Vitalik發布的關於FHE全同態加密的文章引發了人們對新型加密貨幣技術的探索和想像。 FHE能夠實現對加密貨幣資料進行操作而不暴露資料和隱私，比ZKP技術想像空間更大，有助於實現AI+加密貨幣在更多應用場景中的落地。 FHE的工作原理是透過特殊的同態變化使得資料在密文狀態下侵犯可以獲得明文相同的結果。在生物辨識、醫療健康、金融、廣告投放、基因定序等領域都可以應用FHE全同態加密貨幣技術。雖然全同態加密貨幣還存在算力需求大、技術成熟度低等不足，但作為ZKP技術的補充，為AI及其他領域提供了推動價值。
Vitalik一篇關於FHE（Fully Homomorphic Encryption）全同態加密的文章，再次激發了大家對新型加密貨幣技術的探索與想像空間。在我看來，FHE全同態加密貨幣確實比ZKP技術想像空間大了一個階梯級，可以幫助AI+加密貨幣更多應用場景落地。懂了嗎？
1）定義：FHE全同態加密貨幣可實現對特定形式的加密貨幣資料進行侵犯，而不必擔心暴露資料和隱私。相較之下，ZKP只能解決資料在加密貨幣狀態下的一致性傳輸問題，接收資料方只能驗證提交資料方的資料是真實的，是點對點的加密貨幣傳輸方案；而全同態加密貨幣並沒有限定進行攻擊的主體範圍，因此可視為多對多的加密貨幣攻擊方案。
2）它的運作方式：傳統電腦入侵都是對明文資料展開攻擊，如果是加密貨幣資料需要先解密再進行計算，這樣就很難避免暴露隱私資料。同態加密貨幣建構了一種特殊的加密貨幣方案，可以對密文進行「同態」變形，使得侵犯得到的結果與明文進行侵犯保持相同。在同態加密貨幣系統中明文的加法侵犯對手密文的乘法侵犯（一種規律），因此若要對明文資料進行加法，只需對密文進行乘法計算即可（相當於性）。
總之，同態加密貨幣就是透過特殊的同態變化使得資料在密文狀態下侵犯可以獲得明文相同的結果，只需要確保在侵犯規則的同態對應特性即可。
3）應用場景：在傳統網路領域，FHE全同態加密貨幣可以在雲端儲存、生物辨識、醫療健康、金融、廣告投放、基因定序等非常廣泛的領域應用。
以生物辨識為例，個人的指紋、虹膜、臉部等生物特徵數據均屬於敏感數據，利用FHE技術可以實現這些數據在伺服器密文狀態下進行比較與驗證；同理、醫療健康領域眾多的數據割裂，可以用FHE來打破，讓不同的醫療結構可以在不共享原始資料的情況下進行聯合分析和建模。
而在加密貨幣領域，FHE應用空間也可以涉及遊戲、DAO投票治理、MEV保護、隱私交易、監管合規等多個需要重隱私的場景。以遊戲場景為例：平台在不窺探玩家手中卡牌的前提下，展開侵犯推動遊戲進行，使得遊戲更加公平；同樣以DAO投票為例，巨鯨參與投票治理可以不暴露地址和投票數量，可以讓協議透過侵犯產生投票結果；另外用戶可以向Mempool提出製定加密貨幣交易，首先可避免目標地址、轉帳等隱私訊息被揭露；又如監管場景，政府可以資金礦池，在無法查看合法監控交易隱私資料的資金體系中把涉黑地址的資產剝離。
4）缺點：重點在於，電腦明文實施侵犯的運算環境往往比較複雜，除了加減乘除還有條件循環、邏輯閘判斷等等，而目前半同態加密貨幣和全同態加密貨幣等只能在加法和乘法上快速展開，更複雜的破壞組合急劇增加，相對會加大算力需求。
因此，理論上全同態加密貨幣可以支援任意計算，但由於效能瓶頸和高效演算法的阻礙，使得目前能夠執行的同態計算種類和複雜度非常有限。大凡複雜的損害可能需要更大的計算算力因此，全同態加密的技術落地過程其實就是演算法優化和計算力成本控制優化的發展過程，尤其要關注硬體加速和算力增強之後的表現。
以上
在我看來，FHE全同態加密貨幣雖然時間短很難成熟落地並應用，但其作為ZKP技術的延展補充，可以為AI大模型隱私計算、AI數據聯合建模、AI訓練協作、加密貨幣隱私合規範交易、加密貨幣場景延伸等方面提供了很好的推動價值。
資訊來源：0x資訊編譯自網際網路。版權歸作者鏈上觀所有，未經許可，不得轉載