受VC熱捧，一覽FHE生態值得關注的項目

2024-06-18 16:06:12

原文作者：Poopman

原文編譯：Joyce，BlockBeats
編者按：

「FHE」是近期加密社區的炙手可熱的技術話題。

兩周前，以太坊 Layer 2 Fhenix 宣布完成 Hack VC 領投的 1500 萬美元 A 輪融資，而早在去年，Fhenix 已經獲得了 Multicoin 領投的種子輪融資。Fhenix 是一個由 FHE Rollups 與 FHE Coprocessors 提供支持的以太坊 L2，可以運行基於 FHE 的具有鏈上保密計算的智能合約。昨日，正在進行重大更新的 Arweave 創始人 Sam Williams 也在社交媒體上發文，表示即將推出使用 FHE 在 AO 流程內進行隱私計算的功能。

FHE 生態項目衆多，社區 KOL Poopman 的這篇長文對 FHE 的概念以及生態項目做了基本梳理，並提出了 FHE 面臨的技術挑战和可能的解決方案，BlockBeats 編譯如下：

FHE 开啓了無需解密即可計算加密數據的可能性。當與區塊鏈、MPC、ZKP（可擴展性）結合時，FHE 提供必要的機密性並支持各種鏈上用例。

在本文中，我將介紹四個問題，分別是 FHE 的背景、FHE 如何運作、FHE 生態系統的 5 種景觀以及當前 FHE 的挑战與解決方案。

FHE 的背景

FHE 於 1978 年首次提出，但由於其計算復雜性，在相當長的一段時間內它並不實用，而且相當理論化。直到 2009 年，Craig 為 FHE 开發了一個可行的模型，從此引發了人們對 FHE 的研究興趣。

2020 年，Zama 推出 TFHE 和 fhEVM，使 FHE 成為加密貨幣領域的焦點。從那時起，我們就看到了通用 EVM 兼容的 FHE L1/L2（例如 Fhenix、 Inco 和 FHE 編譯器（例如 Sunscreen 等）的出現。

FHE 如何運作？

你可以想象有一個盲盒，裏面有拼圖。然而，盲盒無法了解您給它的謎題的任何信息，但它仍然可以用數學計算結果。

如果太抽象的話，可以從我對 FHE 的簡單化解釋中了解更多信息。FHE 是一種隱私技術，無需先解密即可對加密數據進行計算。換句話說，任何第三方或雲都可以處理敏感信息，而無需訪問內部任何數據。

那么什么是 FHE 的用例？通過 ZKP 和 MPC 增強機器學習、雲計算、鏈上賭博的隱私性。私有鏈上交易/私有智能合約/注重隱私的虛擬機，例如 FHEVM 等。

一些 FHE 用例包括：私有鏈上計算、鏈上數據加密、公共網絡上的私人智能合約、機密 ERC 20、私人投票、NFT 盲目拍賣、更安全的 MPC、搶先交易保護、無需信任的橋梁。

FHE 生態系統

總的來說，鏈上 FHE 的前景可以概括為 5 個領域。分別是通用 FHE、針對特定用例（應用程序）的 FHE/HE、FHE 加速硬件、FHE Wif AI、「替代解決方案」。

通用 FHE 區塊鏈和工具

它們是實現區塊鏈保密性的支柱。這包括 SDK、協處理器、編譯器、新的執行環境、區塊鏈、FHE 模塊...... 最具挑战性的一項是將 FHE 引入 EVM，即 fhEVM。

fhEVM：

Zama ( @zama_fhe )，作為 fhEVM 的代表 - 首個提供 TFHE（全同態加密）+ fhEVM（全同態虛擬機）解決方案的提供商。

Fhenix( @FhenixIO )，在 ETH 上實現 FHE L2（第二層）+FHE 協處理器。

Inco network ( @inconetwork )，專注於遊戲/RWA（現實世界資產）/DID（去中心化身份）/社交等領域的 EVM 兼容 FHE L1。

FairMath ( @FairMath )，一個與 openFHE 合作的全同態虛擬機 (FHE-(E)VM) 研究組織，致力於促進 FHE 的實施和採用。

FHE 基礎設施工具：

Octra network ( @octra )，支持 HFHE（高階全同態加密）隔離執行環境的區塊鏈。

Sunscreen ( @SunscreenTech )，基於 Rust 的全同態編譯器，依賴於微軟的 SEAL 庫。

Fairblock ( @0x fairblock )，提供可編程加密和條件解密服務的供應商，也支持 tFHE（閾值全同態加密）。

Dero ( @DeroProject )，支持 HE（同態加密）的 L1，用於私人交易（不是 FHE）。

Arcium ( @ArciumHQ )，由 @elusivprivacy 團隊开發的結合 HE（同態加密）+MPC（多方計算）+ZK（零知識證明）隱私的 L1。

