作者：Poopman，Ouro Research；翻譯：0xjs@金色財經
FHE 開啟了無需解密即可對加密資料進行計算的可能性。
當與區塊鏈、MPC、ZKP（可擴展性）結合時，FHE 提供了必要的機密性並支援各種鏈上用例。
本文簡單概述FHE 現況。
我將介紹：1、FHE 背景；2、FHE 如何運作？ 3、FHE 生態系中的5 個領域；4、目前FHE 的挑戰與解決方案。
一、背景
FHE 最早於1978 年提出，但由於計算複雜度較高，在相當長的一段時間內，它並不實用，僅停留在理論層面。
直到2009 年，Craig 才為FHE 開發出可行的模型，從此，FHE 的研究興趣一路飆升。
2020 年，Zama推出TFHE 和fhEVM 使FHE 成為加密領域的焦點。
從那時起，我們看到了通用的EVM 相容FHE L1/L2 例如Fhenix、Inco Network和FHE 編譯器Sunscreen Tech等的出現。
二、FHE 如何運作？
你可以想像有一個盲盒，裡面有謎題。然而，盲盒無法了解你給它的謎題的任何信息，但它仍然可以用數學計算結果。
FHE 的一些用例包括：隱私鏈上計算、鏈上資料加密、公共網路上的私密智能合約、機密ERC20、私密投票、NFT盲拍賣、更安全的MPC、搶先交易保護、無需信任的橋等等。
三、FHE 生態系統
整體而言，鏈上FHE 的格局可以概括為5 個領域：1、通用FHE；2、特定用例（應用）的FHE/HE；3、FHE 加速硬體；4、帶有AI 的FHE；5、替代解決方案
1.通用FHE 區塊鏈和工具
它們是實現區塊鏈機密性的支柱。這包括SDK、協處理器、編譯器、新執行環境、區塊鏈、FHE 模組…
最具挑戰性的是：將FHE 引入EVM，即fhEVM。
包括：
fhEVM：Zama、Fhenix、Inco network、Fair Math
FHE工具/基礎設施: Octra、Sunscreen Tech、Fairblock、Dero、Arcium（前Elusiv) 、Shibarium
以下是每個項目的一句話總結。
2、適用於特殊用途應用的FHE/HE
Penum：使用tFHE 進行屏蔽交換/池的跨鏈cosmos dex (appchain)。
zkHoldem：Manta Network上的撲克遊戲，使用HE和ZKP來證明遊戲的公平性。
3.加速硬體
每次使用FHE 進行密集計算（如FHE-ML）時，引導以減少雜訊成長至關重要。硬體加速等解決方案在促進引導方面發揮重要作用，其中ASIC 表現最佳。
硬體領域的成員包括：Optalysys、Chain Reaction、Ingonyama、Cysic
每家公司都專門生產可以加速FHE 引導/計算的硬件，例如晶片、ASIC 和半導體。
4、AI X FHE
最近，人們對將FHE 整合到AI/ML 中的興趣日益濃厚。其中，FHE 可防止機器在處理敏感資訊時學習任何敏感資訊，並在整個過程中為資料、模型和輸出提供機密性。
AI x FHE 的成員包括：Mind Network、Sight AI、BasedAI、Privasea
5、“替代解決方案”
有的不使用FHE，而是使用MPC 來保護高價值資料並進行“盲計算”，而有的則使用ZKSNARK 來保證加密資料上FHE 計算的正確性。
它們是：Nillion network、Pado Labs
四、FHE 面臨的挑戰與解決方案
與ZK 和MPC 不同，FHE 仍處於早期階段。
主要挑戰包括：
效能緩慢：目前，使用fh-EVM 的私人智能合約只有5 TPS。此外，與純資料相比，TFHE 現在的效能要慢約1000 倍。
對開發人員來說還不夠友善：目前仍缺乏標準化演算法和整體支援的FHE 工具。
計算開銷（成本）高：由於噪音管理和複雜計算的引導，可能導致節點中心化。
不安全的鏈上FHE 風險：對於任何安全的閘限解密系統來說，解密金鑰都會在節點之間分配。然而，由於FHE 的開銷很大，這可能會導致驗證者數量減少，因此串通的可能性更高。
解決方案：
可程式引導：它允許在引導期間應用計算，從而提高效率，同時又針對特定應用。
硬體加速：與OpenFHE 庫一起開發ASIC、GPU 和FPGA，以加速FHE 效能。
更好的閾值解密系統：簡而言之，為了讓鏈上FHE 更安全，我們需要一個系統（可以是MPC），以確保：低延遲、降低節點的去中心化進入門檻、容錯。
