1. บทนำ
เมื่อเร็ว ๆ นี้ โปรเจ็กต์การคัดเลือกนักแสดง Face NFT ที่ริเริ่มโดย Privasea ได้รับความนิยมอย่างมาก!
เมื่อมองแวบแรก ดูเหมือนง่ายมาก ในโปรเจ็กต์ ผู้ใช้สามารถป้อนใบหน้าของตนเองบนแอปพลิเคชันมือถือ IMHUMAN (ฉันเป็นมนุษย์) และส่งข้อมูลใบหน้าของตนไปยัง NFT นี่เป็นเพียง ข้อมูลใบหน้าที่อัปโหลดไปยังเชน + The การรวมกันของ NFT ช่วยให้โครงการได้รับปริมาณการหล่อ W+ NFT มากกว่า 20 W+ NFT นับตั้งแต่เปิดตัวเมื่อปลายเดือนเมษายน และความนิยมก็ปรากฏชัด
ฉันก็งงมากเหมือนกันว่าทำไม? ข้อมูลใบหน้าสามารถอัปโหลดไปยังบล็อคเชนแม้ว่าจะมีขนาดใหญ่ได้หรือไม่? ข้อมูลใบหน้าของฉันจะถูกขโมยหรือไม่? พรีวาซี มีอะไรทำ?
เดี๋ยว ให้เราค้นคว้าตัวโครงการเองและฝ่ายโครงการ Privasea ต่อไปเพื่อหาคำตอบ
คำสำคัญ: NFT, AI, FHE (การเข้ารหัสโฮโมมอร์ฟิกอย่างสมบูรณ์), DePIN
2. จาก Web2 ถึง Web3 - การเผชิญหน้าระหว่างมนุษย์กับเครื่องจักรไม่เคยหยุดนิ่ง
ก่อนอื่น มาอธิบายวัตถุประสงค์ของโปรเจ็กต์การแคสต์ NFT แบบใบหน้า หากคุณคิดว่าโปรเจ็กต์นี้เป็น เพียงการส่งข้อมูลใบหน้าไปยัง NFT แสดงว่าคุณคิดผิดโดยสิ้นเชิง
ชื่อแอปของโปรเจ็กต์ที่เรากล่าวถึงข้างต้น IMHUMAN (ฉันเป็นมนุษย์) แสดงให้เห็นปัญหานี้เป็นอย่างดีแล้ว จริงๆ แล้วโปรเจ็กต์นี้มีจุดมุ่งหมายเพื่อ ใช้การจดจำใบหน้าเพื่อพิจารณาว่าคุณเป็นคนจริงที่อยู่หน้าจอหรือไม่
ก่อนอื่นเลย เหตุใดเราจึงต้องมีการจดจำระหว่างมนุษย์และเครื่องจักร?
ตามรายงานไตรมาสที่ 1 ปี 2024 จัดทำโดย Akamai (ดูภาคผนวก) บอท (โปรแกรมอัตโนมัติที่สามารถจำลองมนุษย์ที่ส่งคำขอ HTTP และการดำเนินการอื่น ๆ ) คิดเป็นสัดส่วน 42.1% ของการรับส่งข้อมูลทางอินเทอร์เน็ตอย่างน่าประหลาดใจ โดยในจำนวนนั้นเป็นการรับส่งข้อมูลที่เป็นอันตรายคิดเป็น 27.5% ของปริมาณการใช้งานอินเทอร์เน็ต การรับส่งข้อมูลทางอินเทอร์เน็ตทั้งหมด
บอทที่เป็นอันตรายอาจทำให้เกิดผลลัพธ์ที่เลวร้าย เช่น การตอบสนองล่าช้า หรือแม้แต่การหยุดทำงานสำหรับผู้ให้บริการแบบรวมศูนย์ ซึ่งส่งผลต่อประสบการณ์ผู้ใช้ของผู้ใช้จริง
มาดูสถานการณ์การคว้าตั๋วเป็นตัวอย่างกัน โดยการสร้างบัญชีเสมือนหลายบัญชีเพื่อคว้าตั๋ว ผู้โกงจะเพิ่มความน่าจะเป็นในการคว้าตั๋วได้สำเร็จ ยิ่งไปกว่านั้น พวกเขายังสามารถปรับใช้โปรแกรมอัตโนมัติที่อยู่ติดกับห้องคอมพิวเตอร์ของผู้ให้บริการโดยตรงอีกด้วย สำเร็จ 0% การซื้อตั๋วล่าช้า
ผู้ใช้ทั่วไปแทบไม่มีโอกาสชนะเมื่อเผชิญหน้ากับผู้ใช้เทคโนโลยีขั้นสูงเหล่านี้
ผู้ให้บริการยังได้ใช้ความพยายามในเรื่องนี้ ในฝั่งไคลเอ็นต์ จะมีการนำมาใช้ในการตรวจสอบชื่อจริง รหัสการตรวจสอบพฤติกรรม และวิธีการอื่นๆ เพื่อแยกแยะระหว่างมนุษย์และเครื่องในสถานการณ์ Web2 บนฝั่งเซิร์ฟเวอร์ จะมีการกรองคุณลักษณะและการสกัดกั้น ออกผ่านนโยบาย WAF และช่องทางอื่นๆ
สิ่งนี้จะแก้ปัญหาได้หรือไม่?