Shibraum FHE chain，使用 zama TFHE 解決方案制作的 FHE L1。

FHE/HE 適用於特定用途的應用

Penumbrazone（ @penumbrazone ）：一個跨鏈 Cosmos dex（appchain），使用 tFHE 作為其屏蔽交換/池。

zkHold-em（ @zkHoldem ）：是 Manta 上的撲克遊戲，使用 HE 和 ZKP 來證明遊戲的公平性。

硬件加速 FHE

每次將 FHE 用於 FHE-ML 等密集計算時，引導以減少噪聲增長至關重要。硬件加速等解決方案在促進引導方面發揮着重要作用，其中 ASIC 的性能最佳。

Optalysys（ @Optalysys ），一家硬件公司，專注於通過光學計算加速所有與 TEE 相關的軟件，包括 FHE。

Chain Reaction（ @chainreactioni 0 ），一家硬件公司，生產有助於提高挖礦效率的芯片。他們計劃在 2024 年底推出一款 FHE 芯片。

Ingonyama（ @Ingo_zk ），是一家專注於 ZKP/FHE 硬件加速的半導體公司。現有產品包括 ZPU。

Cysic（ @cysic_xyz ）是一家硬件加速公司，現有產品包括自主研發的 FPGA 硬件，以及即將推出的 ZK DePiN 芯片、ZK Air 和 ZK Pro 等。

每個公司都專門生產芯片、ASIC 和半導體等硬件，這些硬件可以加速 FHE 的引導/計算。

AI X FHE

最近，人們對將 FHE 集成到 AI/ML 中的興趣日益濃厚。其中，FHE 可以防止機器在處理任何敏感信息時學習任何敏感信息，並在整個過程中為數據、模型和輸出提供機密性。

Ai x FHE 成員包括：

Mind network( @mindnetwork_xyz )，一個 FHE 重新質押層，用於通過高價值數據加密和私有投票來保護權益證明（PoS）和 AI 網絡，減少節點合謀和操縱的機會。

SightAl（ @theSightAI ），一個可驗證的 FHE AI 推理區塊鏈，具有可驗證的 FHE-ML。區塊鏈由三個主要部分組成：視覺鏈（Sight Chain）、數據聚合層（DA 層）和一個視覺推理網絡（Sight Inference Network），其中執行 FHE-ML 任務。

Based AI( @getbasedai )，Based AI 是一個 L1 區塊鏈，它使用一種名為"Cerberus Squeezing"（地獄犬壓縮）的機制將 FHE 與大型語言模型（LLM）集成，這種機制可以將任何 LLM 轉換為加密的零知識大型語言模型（ZL-LLM）。

Privasea Al( @Privasea_ai )，Privasea AI 是一個 AI 網絡，允許用戶使用 HESea 庫中的 FHE 方案加密他們的數據或模型，然後上傳到 Privasea-AI 網絡，在該網絡中區塊鏈以加密狀態處理數據。

HESea 庫是全面的，包含 TFHE、CKKS 和 BGV/BFV 的不同庫，並且與一系列方案兼容。

「替代解決方案」MPC/ZKFHE

有的不使用 FHE，而是使用 MPC 來保護高價值數據並進行「盲計算」，而另一些則使用 ZKSNARK 來保證 FHE 對加密數據計算的正確性。他們是：

Nillion Network ( @nillionnetwork )，一個使用 MPC 去中心化和存儲高價值數據的計算網絡，同時允許用戶編寫程序並進行盲計算。Nillion 由兩個主要組成部分構成：協調層和 Petnet。協調層充當支付渠道，而 Petnet 則進行盲計算和高價值數據的存儲。

Padolabs ( @padolabs ），Pado 是一個使用 FHE 處理敏感數據的計算網絡，同時利用 MPC-TLS 和 ZKP 保證計算的正確性。

FHE 的挑战及解決方案

與 ZK 和 MPC 不同，FHE 仍處於早期階段。現在 FHE 的瓶頸是什么？為了增強計算的安全性，加密時在密文中加入一些「噪音」。當密文中積累了太多「噪聲」時，它就會變得太「嘈雜」，最終影響輸出的准確性。不同的解決方案正在探索如何有效消除噪聲而不對設計施加太多限制，包括 TFHE、CKKS、BGV 等。

FHE 的主要挑战包括：

性能緩慢：目前，使用 fh-EVM 的私有智能合約只有 5 TPS。與純數據相比，TFHE 現在的性能大約慢 1000 倍。

尚不適合开發人員：目前仍缺乏標准化算法和整體支持的 FHE 工具。

高計算开銷（成本）：由於噪聲管理和復雜計算的引導，這可能會導致節點中心化。

無擔保鏈上 FHE 的風險：為了保證任何閾值解密系統的安全，解密密鑰在節點之間分配。然而，由於 FHE 的开銷較高，這可能會導致驗證器數量較少，因此共謀的可能性較高。

解決方案包括：

可編程升壓：它允許在引導期間應用計算，從而在特定於應用程序的同時提高效率。

硬件加速：开發 ASIC、GPU 和 FPGA 以及 OpenFHE 庫，以加速 FHE 性能。