FHE概念受VC热捧，值得关注的项目有哪些？

FHE 开启了无需解密即可计算加密数据的可能性。当与区块链、MPC、ZKP（可扩展性）结合时，FHE 提供必要的机密性并支持各种链上用例。

在本文中，我将介绍四个问题，分别是 FHE 的背景、FHE 如何运作、FHE 生态系统的 5 种景观以及当前 FHE 的挑战与解决方案。

FHE 的背景

FHE 于 1978 年**提出，但由于其计算复杂性，在相当长的一段时间内它并不实用，而且相当理论化。直到 2009 年，Craig 为 FHE 开发了一个可行的模型，从此引发了人们对 FHE 的研究兴趣。

2020 年，Zama 推出 TFHE 和 fhEVM，使 FHE 成为加密货币领域的焦点。从那时起，我们就看到了通用 EVM 兼容的 FHE L1/L2（例如 Fhenix、 Inco 和 FHE 编译器（例如 Sunscreen 等）的出现。

FHE 如何运作？

你可以想象有一个盲盒，里面有拼图。然而，盲盒无法了解您给它的谜题的**信息，但它仍然可以用数学计算结果。

如果太抽象的话，可以从我对 FHE 的简单化解释中了解更多信息。FHE 是一种隐私技术，无需先解密即可对加密数据进行计算。换句话说，**第三方或云都可以处理敏感信息，而无需访问内部**数据。

那么什么是 FHE 的用例？通过 ZKP 和 MPC 增强机器学习、云计算、链上**的隐私性。私有链上交易/私有智能合约/注重隐私的虚拟机，例如 FHEVM 等。

一些 FHE 用例包括：私有链上计算、链上数据加密、公共网络上的私人智能合约、机密 ERC20、私人投票、NFT 盲目拍卖、更安全的 MPC、抢先交易保护、无需信任的桥梁。

FHE 生态系统

总的来说，链上 FHE 的前景可以概括为 5 个领域。分别是通用 FHE、针对特定用例（应用程序）的 FHE/HE、FHE 加速硬件、FHE Wif AI、「替代解决方案」。

通用 FHE 区块链和工具

它们是实现区块链保密性的支柱。这包括 SDK、协处理器、编译器、新的执行环境、区块链、FHE 模块...... **挑战性的一项是将 FHE 引入 EVM，即 fhEVM。

fhEVM：

Zama (@zama_fhe )，作为 fhEVM 的代表 - **提供 TFHE（全同态加密） fhEVM（全同态虚拟机）解决方案的提供商。

Fhenix(@FhenixIO )，在 ETH 上实现 FHE L2（第二层） FHE 协处理器。

Inco network (@inconetwork )，专注于游戏/RWA（现实世界资产）/DID（去**化身份）/社交等领域的 EVM 兼容 FHE L1。

FairMath (@FairMath )，一个与 openFHE 合作的全同态虚拟机 (FHE-(E)VM) 研究组织，致力于促进 FHE 的实施和采用。

FHE 基础设施工具：

Octra network (@octra )，支持 HFHE（高阶全同态加密）隔离执行环境的区块链。

Sunscreen (@SunscreenTech )，基于 Rust 的全同态编译器，依赖于微软的 SEAL 库。

Fairblock (@0xfairblock )，提供可编程加密和条件解密服务的供应商，也支持 tFHE（阈值全同态加密）。

Dero (@DeroProject )，支持 HE（同态加密）的 L1，用于私人交易（不是 FHE）。

Arcium (@ArciumHQ )，由@elusivprivacy 团队开发的结合 HE（同态加密） MPC（多方计算） ZK（零知识证明）隐私的 L1。

Shibraum FHE chain，使用 zama TFHE 解决方案制作的 FHE L1。

FHE/HE 适用于特定用途的应用

Penumbrazone（@penumbrazone）：一个跨链 Co**os dex（appchain），使用 tFHE 作为其屏蔽交换/池。

zkHold-em（@zkHoldem）：是 Manta 上的扑克游戏，使用 HE 和 ZKP 来证明游戏的公平性。

硬件加速 FHE

每次将 FHE 用于 FHE-ML 等密集计算时，引导以减少噪声增长至关重要。硬件加速等解决方案在促进引导方面发挥着重要作用，其中 ASIC 的性能**。

Optalysys（@Optalysys），一家硬件公司，专注于通过光学计算加速所有与 TEE 相关的软件，包括 FHE。

Chain Reaction（@chainreactioni0），一家硬件公司，生产有助于提高挖矿效率的芯片。他们计划在 2024 年底推出一款 FHE 芯片。

Ingonyama（@Ingo_zk），是一家专注于 ZKP/FHE 硬件加速的半导体公司。现有产品包括 ZPU。

Cysic（@cysic_xyz）是一家硬件加速公司，现有产品包括自主研发的 FPGA 硬件，以及即将推出的 ZK DePiN 芯片、ZK Air 和 ZK Pro 等。