ไม่แน่นอน เพราะประโยชน์ของการโกงนั้นมีมากมาย
ในเวลาเดียวกัน การเผชิญหน้าระหว่างมนุษย์และเครื่องจักรดำเนินไปอย่างต่อเนื่อง และทั้งผู้ขี้โกงและผู้ทดสอบต่างก็อัพเกรดคลังแสงของพวกเขาอยู่ตลอดเวลา
ยกตัวอย่างคนขี้โกง โดยใช้ประโยชน์จากการพัฒนาอย่างรวดเร็วของ AI ในช่วงไม่กี่ปีที่ผ่านมา รหัสยืนยันพฤติกรรมของลูกค้าเกือบจะลดขนาดลงด้วยโมเดลภาพต่างๆ นอกจากนี้ AI ยังมีความสามารถในการจดจำที่รวดเร็วและแม่นยำมากกว่ามนุษย์อีกด้วย สิ่งนี้บังคับให้ผู้ตรวจสอบอัปเกรดแบบพาสซีฟ โดยค่อยๆ เปลี่ยนจากการตรวจจับคุณสมบัติพฤติกรรมผู้ใช้ในช่วงแรก (รหัสยืนยันรูปภาพ) ไปสู่การตรวจจับคุณสมบัติไบโอเมตริกซ์ (การตรวจสอบการรับรู้: เช่น การตรวจสอบสภาพแวดล้อมไคลเอนต์ ลายนิ้วมือของอุปกรณ์ ฯลฯ) การดำเนินการที่มีความเสี่ยงสูงบางอย่างอาจต้องมีการอัพเกรด ไปจนถึงการตรวจจับคุณสมบัติทางชีวภาพ (ลายนิ้วมือ, การจดจำใบหน้า)
สำหรับ Web3 การตรวจจับระหว่างมนุษย์และเครื่องจักรก็เป็นที่ต้องการอย่างมากเช่นกัน
สำหรับโปรเจ็กต์การแอร์ดรอปบางโครงการ คนขี้โกงสามารถสร้างบัญชีปลอมหลายบัญชีเพื่อโจมตีแม่มดได้ ในเวลานี้ เราจำเป็นต้องระบุตัวตนที่แท้จริง
เนื่องจากคุณสมบัติทางการเงินของ Web3 สำหรับการดำเนินการที่มีความเสี่ยงสูงบางอย่าง เช่น การเข้าสู่ระบบบัญชี การถอนสกุลเงิน ธุรกรรม การโอน ฯลฯ ไม่เพียงแต่บุคคลจริงเท่านั้นที่ต้องตรวจสอบผู้ใช้ แต่ยังรวมถึงเจ้าของบัญชีด้วย ดังนั้นการจดจำใบหน้าจึงกลายเป็นตัวเลือกที่ดีที่สุด
ความต้องการถูกกำหนดไว้แล้ว แต่คำถามคือจะตระหนักได้อย่างไร?
ดังที่เราทุกคนรู้ดีว่าการกระจายอำนาจเป็นจุดประสงค์ดั้งเดิมของ Web3 เมื่อเราพูดคุยถึงวิธีการใช้การจดจำใบหน้าบน Web3 คำถามที่ลึกกว่านั้นคือ Web3 ควรปรับให้เข้ากับสถานการณ์ AI อย่างไร
เราควรสร้างเครือข่ายคอมพิวเตอร์การเรียนรู้ของเครื่องแบบกระจายอำนาจอย่างไร
จะแน่ใจได้อย่างไรว่าความเป็นส่วนตัวของข้อมูลผู้ใช้จะไม่รั่วไหล?
