近、プライバシー保護計算の課題に取り組むためにZAMAと提携しました。技術の進歩に伴い、Privaseaはさらなる領域でその潜在能力を引き出し、プライバシー保護計算とAIアプリケーションのパイオニアとなるでしょう。

免責事項：

1. この記事は[から転載されています十四君], すべての著作権は元の著者に帰属します [十四菌]. この転載に異議がある場合は、お問い合わせください。Gate Learnチームにお任せください。迅速に対応いたします。
2. 責任の免除: 本記事に表明されている意見は、著者個人のものであり、投資助言を構成するものではありません。
3. 他の言語への記事の翻訳はGate Learnチームによって行われます。特に記載がない限り、翻訳された記事のコピー、配布、または盗作は禁止されています。