Ich habe bereits in mehreren Artikeln erwähnt, dass AI-Agenten die „Erlösung“ vieler alter Narrative in der Crypto-Industrie sein werden. In der letzten Welle der Erzählung über autonome KI wurde TEE einmal auf die Spitze des Hypes gehoben, aber es gibt ein noch „unbekannteres“ technisches Konzept als TEE und sogar ZKP: FHE – vollhomomorphe Verschlüsselung, das durch den Aufschwung im KI-Sektor „wiedergeboren“ werden könnte. Lassen Sie uns die Logik anhand von Beispielen erläutern:
FHE ist eine kryptografische Technologie, die es ermöglicht, direkt auf verschlüsselten Daten zu rechnen, und wird als „Heiliger Gral“ angesehen. Im Vergleich zu anderen beliebten Technologien wie ZKP und TEE ist sie relativ unbekannt, hauptsächlich aufgrund von Kosten und Anwendungsbereichen.
Und das Mind Network konzentriert sich auf die Infrastruktur für FHE und hat die auf AI-Agenten fokussierte FHE-Chain – MindChain – eingeführt. Obwohl es über zehn Millionen Dollar finanziert hat und mehrere Jahre an technischer Arbeit geleistet hat, wird das Marktinteresse aufgrund der Einschränkungen von FHE immer noch unterschätzt.
Kürzlich hat Mind Network jedoch zahlreiche positive Nachrichten rund um KI-Anwendungsszenarien veröffentlicht, wie z.B. die Integration des von ihnen entwickelten FHE Rust SDK in das Open-Source-Modell DeepSeek, das zu einem entscheidenden Bestandteil in KI-Trainingsszenarien geworden ist und eine sichere Basis für vertrauenswürdige KI bietet. Warum kann FHE in der KI-Privatsphäre-Berechnung glänzen? Kann es durch die Erzählung von AI-Agenten einen Sprung machen oder gerettet werden?
Einfach ausgedrückt: FHE vollhomomorphe Verschlüsselung ist eine kryptografische Technologie, die direkt auf der aktuellen öffentlichen Blockchain-Architektur angewendet werden kann und es ermöglicht, beliebige Berechnungen wie Addition, Multiplikation usw. auf verschlüsselten Daten durchzuführen, ohne die Daten vorher entschlüsseln zu müssen.
Mit anderen Worten ermöglicht die Anwendung der FHE-Technologie, dass Daten von der Eingabe bis zur Ausgabe vollständig verschlüsselt werden. Selbst die Knoten, die zur Validierung des Konsenses auf der öffentlichen Blockchain beitragen, können keine Klartextinformationen einsehen. Dadurch kann FHE in vertikalen Szenarien wie Medizin und Finanzen als technologische Grundlage für das Training einiger KI-LLMs dienen.
Damit FHE zu einer „bevorzugten“ Lösung werden kann, die die traditionellen AI-Modelle in vertikalen Szenarien bereichert und mit der dezentralen Blockchain-Architektur kombiniert. Ob es sich um die Zusammenarbeit zwischen Institutionen bei medizinischen Daten oder um den Datenschutz bei Finanztransaktionen handelt, FHE kann aufgrund seiner Einzigartigkeit eine ergänzende Wahl sein.
Das ist eigentlich nicht abstrakt. Ein einfaches Beispiel verdeutlicht es: Zum Beispiel, wenn AI-Agenten als Anwendungen für Endkunden fungieren, wird im Hintergrund oft auf AI-Modelle von verschiedenen Anbietern wie DeepSeek, Claude, OpenAI usw. zugegriffen. Aber wie kann sichergestellt werden, dass der Ausführungsprozess des AI-Agenten in hochsensiblen finanziellen Anwendungsszenarien nicht plötzlich durch einen großen Modell-Backend, der die Regeln ändert, beeinträchtigt wird? Das erfordert, dass der Eingabe-Prompt verschlüsselt wird. Wenn die LLM-Anbieter direkt mit dem chiffrierten Text arbeiten, gibt es keine Möglichkeit für Eingriffe, die die Fairness beeinträchtigen.
Was ist also das andere Konzept von „vertrauenswürdiger KI“? Vertrauenswürdige KI ist eine dezentralisierte AI-Vision, die Mind Network zu schaffen versucht, einschließlich der Erlaubnis für mehrere Parteien, durch verteilte Rechenleistung GPU ein effizientes Modelltraining und -inferenz zu erreichen, ohne auf zentrale Server angewiesen zu sein, und AI-Agenten eine FHE-basierte Konsensvalidierung zu bieten. Dieses Design beseitigt die ursprünglichen Einschränkungen zentralisierter KI und bietet sowohl Privatsphäre als auch Autonomie für den Betrieb von Web3-AI-Agenten in einer dezentralen Architektur.
Das passt besser zur narrativen Richtung der dezentralen Blockchain-Architektur von Mind Network. Zum Beispiel kann FHE im Prozess spezieller Transaktionen auf der Blockchain den Datenschutz bei der Inferenz und Ausführung von Oracle-Daten schützen und es AI-Agenten ermöglichen, autonome Entscheidungen im Handel zu treffen, ohne Positionen oder Strategien offenzulegen usw.
Warum wird also gesagt, dass FHE einen ähnlichen Branchenpenetrationspfad wie TEE haben wird und durch den Ausbruch von KI-Anwendungsszenarien direkte Chancen bieten kann?
Das vorherige Potenzial von TEE zur Nutzung von AI-Agenten beruht darauf, dass die TEE-Hardware-Umgebung Daten im privaten Zustand verwalten kann, wodurch AI-Agenten in der Lage sind, private Schlüssel selbst zu verwalten und so eine neue Erzählung der autonomen Verwaltung von Vermögenswerten zu erreichen. Allerdings hat die TEE bei der Verwaltung privater Schlüssel einen grundlegenden Nachteil: Das Vertrauen muss auf einen Drittanbieter für Hardware (z.B.: Intel) gestützt werden. Damit TEE funktioniert, benötigt man eine verteilte Kettenarchitektur, die der TEE-Umgebung eine zusätzliche transparente „Konsens“-Einschränkung hinzufügt. Im Vergleich dazu kann PHE vollständig auf einer dezentralen Kettenarchitektur basieren, ohne auf Dritte angewiesen zu sein.
FHE und TEE befinden sich in einer ähnlichen ökologischen Lage. Auch wenn TEE in der Web3-Ökologie noch nicht weit verbreitet ist, ist es im Web2-Bereich eine sehr ausgereifte Technologie. Im Vergleich dazu wird auch FHE allmählich in dieser Welle des KI-Trends sowohl im Web2 als auch im Web3 seinen Wert finden.
Das war's.
Zusammenfassend lässt sich sagen, dass die FHE-Technologie, die als das heilige Graal der Verschlüsselung gilt, unter der Voraussetzung, dass KI die Zukunft prägt, zweifellos zu einem der Sicherheitsfundamente werden wird und eine weitreichende Akzeptanz erfahren könnte.
Natürlich muss man auch die Kostenproblematik der FHE-Algorithmusimplementierung nicht ignorieren. Wenn sie in Web2-AI-Szenarien angewendet werden kann und sich dann mit Web3-AI-Szenarien verknüpft, wird sie sicherlich unerwartete „Skaleneffekte“ freisetzen und die Gesamtkosten senken, was ihre breitere Anwendung ermöglicht.