จะรักษาการทำงานของเครือข่าย ฯลฯ ได้อย่างไร?
3. Privasea AI NetWork-การประมวลผลส่วนตัว + การสำรวจ AI
เกี่ยวกับปัญหาที่กล่าวถึงในตอนท้ายของบทที่แล้ว Privasea ได้มอบโซลูชันที่ก้าวล้ำ: Privasea สร้าง Privasea AI NetWork บนพื้นฐาน FHE (การเข้ารหัส Homomorphic เต็มรูปแบบ) เพื่อแก้ไขปัญหาการประมวลผลความเป็นส่วนตัวของสถานการณ์ AI บนเว็บ3
ในแง่ของคนทั่วไป FHE เป็น เทคโนโลยีการเข้ารหัสที่ช่วยให้มั่นใจได้ว่าผลลัพธ์ของการดำเนินการเดียวกันบนข้อความธรรมดาและข้อความเข้ารหัสจะสอดคล้องกัน
Privasea ได้เพิ่มประสิทธิภาพและห่อหุ้ม THE แบบดั้งเดิม โดยแบ่งออกเป็นเลเยอร์แอปพลิเคชัน เลเยอร์การเพิ่มประสิทธิภาพ เลเยอร์เลขคณิต และเลเยอร์ดั้งเดิม โดยสร้างไลบรารี HESea เพื่อปรับให้เข้ากับสถานการณ์การเรียนรู้ของเครื่องจักร ต่อไปนี้เป็นฟังก์ชันเฉพาะที่รับผิดชอบในแต่ละเลเยอร์:
ด้วยโครงสร้างแบบหลายชั้น Privasea มอบโซลูชันที่เฉพาะเจาะจงและปรับแต่งมากขึ้นเพื่อตอบสนองความต้องการเฉพาะของผู้ใช้แต่ละคน
แพ็คเกจการปรับให้เหมาะสมของ Privasea มุ่งเน้นไปที่ชั้นแอปพลิเคชันและชั้นการปรับให้เหมาะสมเป็นหลัก เมื่อเปรียบเทียบกับโซลูชันพื้นฐานในไลบรารีโฮโมมอร์ฟิกอื่น ๆ การคำนวณแบบกำหนดเองเหล่านี้สามารถเร่งความเร็วได้มากกว่าพันเท่า
3.1 สถาปัตยกรรมเครือข่ายของ Privasea AI NetWork
เมื่อพิจารณาจากสถาปัตยกรรม Privasea AI NetWork:
มีบทบาททั้งหมด 4 บทบาทในเครือข่าย เจ้าของข้อมูล โหนด Privanetix ผู้ถอดรหัส และผู้รับผลลัพธ์
เจ้าของข้อมูล: ใช้เพื่อส่งงานและข้อมูลอย่างปลอดภัยผ่าน Privasea API
โหนด Privanetix: เป็นแกนหลักของเครือข่ายทั้งหมด พร้อมด้วยไลบรารี HESea ขั้นสูงและบูรณาการกลไกสิ่งจูงใจบนบล็อกเชน ซึ่งสามารถทำการคำนวณที่ปลอดภัยและมีประสิทธิภาพ ในขณะเดียวกันก็ปกป้องความเป็นส่วนตัวของข้อมูลพื้นฐาน และรับประกันความสมบูรณ์และการรักษาความลับของการคำนวณ
ตัวถอดรหัส: รับผลลัพธ์ที่ถอดรหัสผ่าน Privasea API และตรวจสอบผลลัพธ์
ผู้รับผลลัพธ์: ผลลัพธ์ของงานจะถูกส่งกลับไปยังบุคคลที่เจ้าของข้อมูลและผู้ออกงานกำหนด
3.2 ขั้นตอนการทำงานหลักของ Privasea AI NetWork
ต่อไปนี้เป็นแผนภาพขั้นตอนการทำงานทั่วไปของ Privasea AI NetWork:
ขั้นตอนที่ 1: การลงทะเบียนผู้ใช้: เจ้าของข้อมูลเริ่มกระบวนการลงทะเบียนบนเครือข่าย Privacy AI โดยจัดเตรียมการรับรองความถูกต้องและการอนุญาตข้อมูลรับรองที่จำเป็น ขั้นตอนนี้ทำให้แน่ใจได้ว่าเฉพาะผู้ใช้ที่ได้รับอนุญาตเท่านั้นที่สามารถเข้าถึงระบบและเข้าร่วมในกิจกรรมเครือข่ายได้
ขั้นตอนที่ 2: การส่งงาน : ส่งงานการคำนวณและข้อมูลอินพุต ข้อมูลถูกเข้ารหัสโดยไลบรารี HEsea ในเวลาเดียวกัน เจ้าของข้อมูลยังระบุผู้ถอดรหัสที่ได้รับอนุญาตและผู้รับผลลัพธ์ที่สามารถเข้าถึงผลลัพธ์สุดท้ายได้