每个公司都专门生产芯片、ASIC 和半导体等硬件，这些硬件可以加速 FHE 的引导/计算。

AI X FHE

最近，人们对将 FHE 集成到 AI/ML 中的兴趣日益浓厚。其中，FHE 可以防止机器在处理**敏感信息时学习**敏感信息，并在整个过程中为数据、模型和输出提供机密性。

Ai x FHE 成员包括：

Mind network(@mindnetwork_xyz )，一个 FHE 重新质押层，用于通过高价值数据加密和私有投票来保护权益证明（PoS）和 AI 网络，减少节点合谋和操纵的机会。

SightAl（@theSightAI），一个可验证的 FHE AI 推理区块链，具有可验证的 FHE-ML。区块链由三个主要部分组成：视觉链（Sight Chain）、数据聚合层（DA 层）和一个视觉推理网络（Sight Inference Network），其中执行 FHE-ML 任务。

Based AI(@getbasedai )，Based AI 是一个 L1 区块链，它使用一种名为"Cerberus Squeezing"（地狱犬压缩）的机制将 FHE 与大型语言模型（LLM）集成，这种机制可以将** LLM 转换为加密的零知识大型语言模型（ZL-LLM）。

Privasea Al(@Privasea_ai )，Privasea AI 是一个 AI 网络，允许用户使用 HESea 库中的 FHE 方案加密他们的数据或模型，然后上传到 Privasea-AI 网络，在该网络中区块链以加密状态处理数据。

HESea 库是**的，包含 TFHE、CKKS 和 BGV/BFV 的不同库，并且与一系列方案兼容。

「替代解决方案」MPC/ZKFHE

有的不使用 FHE，而是使用 MPC 来保护高价值数据并进行「盲计算」，而另一些则使用 ZKSNARK 来保证 FHE 对加密数据计算的正确性。他们是：

Nillion Network (@nillionnetwork )，一个使用 MPC 去**化和存储高价值数据的计算网络，同时允许用户编写程序并进行盲计算。Nillion 由两个主要组成部分构成：协调层和 Petnet。协调层充当支付渠道，而 Petnet 则进行盲计算和高价值数据的存储。

Padolabs (@padolabs），Pado 是一个使用 FHE 处理敏感数据的计算网络，同时利用 MPC-TLS 和 ZKP 保证计算的正确性。

FHE 的挑战及解决方案

与 ZK 和 MPC 不同，FHE 仍处于早期阶段。现在 FHE 的瓶颈是什么？为了增强计算的安全性，加密时在密文中加入一些「噪音」。当密文中积累了太多「噪声」时，它就会变得太「嘈杂」，**影响输出的准确性。不同的解决方案正在探索如何有效**噪声而不对设计施加太多限制，包括 TFHE、CKKS、BGV 等。

FHE 的主要挑战包括：

性能**：目前，使用 fh-EVM 的私有智能合约只有 5 TPS。与纯数据相比，TFHE 现在的性能大约慢 1000 倍。

尚不适合开发人员：目前仍缺乏标准化算法和整体支持的 FHE 工具。

高计算开销（成本）：由于噪声管理和复杂计算的引导，这可能会导致节点**化。

无担保链上 FHE 的风险：为了保证**阈值解密系统的安全，解密密钥在节点之间分配。然而，由于 FHE 的开销较高，这可能会导致验证器数量较少，因此共谋的可能性较高。

解决方案包括：

可编程升压：它允许在引导期间应用计算，从而在特定于应用程序的同时提**率。

硬件加速：开发 ASIC、GPU 和 FPGA 以及 OpenFHE 库，以加速 FHE 性能。

更好的阈值解密系统。简而言之，为了让链上 FHE 更加安全，我们需要一个系统（可以是 MPC）来确保：低延迟；**节点进入门槛，实现去**化；容错能力。

「原文链接」