全同态加密叙事已到来？三大FHE热门项目创始人观点一览

编者按：全同态加密，即 Fully Homomorphic Encryption (FHE) ，是一种无需解密即可处理数据的技术。这意味着公司可以在不查看用户数据的情况下提供服务，而且用户不会发现功能上的差异。由于数据在传输和处理过程中都经过加密，网络行为便可以实现端到端加密。也就是说，FHE 让零信任得以更好的执行，可以在不受信任的域上共享，执行计算的人是无法读取数据的。

行业构想

FHE 行业的领军企业 Zama 最近发表了一篇关于其“整体规划”的文章。文章中宣布公司成功融资 7300 万美元（估值未公开），并概述了公司创建端到端加密网络 HTTPZ（“Z” 即 “Zero Trust”，零信任）的愿景。

Zama 成立四年，已实现将 FHE 从理论数学推进到实际代码，借此提高了开发人员的可访问性，并扩大了 FHE 的应用范围。目前，Zama 的 FHE 库套件可支持各行各业的端到端加密应用，也很大的提高了 FHE 方案的速度。其推出的 fhEVM（一种保密的智能合约解决方案 ）解决了区块链交易中的隐私问题。Zama 认为 FHE 在区块链应用方面有很多潜力，包括隐私代币和去中心化身份（DID），强调了 FHE 在人工智能中的应用， 将在未来将造成更广泛的影响。

Web3 中的一些 FHE 构建者们与 Zama 的目标一致，并正在推动将其变为现实。

本文将分享 FHE 赛道的三大热门项目 Mind Network，Fhenix 和 Inco 创始人的观点，阐述他们如何在 Web3 中实现端到端加密网络，为什么这些项目将从根本上改变用户与网络的交互方式，以及为何他们认为 FHE 的应用场景前途无量。

Mind Network 是首个基于 FHE 的通用 Restaking Rollup 解决方案，为 EigenLayer 和以太坊生态系统提供安全计算和共识。

Crypto AI 和 DePIN 要打败 Web2 竞争对手，仍需要解决一些难题。在加密人工智能中，如果其他验证者可以复制预测结果，那么系统就有意向减少计算量，但仍能通过验证获得代币奖励，从而降低网络安全性。因此，加密输出是关键。

加密人工智能面临的另一个挑战是如何启动一个去中心化的验证网络。EigenLayer 为市场提供了针对此问题的服务，它允许通过 ETH 和流动性质押代币共享安全性。但同时，因为人工智能计算更加复杂，人工智能需要比普通加密货币交易更精细的运算。这是人工智能系统需要解决的另一个关键挑战。

在 DePIN 问题上，用户通过贡献特定数据来获得代币奖励，但也会不经意间向网络暴露设备、地理位置和收入等重要数据。如果 DePIN 成为当今物联网的行业标准，那么 Web3 用户的保密性就会比 Web2 模式中的用户更差。这是 DePIN 要解决的一个关键挑战。

Mind Network 为解决上述问题提供了方案。Mind Network 使用 Zama 的 FHE 库，在加密数据上实现可验证的分散计算，从而解决了上述第一个问题。其次，Mind Network 扩展了 EigenLayer 的共识服务，以满足人工智能计算的需求，从而实现了人工智能网络的关键 —— 概率共识。

目前，Mind Network 的人工智能解决方案已经与 IO.Net、AIOZ、Chainlink、Connext 和 Akash 等项目达成了初步的产品市场契合。

只有解决了链上保密性的问题，才能实现此类应用，这就是 FHE 的用武之地。Fhenix 使用并扩展 Zama 的加密库，用于构建一个 FHE 协处理器（FHE coprocessor）。FHE 协处理器是以太坊（L1、L2 或 L3）的扩展，应用程序可以将需要处理敏感数据的特定计算外包出去。例如，一个 DAO 治理机制可以运行一个私人投票机制，让人们对自己的投票进行加密，然后让协处理器（在加密数据上）进行统计，同时只透露最终结果。

Fhenix 的 FHE 协处理器技术基于轻量级 FHE Rollup 架构，大大提高了可扩展性。假设每条链都配备这样的协处理器时，可以推动无数新的应用出现。Fhenix 认为，这将成为让十亿多用户涌入加密货币的催化剂。

Inco

Inco 是基于 EVM 的 Layer 1 区块链，通过 EigenLayer 由以太坊提供安全保护，并简化了 FHE 的复杂性，使开发人员能够使用最常用的智能合约语言 Solidity 和以太坊生态系统中的工具（如 Metamask、Remix 和 Hardhat），在 20 分钟内构建保密性 DApp。

此外，与 Celestia 为以太坊和其他区块链提供数据可用性（即 Data Availability — DA）的方式类似，Inco 作为一个模块化保密计算网络，通过提供保密存储、计算和访问控制，将保密性扩展到以太坊和其他公共 L1 和 L2。

例如，一个不受信任的链上游戏可以在 Arbitrum 上开发，其大部分核心逻辑都托管在 Arbitrum 上，而 Inco 则专门用于存储隐藏信息（如卡牌、玩家状态或资源）或执行私有计算（如支付、投票或隐匿攻击）。Inco 的目标是将保密性带入互联网的价值层，并推动下一阶段的大规模应用。

这项技术可以在无需解密的情况下对加密数据进行复杂计算，从而提供一种即使在分析过程中数据也能保持安全和隐私的解决方案，这一过程被称为“creating a shared private state”（创建共享私有状态）。仅在过去几年中，FHE 的进步就大大提高了效率和可用性，使其从一个理论概念转变为安全数据处理的实用工具。

如今，FHE 已成为 Web2 网络安全的前沿技术，广泛应用于云计算和数据分析领域。在这些领域中，敏感信息必须得到保护，同时又不能影响提取有价值见解的能力。Web2 已经有了严格的隐私保护措施，尽管是中心化的，但依然容易受到攻击。Web3 最初是为公共数据而构建的，这是 Web3 生态系统需要解决的一个关键挑战。如果 Web2 明天就变成了 Web3，那么我们的杂货账单、应用程序订阅、电话账单等都将成为公共信息。在 Web3 中解决保密问题显得至关重要。FHE 或是用户未来得以实现增强隐私和安全性强有力方案，在实现保密的同时允许对加密交易、数据和智能合约进行操作。

在零识证明 Zero Knowledge Proofs, 多方计算 Multi-Party Computation 和全同态加密 FHE 三种方法中，FHE 是基石，这三种方法构成了 Web3 中的一个新的垂直领域：去中心化保密计算（Decentralized Confidential Computation — DeCC）。DeCC 将极大地扩展 Web3 的使用案例，并使 Web3 得到广泛应用。