ขั้นตอนที่ 3: การจัดสรรงาน : สัญญาอัจฉริยะที่ใช้บล็อคเชนปรับใช้บนเครือข่ายจัดสรรงานการประมวลผลให้กับโหนด Privanetix ที่เหมาะสมตามความพร้อมใช้งานและความสามารถ กระบวนการจัดสรรแบบไดนามิกนี้ช่วยให้มั่นใจในการจัดสรรทรัพยากรและการกระจายงานการคำนวณอย่างมีประสิทธิภาพ
ขั้นตอนที่ 4: การคำนวณที่เข้ารหัส : โหนด Privanetix ที่กำหนดจะรับข้อมูลที่เข้ารหัสและใช้ไลบรารี HESea เพื่อทำการคำนวณ การคำนวณเหล่านี้สามารถทำได้โดยไม่ต้องถอดรหัสข้อมูลที่ละเอียดอ่อน จึงรักษาความลับได้ เพื่อตรวจสอบความสมบูรณ์ของการคำนวณเพิ่มเติม โหนด Privanetix จะสร้างการพิสูจน์ความรู้เป็นศูนย์สำหรับขั้นตอนเหล่านี้
ขั้นตอนที่ 5: การสลับคีย์ : หลังจากเสร็จสิ้นการคำนวณ โหนด Privanetix ที่กำหนดจะใช้เทคโนโลยีการสลับคีย์เพื่อให้แน่ใจว่าผลลัพธ์สุดท้ายได้รับอนุญาต และมีเพียงผู้ถอดรหัสที่กำหนดเท่านั้นที่สามารถเข้าถึงได้
ขั้นตอนที่ 6: การตรวจสอบผลลัพธ์ : หลังจากเสร็จสิ้นการคำนวณ โหนด Privanetix จะส่งผลลัพธ์ที่เข้ารหัสและการพิสูจน์ความรู้เป็นศูนย์ที่เกี่ยวข้องกลับไปยังสัญญาอัจฉริยะที่ใช้บล็อกเชนสำหรับการตรวจสอบในอนาคต
ขั้นตอนที่ 7: กลไกสิ่งจูงใจ : ติดตามการมีส่วนร่วมของโหนด Privanetix และแจกจ่ายรางวัล
ขั้นตอนที่ 8: การดึงผลลัพธ์ : ตัวถอดรหัสใช้ Privasea API เพื่อเข้าถึงผลลัพธ์การเข้ารหัส สิ่งสำคัญอันดับแรกคือการตรวจสอบความสมบูรณ์ของการคำนวณ และให้แน่ใจว่าโหนด Privanetix ดำเนินการคำนวณตามที่เจ้าของข้อมูลต้องการ
ขั้นตอนที่ 9: การส่งมอบผลลัพธ์ : แบ่งปันผลลัพธ์ที่ถอดรหัสกับผู้รับผลลัพธ์ที่กำหนดซึ่งเจ้าของข้อมูลกำหนดไว้ล่วงหน้า
ในเวิร์กโฟลว์หลักของ Privasea AI NetWork สิ่งที่ผู้ใช้เปิดเผยคือ API แบบเปิด ซึ่งช่วยให้ผู้ใช้ใส่ใจกับพารามิเตอร์อินพุตและผลลัพธ์ที่เกี่ยวข้องเท่านั้น โดยไม่ต้องเข้าใจการดำเนินการที่ซับซ้อนภายในเครือข่าย โดยไม่ต้องใช้ความพยายามมากเกินไป . ภาระ. ในขณะเดียวกัน การเข้ารหัสจากต้นทางถึงปลายทางจะป้องกันไม่ให้ข้อมูลรั่วไหลโดยไม่ส่งผลกระทบต่อการประมวลผลข้อมูล
PoW PoS การซ้อนทับกลไกคู่
Privasea WorkHeart NFT และ StarFuel NFT ที่เปิดตัวเมื่อเร็วๆ นี้ใช้กลไกคู่ของ PoW และ PoS เพื่อจัดการโหนดเครือข่ายและมอบรางวัล เมื่อซื้อ WorkHeart NFT คุณจะมีคุณสมบัติที่จะเป็นโหนด Privanetix เข้าร่วมในการประมวลผลเครือข่าย และรับรายได้โทเค็นตามกลไก PoW StarFuel NFT เป็นตัวเพิ่มโหนด (จำกัดเพียง 5,000 โหนด) ที่สามารถใช้ร่วมกับ WorkHeart ได้ เช่นเดียวกับ PoS ยิ่งให้คำมั่นสัญญากับโทเค็นมากเท่าใด ตัวคูณรายได้ของโหนด WorkHeart ก็จะยิ่งมากขึ้นเท่านั้น
แล้วทำไมจึงต้อง PoW และ PoS?
