FHE 開啓了(Got it)無需解密即可對加密數據進行計算的(Of)可能性。

當與區塊鏈、MPC、ZKP（可擴展性）結合時(Hour)，FHE 提供了(Got it)必要(Want)的(Of)機密性并支持各種鏈上(Superior)用(Use)例。

本文簡單概述FHE 現狀。

我将介紹：1、FHE 背景； 2、FHE 如何工作(Do)？3、FHE 生态系統中的(Of) 5 個(Indivual)領域；4、當前 FHE 的(Of)挑戰和(And)解決方案。

一(One)、背景

FHE 最早于(At) 1978 年提出(Out)，但由于(At)計算複雜度較高，在(Exist)相當長的(Of)一(One)段時(Hour)間内，它并不(No)實用(Use)，僅停留在(Exist)理論層面。

直到 2009 年，Craig 才爲(For) FHE 開發出(Out)可行的(Of)模型，從此，FHE 的(Of)研究興趣便一(One)路飙升。

2020 年，Zama推出(Out)TFHE 和(And) fhEVM 使 FHE 成爲(For)加密領域關注的(Of)焦點。

從那時(Hour)起，我們看到了(Got it)通用(Use)的(Of) EVM 兼容 FHE L1/L2 例如Fhenix、Inco Network和(And) FHE 編譯器Sunscreen Tech等的(Of)出(Out)現。

二、FHE 如何工作(Do)？

你可以(By)想象有一(One)個(Indivual)盲盒，裏面有謎題。然而，盲盒無法了(Got it)解你給它的(Of)謎題的(Of)任何信息，但它仍然可以(By)用(Use)數學計算結果。

FHE 的(Of)一(One)些用(Use)例包括：隐私鏈上(Superior)計算、鏈上(Superior)數據加密、公共網絡上(Superior)的(Of)私密智能合約、機密 ERC20、私密投票、NFT盲拍賣、更安全的(Of) MPC、搶先交易保護、無需信任的(Of)橋等等。

三、FHE 生态系統

總體而言，鏈上(Superior) FHE 的(Of)格局可以(By)概括爲(For) 5 個(Indivual)領域：1、通用(Use) FHE；2、特定用(Use)例（應用(Use)）的(Of) FHE/HE；3、FHE 加速硬件；4、帶有 AI 的(Of) FHE；5、替代解決方案

1、通用(Use) FHE 區塊鏈和(And)工具

它們是(Yes)實現區塊鏈機密性的(Of)支柱。這(This)包括 SDK、協處理器、編譯器、新執行環境、區塊鏈、FHE 模塊……

最具挑戰性的(Of)是(Yes)：将 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

下面是(Yes)每個(Indivual)項目的(Of)一(One)句話總結。

2、适用(Use)于(At)特殊用(Use)途應用(Use)的(Of)FHE/HE

Penum：使用(Use) tFHE 進行屏蔽交換/池的(Of)跨鏈 cosmos dex (appchain)。

zkHoldem：Manta Network上(Superior)的(Of)撲克遊戲，使用(Use)HE和(And)ZKP來證明遊戲的(Of)公平性。

3、加速硬件

每次使用(Use) FHE 進行密集計算（如 FHE-ML）時(Hour)，引導以(By)減少噪聲增長都至關重要(Want)。硬件加速等解決方案在(Exist)促進引導方面發揮着重要(Want)作(Do)用(Use)，其中 ASIC 表現最佳。

硬件領域的(Of)成員包括：Optalysys、Chain Reaction、Ingonyama、Cysic

每家公司都專門生産可以(By)加速 FHE 引導/計算的(Of)硬件，例如芯片、ASIC 和(And)半導體。

4、AI X FHE

最近，人(People)們對将 FHE 集成到 AI/ML 中的(Of)興趣日益濃厚。其中，FHE 可以(By)防止機器在(Exist)處理敏感信息時(Hour)學習任何敏感信息，并在(Exist)整個(Indivual)過程中爲(For)數據、模型和(And)輸出(Out)提供機密性。

AI x FHE 的(Of)成員包括：Mind Network、Sight AI、BasedAI、Privasea

5、“替代解決方案”

有的(Of)不(No)使用(Use) FHE，而是(Yes)使用(Use) MPC 來保護高價值數據并進行“盲計算”，而有的(Of)則使用(Use) ZKSNARK 來保證加密數據上(Superior) FHE 計算的(Of)正确性。

它們是(Yes)：Nillion network、Pado Labs

四、FHE 面臨的(Of)挑戰和(And)解決方案

與 ZK 和(And) MPC 不(No)同，FHE 仍處于(At)早期階段。

主要(Want)挑戰包括：

性能緩慢：目前，使用(Use) fh-EVM 的(Of)私人(People)智能合約隻有 5 TPS。此外，與純數據相比，TFHE 現在(Exist)的(Of)性能要(Want)慢約 1000 倍。

對開發人(People)員來說還不(No)夠友好：目前仍缺乏标準化算法和(And)整體支持的(Of) FHE 工具。

計算開銷（成本）高：由于(At)噪聲管理和(And)複雜計算的(Of)引導，可能導緻節點中心化。

不(No)安全的(Of)鏈上(Superior) FHE 風險：對于(At)任何安全的(Of)門限解密系統來說，解密密鑰都會在(Exist)節點之間分配。然而，由于(At) FHE 的(Of)開銷很大(Big)，這(This)可能會導緻驗證者數量減少，因此串通的(Of)可能性更高。

解決方案：

可編程引導：它允許在(Exist)引導期間應用(Use)計算，從而提高效率，同時(Hour)又針對特定應用(Use)。

硬件加速：與OpenFHE 庫一(One)起開發 ASIC、GPU 和(And) FPGA，以(By)加速 FHE 性能。

更好的(Of)阈值解密系統：簡而言之，爲(For)了(Got it)使鏈上(Superior) FHE 更安全，我們需要(Want)一(One)個(Indivual)系統（可以(By)是(Yes) MPC），以(By)确保：低延遲、降低節點的(Of)去中心化進入門檻、容錯。