原文作者：Advait (Leo) Jayant
编译：LlamaC
「推荐寄语：全同态加密（FHE）常被誉为密码学的圣杯，本文探讨了 FHE 在人工智能领域的应用前景，指出了当前面临的局限性。并 list 了一些致力于在加密领域利用全同态加密（FHE）进行 AI 应用的项目，对于加密货币爱好者来说，可通过本文对全同态加密进行一次深入了解，enjoy！」
正文
A 希望在 Netflix 和 Amazon 上获得高度个性化的推荐。B 不希望 Netflix 或 Amazon 了解他们的偏好。
在当今的数字时代，我们享受着亚马逊和 Netflix 等服务带来的个性化推荐便利，这些推荐精准地迎合了我们的趣味。然而，这些平台深入我们私人生活的行为正引发越来越多的不安。我们渴望在不牺牲隐私的前提下享受定制化服务。过去，这似乎是一个悖论：如何在不对基于云的人工智能系统分享大量个人数据的情况下实现个性化。全同态加密（FHE）提供了一个解决方案，使得我们能够兼得鱼与熊掌。
人工智能（AI）如今在应对包括计算机视觉、自然语言处理（NLP）和推荐系统在内的多个领域的复杂挑战中扮演着关键角色。然而，这些 AI 模型的发展给普通用户带来了重大挑战：
1.数据量：构建**模型往往需要庞大的数据集，有时甚至会达到千万亿字节的规模。
2.计算能力：像转换器这样的复杂模型需要数十个 GPU 的强大算力，通常连续运行数周。
3.领域专长：这些模型的微调需要深厚的专业知识。
这些障碍使得大多数用户难以独立开发强大的机器学习模型。
实际应用中的 AI 即服务流水线
进入 AI 即服务（AIaaS）时代，这一模式通过提供由科技巨头（包括 F**NG 成员）管理的云服务，让用户得以接触到**进的神经网络模型，从而克服了上述障碍。用户只需将原始数据上传至这些平台，数据便会在平台上被处理，进而生成富有洞察力的推断结果。AIaaS 有效地普及了高质量机器学习模型的使用权，将先进的 AI 工具开放给更广泛的群体。然而，遗憾的是，当今的 AIaaS 在带来这些便利的同时，却牺牲了我们的隐私。
目前，数据仅在从客户端传输到服务器的过程中进行加密。服务器能够访问输入数据以及基于这些数据所做的预测。
在 AI 即服务过程中，服务器能够访问输入和输出数据。这种情况使得普通用户共享敏感信息（如医疗和财务数据）变得复杂。诸如 GDPR 和 CCPA 之类的法规加剧了这些担忧，因为它们要求用户在数据被共享之前明确同意，并保证用户有权了解其数据如何被使用。GDPR 还进一步规定了传输过程中数据的加密和保护。这些法规设定了严格的标准，以确保用户的隐私和权利，倡导对个人信息有明确的透明度和控制。鉴于这些要求，我们必须在 AI 即服务（AIaaS）流程中开发强大的隐私机制，以维护信任和合规性。
通过对 a 和 b 进行加密，我们可以确保输入数据保持私密性。
全同态加密（FHE）为云计算中关联的数据隐私问题提供了解决方案。FHE 方案支持密文加法和乘法等操作。其概念简单明了：两个加密值之和等于这两个值之和的加密结果，乘法亦然。
实际操作中，其工作原理如下：用户在本地对明文值
| 正加财富网内容推荐 | ||
| OK交易所下载 | USDT钱包下载 | 比特币平台下载 |
| 新手交易教程 | 平台提币指南 | 挖矿方法讲解 |