ที่จริงแล้วคำถามนี้ตอบง่ายกว่า
สาระสำคัญของ PoW คือการลดอัตราความชั่วร้ายของโหนดและรักษาเสถียรภาพของเครือข่ายผ่านต้นทุนเวลาในการคำนวณ แตกต่างจากการคำนวณที่ไม่ถูกต้องจำนวนมากในการตรวจสอบหมายเลขสุ่มของ BTC ผลลัพธ์งานจริง (การทำงาน) ของโหนดเครือข่ายคอมพิวเตอร์ความเป็นส่วนตัวนี้สามารถเชื่อมโยงโดยตรงกับกลไกปริมาณงาน ซึ่งโดยธรรมชาติแล้วเหมาะสำหรับ PoW
PoS ช่วยให้สร้างสมดุลทรัพยากรทางเศรษฐกิจได้ง่ายขึ้น
ด้วยวิธีนี้ WorkHeart NFT จะได้รับรายได้ผ่านกลไก PoW ในขณะที่ StarFuel NFT จะเพิ่มรายได้หลายเท่าผ่านกลไก PoS ซึ่งก่อให้เกิดกลไกสิ่งจูงใจหลายระดับและหลากหลาย ช่วยให้ผู้ใช้สามารถเลือกวิธีการเข้าร่วมที่เหมาะสมตามทรัพยากรและกลยุทธ์ของตนเอง การรวมกันของทั้งสองกลไกสามารถเพิ่มประสิทธิภาพโครงสร้างการกระจายรายได้และสร้างความสมดุลระหว่างความสำคัญของทรัพยากรคอมพิวเตอร์และทรัพยากรทางเศรษฐกิจในเครือข่าย
3.3 สรุป
จะเห็นได้ว่า Privatosea AI NetWork ได้สร้างระบบการเรียนรู้ของเครื่องเวอร์ชันเข้ารหัสโดยใช้ FHE ด้วยคุณลักษณะของการประมวลผลความเป็นส่วนตัว FHE งานการประมวลผลจึงได้รับการเหมาช่วงไปยังโหนดการประมวลผลต่างๆ (Privanetix) ในสภาพแวดล้อมแบบกระจาย ความถูกต้องของผลลัพธ์ได้รับการตรวจสอบผ่าน ZKP และใช้กลไกคู่ของ PoW และ PoS เพื่อตรวจสอบผลลัพธ์ โหนดให้รางวัลหรือลงโทษเพื่อรักษาการทำงานของเครือข่าย อาจกล่าวได้ว่าการออกแบบ Privasea AI NetWork กำลังปูทางไปสู่แอปพลิเคชัน AI ที่รักษาความเป็นส่วนตัวในด้านต่างๆ
4. การเข้ารหัส FHE homomorphic - จอกศักดิ์สิทธิ์ใหม่ของการเข้ารหัส?
