Proof of Human: How to Verify a Person Is Real and Unique

KẾT LUẬN

Bài viết trình bày một kiến trúc 5 trụ cột (uniqueness, anonymity, recovery, verification, delegation) để xác minh con người thật và duy nhất ở quy mô internet. Giải pháp này vượt xa các hệ thống xác thực truyền thống bằng cách kết hợp sinh trắc học mống mắt, multi-party computation, zero-knowledge proofs và nullifier để chứng minh tính duy nhất mà không tiết lộ danh tính.

LUẬN ĐIỂM CHÍNH

• Xác thực truyền thống (CAPTCHA, IP, số điện thoại) dùng proxy gián tiếp và đều thất bại khi kẻ tấn công mua số lượng lớn proxy đó
• Bài toán cốt lõi là one-to-many matching ở quy mô hàng tỷ người, đòi hỏi tỷ lệ lỗi cực thấp (~1/100 tỷ) mà sinh trắc học tiêu dùng thông thường không đáp ứng được
• Mống mắt (iris) là tín hiệu sinh trắc duy nhất đủ entropy cho so khớp quy mô tỷ người, và cần phần cứng chuyên dụng (Orb) chụp đa phổ, kiểm tra liveness cục bộ rồi xóa ảnh gốc
• Kiến trúc gồm 5 lớp: uniqueness, anonymity (AMPC chia dữ liệu thành 3 mảnh cho 3 tổ chức độc lập), recovery (public key registry + recovery agents), verification (nullifier + OPRF + ZK proofs), delegation (AgentKit cho AI agent)

LUẬN ĐIỂM PHỤ

• AMPC (anonymized multi-party computation): dữ liệu mống mắt bị chia thành 3 mảnh ngẫu nhiên, mỗi tổ chức ở mỗi quốc gia khác nhau chỉ giữ 1 mảnh vô nghĩa, nhưng có thể cùng tính toán xem người này đã đăng ký chưa mà không bên nào thấy toàn bộ dữ liệu
• Nullifier: một con số sinh ra từ (chứng chỉ người dùng + ID dịch vụ + hành động cụ thể), cho phép dịch vụ phát hiện người dùng lặp lại mà không thể liên kết hành vi của cùng một người trên các dịch vụ khác nhau
• AgentKit & AgentBook: AI agent đăng ký ví blockchain vào registry, ràng buộc với World ID của con người thật, mặc định giới hạn 3 lần dùng/dịch vụ để chống bot farm

LUẬN CỨ & VÍ DỤ

• Ví dụ giày limited-edition: 1000 đôi bán hết trong 30 giây bởi bot reseller, bất chấp CAPTCHA, giới hạn IP, xác minh số điện thoại. Chứng minh proxy-based defense hoàn toàn thất bại
• Ví dụ so sánh Face ID (1:1 matching, lỗi 1/triệu, an toàn) vs bài toán 1:many ở quy mô tỷ người (cùng tỷ lệ lỗi sẽ sinh ~1000 false match mỗi truy vấn). Đòi hỏi tỷ lệ lỗi 1/100 tỷ
• Ví dụ use case: startup mở free trial không lo bot farm (mỗi người thật chỉ 1 lần), retailer giới hạn 1 đôi giày/người ngay cả khi dùng agent, merchant chống chargeback fraud nhờ xác minh human backing

Nguồn: ByteByteGo | Phân tích bởi AI