От «Святого Грааля» к краеугольному камню: как FHE трансформирует экосистему конфиденциальных вычислений Web3?

Я уже говорил во многих статьях, что AI-агент станет “спасением” для многих старых нарративов криптоиндустрии. В предыдущей волне эволюции нарративов вокруг автономности ИИ TEE оказался в центре внимания, однако есть еще более “нишевая” техническая концепция, чем TEE и даже ZKP — FHE——полностью гомоморфное шифрование, которая также получит “возрождение” благодаря развитию сектора ИИ. Ниже я разберу логику на примерах:

FHE — это криптографическая технология, позволяющая выполнять вычисления непосредственно на зашифрованных данных, считающаяся “Holy Grail”. По сравнению с такими популярными техническими нарративами, как ZKP и TEE, она занимает относительно “нишевое” положение, в основном из-за затрат и сценариев использования.

Mind Network как раз специализируется на инфраструктуре FHE и запустила FHE Chain, ориентированную на AI-агентов — MindChain. Несмотря на привлечение более 10 миллионов долларов финансирования и несколько лет технической разработки, из-за ограничений самой FHE внимание рынка к ней остается недооцененным.

Однако недавно Mind Network объявила о ряде положительных новостей вокруг сценариев использования ИИ. Например, разработанный ею FHE Rust SDK был интегрирован в открытую большую модель DeepSeek, став ключевым звеном в сценариях обучения ИИ и обеспечив безопасную основу для реализации доверенного ИИ. Почему FHE может проявить себя в конфиденциальных вычислениях ИИ и сможет ли она, используя нарратив AI-агентов, совершить рывок или получить спасение?

Проще говоря: FHE полностью гомоморфное шифрование — это криптографическая технология, которая может работать непосредственно поверх текущей архитектуры публичных блокчейнов, позволяя выполнять любые вычисления, такие как сложение и умножение, непосредственно на зашифрованных данных без необходимости их предварительной расшифровки.

Иными словами, применение технологии FHE позволяет обеспечить сквозное шифрование данных от ввода до вывода. Даже узлы, поддерживающие консенсус публичного блокчейна и выполняющие валидацию, не могут получить доступ к информации в открытом виде. Таким образом, FHE может обеспечить техническую базовую защиту для обучения некоторых AI LLM в вертикальных нишевых сценариях, таких как здравоохранение и финансы.

Это делает FHE “предпочтительным” решением для расширения вертикальных сценариев обучения традиционных больших моделей ИИ и сочетания с распределенной архитектурой блокчейна. Будь то межведомственное сотрудничество в области медицинских данных или конфиденциальный вывод в сценариях финансовых транзакций, FHE благодаря своим уникальным особенностям может стать дополнительным выбором.

Это не так абстрактно, простой пример поможет понять: например, AI-агент как приложение, ориентированное на потребителей (C-end), обычно подключается на бэкенде к большим моделям ИИ от разных поставщиков, включая DeepSeek, Claude, OpenAI. Но как гарантировать, что в некоторых высокочувствительных финансовых сценариях процесс выполнения AI-агента не будет затронут бэкендом большой модели, который внезапно изменит правила? Это неизбежно требует шифрования введенного промпта. Когда провайдер LLM выполняет вычисления непосредственно над зашифрованным текстом, не будет существовать принудительного вмешательства или изменений, влияющих на справедливость.

Так что же представляет собой другая концепция “доверенного ИИ”? Доверенный ИИ — это видение децентрализованного ИИ на основе FHE, которое пытается построить Mind Network. Оно включает возможность для нескольких сторон осуществлять эффективное обучение моделей и вывод через распределенные вычислительные мощности GPU без необходимости зависеть от центральных серверов, обеспечивая для AI-агентов консенсусную валидацию на основе FHE и т. д. Такой дизайн устраняет ограничения изначального централизованного ИИ, обеспечивая двойную защиту конфиденциальности и автономности для работы web3 AI-агентов в распределенной архитектуре.

Это еще больше соответствует нарративному направлению самой распределенной архитектуры публичного блокчейна Mind Network. Например, в процессе специальных ончейн-транзакций FHE может защитить конфиденциальный вывод и процесс выполнения данных оракулов со стороны всех участников, позволяя AI-агенту осуществлять автономное принятие решений по транзакциям без необходимости раскрывать позиции или стратегии и т. д.

Тогда почему говорят, что у FHE будет аналогичный путь проникновения в отрасль, как у TEE, и она получит прямые возможности благодаря всплеску сценариев использования ИИ?

Ранее TEE смогла воспользоваться возможностями AI-агентов благодаря тому, что аппаратная среда TEE позволяет осуществлять хранение данных в конфиденциальном состоянии, что затем позволяет AI-агенту автономно хранить приватные ключи, реализуя новый нарратив об автономном управлении активами AI-агентом. Однако у хранения приватных ключей в TEE есть серьезный недостаток: доверие должно опираться на стороннего поставщика аппаратного обеспечения (например, Intel). Чтобы TEE работала эффективно, требуется набор распределенной цепной архитектуры для добавления набора дополнительных открытых и прозрачных ограничений “консенсуса” к среде TEEs. По сравнению с этим, FHE вполне может существовать на основе децентрализованной цепной архитектуры, не завися от третьих сторон.

FHE и TEE находятся в схожей экологической нише. Несмотря на то, что применение TEE в экосистеме web3 еще не широко, в области web2 это уже давно очень зрелая технология. По сравнению с этим, FHE также постепенно найдет свою ценность существования как в web2, так и в web3 благодаря всплеску тенденции ИИ в этом цикле.

На этом все.

Подводя итог, видно, что такая криптографическая технология уровня Святого Грааля, как FHE, при условии, что ИИ станет будущим, неизбежно станет одним из краеугольных камней безопасности и получит возможность быть принятой еще шире.

Конечно, несмотря на это, нельзя игнорировать проблему затрат на реализацию алгоритмов FHE. Если она сможет быть применена в сценариях web2 AI, а затем связана со сценариями web3 AI, это, несомненно, неожиданно высвободит “эффект масштаба”, распределит общие затраты и позволит ей получить более широкое применение.