ดังที่เราเห็นในบทที่แล้ว ความปลอดภัยของ Privatosea AI NetWork ขึ้นอยู่กับ FHE ที่เป็นรากฐานของมัน ด้วยความก้าวหน้าทางเทคโนโลยีอย่างต่อเนื่องของ ZAMA ซึ่งเป็นผู้นำของเส้นทาง FHE ทำให้ FHE ได้รับการขนานนามว่าเป็นจอกศักดิ์สิทธิ์ใหม่ของการเข้ารหัสโดยนักลงทุน ลองเปรียบเทียบกับ ZKP และโซลูชันที่เกี่ยวข้องกัน
จากการเปรียบเทียบ จะเห็นได้ว่าสถานการณ์ที่เกี่ยวข้องของ ZKP และ FHE ค่อนข้างแตกต่างกัน FHE มุ่งเน้นไปที่การคำนวณความเป็นส่วนตัว ในขณะที่ ZKP มุ่งเน้นไปที่การตรวจสอบความเป็นส่วนตัว
ดูเหมือนว่า SMC จะทับซ้อนกันกับ FHE มากกว่า แนวคิดของ SMC คือการประมวลผลร่วมที่ปลอดภัย ซึ่งแก้ปัญหาความเป็นส่วนตัวของข้อมูลของคอมพิวเตอร์แต่ละเครื่องที่ทำการคำนวณร่วมกัน
5. ข้อจำกัดของ FHE
FHE บรรลุ การแยกสิทธิ์ในการประมวลผลข้อมูลและความเป็นเจ้าของข้อมูล ดังนั้นจึงป้องกันการรั่วไหลของข้อมูลโดยไม่ส่งผลกระทบต่อการประมวลผล แต่ในขณะเดียวกัน สิ่งที่ต้องเสียสละก็คือความเร็วในการคำนวณ
การเข้ารหัสเป็นเหมือนดาบสองคม แม้ว่าจะช่วยเพิ่มความปลอดภัย แต่ก็ยังลดความเร็วในการประมวลผลลงอย่างมากอีกด้วย
ในช่วงไม่กี่ปีที่ผ่านมา มีการเสนอโซลูชันการปรับปรุงประสิทธิภาพ FHE ประเภทต่างๆ บางส่วนขึ้นอยู่กับการปรับอัลกอริทึมให้เหมาะสม และบางส่วนอาศัยการเร่งด้วยฮาร์ดแวร์
ในแง่ของการปรับอัลกอริทึมให้เหมาะสม รูปแบบ FHE ใหม่ เช่น CKKS และวิธีการบูตสแตรปที่ได้รับการปรับปรุงจะช่วยลดการเติบโตของสัญญาณรบกวนและค่าใช้จ่ายในการคำนวณได้อย่างมาก
ในแง่ของการเร่งความเร็วด้วยฮาร์ดแวร์ GPU ที่ปรับแต่งเอง FPGA และฮาร์ดแวร์อื่นๆ ได้ปรับปรุงประสิทธิภาพของการดำเนินการพหุนามอย่างมีนัยสำคัญ
นอกจากนี้ ยังมีการสำรวจการประยุกต์ใช้รูปแบบการเข้ารหัสแบบไฮบริดด้วยการผสมผสานการเข้ารหัสโฮโมมอร์ฟิกบางส่วน (PHE) และการเข้ารหัสการค้นหา (SE) ทำให้ประสิทธิภาพสามารถปรับปรุงได้ในสถานการณ์เฉพาะ
อย่างไรก็ตาม ยังมีช่องว่างขนาดใหญ่ในด้านประสิทธิภาพระหว่างการคำนวณ FHE และการคำนวณแบบข้อความธรรมดา
6. สรุป
ด้วยสถาปัตยกรรมที่เป็นเอกลักษณ์และเทคโนโลยีคอมพิวเตอร์เพื่อความเป็นส่วนตัวที่มีประสิทธิภาพ Privasea ไม่เพียงแต่มอบสภาพแวดล้อมการประมวลผลข้อมูลที่มีความปลอดภัยสูงแก่ผู้ใช้ แต่ยังเปิดบทใหม่ในการบูรณาการเชิงลึกของ Web3 และ AI แม้ว่า FHE พื้นฐานที่ใช้จะมีข้อเสียด้านความเร็วในการประมวลผลตามธรรมชาติ แต่เมื่อเร็วๆ นี้ Privasea ได้บรรลุความร่วมมือกับ ZAMA เพื่อร่วมกันแก้ไขปัญหาการประมวลผลความเป็นส่วนตัว ในอนาคต ด้วยความก้าวหน้าทางเทคโนโลยีอย่างต่อเนื่อง Privasea ได้รับการคาดหวังให้ปลดปล่อยศักยภาพในด้านต่างๆ มากขึ้น และกลายเป็น ผู้สำรวจด้านการประมวลผลความเป็นส่วนตัวและแอปพลิเคชัน AI
