Я уже упоминал в нескольких статьях, что AI Agent будет 'спасением' многих старых нарративов в индустрии Crypto. В предыдущей волне эволюции нарратива вокруг автономности AI TEE была на пике, однако существует еще одна менее известная концепция, чем TEE и даже ZKP — FHE (гомоморфное шифрование), которая также может получить 'второе дыхание' благодаря росту в сегменте AI. Далее я объясню логику через примеры:

FHE — это криптографическая технология, позволяющая выполнять вычисления на зашифрованных данных, рассматриваемая как 'святой грааль' и находящаяся в относительно менее известной позиции по сравнению с популярными технологиями, такими как ZKP и TEE, основная проблема которой заключается в затратах и сценариях применения.

Mind Network сосредоточен на инфраструктуре FHE и запустил FHE Chain — MindChain, ориентированный на AI Agent. Несмотря на то, что он привлек более десяти миллионов долларов и прошел несколько лет технической отработки, внимание рынка остается недооцененным из-за ограничений FHE.

Тем не менее, недавно Mind Network представила множество позитивных новостей вокруг приложений AI, например, разработанный ими FHE Rust SDK был интегрирован в открытый большой модель DeepSeek, став ключевым элементом в сценах обучения AI и предоставляя безопасную основу для реализации надежного AI. Почему FHE может проявить себя в вычислениях с конфиденциальностью AI, и сможет ли она воспользоваться нарративом AI Agent для достижения прорыва или спасения?

Проще говоря: FHE (гомоморфное шифрование) — это криптографическая технология, которая может непосредственно действовать на текущую архитектуру публичной цепи, позволяя выполнять любые вычисления, такие как сложение и умножение, на зашифрованных данных, не расшифровывая их заранее.

Иными словами, применение технологии FHE позволяет выполнять полное шифрование данных от ввода до вывода, даже узлы, поддерживающие консенсус публичной цепи, не могут получить доступ к открытой информации. Это позволяет FHE обеспечивать технологическую основу для обучения некоторых AI LLM в вертикально сегментированных сценариях, таких как медицина и финансы.

Это позволяет FHE стать 'оптимальным' решением для расширения вертикальных сценариев обучения традиционных больших моделей AI и объединения с распределенной архитектурой блокчейна. Будь то сотрудничество по медицинским данным между учреждениями или конфиденциальные выводы в финансовых транзакционных сценариях, FHE благодаря своим уникальным характеристикам может стать дополнительным выбором.

Это вовсе не абстрактно, просто посмотрите на простой пример: например, AI Agent, ориентированный на конечного пользователя, обычно подключается к различным AI большим моделям, предоставленным такими поставщиками, как DeepSeek, Claude, OpenAI, но как гарантировать, что в некоторых высокочувствительных финансовых приложениях процесс выполнения AI Agent не будет внезапно изменен фоном большой модели? Это обязательно потребует шифрования входящих запросов. Когда поставщики услуг LLM обрабатывают зашифрованные данные, не будет возможности вмешательства и изменений, которые повлияют на справедливость.

Что же касается другого понятия 'надежный AI'? Надежный AI — это децентрализованное видение AI, которое Mind Network пытается построить с использованием FHE, включая возможность многим сторонам осуществлять эффективное обучение моделей и вывод на основе распределенных вычислительных мощностей GPU, без необходимости полагаться на центральный сервер, предоставляя AI Agent консенсусную проверку на основе FHE. Этот дизайн устраняет ограничения централизованного AI и предоставляет двойную защиту конфиденциальности и автономности для AI Agent в распределенной архитектуре.

Это еще более соответствует нарративному направлению Mind Network, основанному на распределенной архитектуре публичной цепи. Например, в процессе специальной цепочной транзакции FHE может защитить конфиденциальность и выполнение процессов вывода данных от всех сторон, позволяя AI Agent принимать решения по сделкам без раскрытия позиций или стратегий.

Так почему же FHE будет иметь аналогичный путь проникновения в отрасль, как и TEE, и приведет ли взрывной рост приложений AI к непосредственным возможностям?

Ранее TEE могла воспользоваться возможностями AI Agent благодаря тому, что аппаратная среда TEE могла обеспечивать управление данными в состоянии конфиденциальности, что позволяло AI Agent самостоятельно управлять приватными ключами и достигать нового нарратива о самостоятельном управлении активами. Однако хранение приватных ключей TEE имеет серьезные недостатки: доверие зависит от стороннего поставщика аппаратного обеспечения (например, Intel). Чтобы TEE могла функционировать, нужна распределенная цепочная архитектура, которая добавит дополнительные открытые и прозрачные ограничения 'консенсуса' к среде TEE. В отличие от этого, PHE может полностью существовать на основе децентрализованной цепочной архитектуры, без зависимости от третьих сторон.

FHE и TEE имеют схожие экосистемные позиции. Несмотря на то, что применение TEE в экосистеме web3 пока не широко распространено, в области web2 эта технология уже очень зрелая. В сравнении с этим, FHE также постепенно найдет свою ценность как в web2, так и в web3 в ходе этой волны взрывного роста AI.

Выше.

Таким образом, можно увидеть, что такая криптографическая технология, как FHE, являющаяся 'святым граалем' шифрования, станет одной из основ безопасности в условиях, когда AI становится предпосылкой будущего, и ее дальнейшее широкое принятие вероятно.

Тем не менее, необходимо учитывать проблемы затрат, связанные с реализацией алгоритмов FHE. Если она сможет применяться в сценах web2 AI, а затем связаться со сценами web3 AI, это, вероятно, неожиданно освободит 'масштабный эффект' и снизит общие затраты, сделав ее более распространенной.