Я уже говорил во многих статьях, что AI Agent станет «спасением» многих старых нарративов в криптоиндустрии. В последней волне нарративной эволюции вокруг автономии ИИ TEE когда-то был на пороге, но есть и более «непопулярная» техническая концепция, чем TEE и даже ZKP FHE — полностью гомоморфное шифрование, которое также «переродится» благодаря драйву трека ИИ. Ниже разберем логику по кейсам:
FHE является криптографической технологией, позволяющей выполнять вычисления напрямую над зашифрованными данными, и считается "Святым Граалем". По сравнению с популярными технологиями, такими как ZKP и TEE, она находится в относительно неприметном положении, и основным препятствием являются затраты и области применения.
А Mind Network как раз сосредоточен на инфраструктуре полной гомоморфного шифрования (FHE) и выпустил цепочку FHE, сосредоточенную на AI Agent — MindChain. Несмотря на то, что она привлекла более 10 миллионов долларов финансирования и прошла через несколько лет технической разработки, внимание рынка по-прежнему недооценено из-за самого FHE.
Однако недавно Mind Network выпустила множество позитивных новостей о приложениях ИИ, например, их разработанный FHE Rust SDK был интегрирован в открытый крупный модель DeepSeek и стал ключевым элементом в сценариях обучения ИИ, обеспечивая безопасную основу для реализации надежного ИИ. Почему FHE может проявлять себя в вычислениях конфиденциальности ИИ, возможно ли использовать повествование AI Agent для достижения обходного маневра или спасения?
Простыми словами: Полностью гомоморфное шифрование (FHE) — это криптографическая технология, которая может напрямую применяться к текущей архитектуре публичных блокчейнов, позволяя выполнять любые вычисления, такие как сложение и умножение, непосредственно на зашифрованных данных без предварительного расшифрования.
Другими словами, применение технологии FHE позволяет зашифровать данные на всем протяжении от ввода до вывода, так что даже узлы, поддерживающие консенсус публичной цепочки для проверки, не могут получить доступ к открытой информации. Таким образом, FHE может обеспечить техническую основу для обучения некоторых AI LLM в вертикально сегментированных сценариях, таких как медицина и финансы.
Позволяя FHE стать «предпочтительным» решением для обогащенной и расширенной вертикальной сцены обучения традиционных больших моделей ИИ, а также в сочетании с распределенной архитектурой блокчейна. Будь то межучрежденческое сотрудничество в области медицинских данных или конфиденциальное выведение в сценариях финансовых транзакций, FHE благодаря своим уникальным особенностям может стать дополнительным вариантом.
На самом деле это не так абстрактно, это можно понять на простом примере: например, AI Agent как приложение для конечных пользователей обычно интегрируется с различными поставщиками AI больших моделей, такими как DeepSeek, Claude, OpenAI и др. Но как гарантировать, что в некоторых высокочувствительных финансовых приложениях процесс выполнения AI Agent не будет внезапно изменен правилами со стороны больших моделей? Это, безусловно, требует шифрования вводимого Prompt, чтобы, когда поставщики LLMs обрабатывают зашифрованные данные, не возникало принудительных вмешательств, которые могли бы повлиять на справедливость.
Так что же такое концепция "доверительного ИИ"? Доверительный ИИ — это децентрализованное видение ИИ, которое пытается построить Mind Network, включая возможность многим сторонам эффективно обучать и выполнять модели через распределенные вычислительные мощности GPU, без необходимости полагаться на центральный сервер, предоставляя агентам ИИ консенсусную проверку на основе полностью гомоморфного шифрования и т. д. Эта концепция устраняет ограничения централизованного ИИ, обеспечивая двойную защиту конфиденциальности и автономии для агентов ИИ в архитектуре web3.
Это больше соответствует нарративному направлению самой распределённой блокчейн-архитектуры Mind Network. Например, в процессе специальных транзакций на цепочке FHE может защитить конфиденциальность данных Oracle для всех сторон, а также процесс вывода и выполнения, позволяя AI Agent принимать автономные решения о сделках без необходимости раскрывать позиции или стратегии и т.д.
Так почему же говорят, что FHE будет иметь аналогичные пути проникновения в отрасль, как TEE, и что взрывной рост приложений ИИ принесет прямые возможности?
Ранее TEE смогла воспользоваться возможностями AI Agent благодаря тому, что аппаратная среда TEE может осуществлять хранение данных в состоянии конфиденциальности, что позволяет AI Agent самостоятельно хранить приватные ключи и достигать новой нарративной автономии в управлении активами. Однако у хранения приватных ключей в TEE есть один серьезный недостаток: доверие должно основываться на третьем поставщике аппаратного обеспечения (например, Intel). Чтобы TEE могла функционировать, необходима распределенная цепочечная архитектура, которая добавит к среде TEE дополнительное открытое и прозрачное «консенсусное» ограничение. В отличие от этого, PHE полностью может существовать на основе децентрализованной цепочечной архитектуры, не полагаясь на третьих лиц.
FHE и TEE имеют схожие экосистемные позиции. Несмотря на то, что TEE в экосистеме web3 пока не так широко используется, в области web2 это уже очень成熟ная технология. В сравнении, FHE также постепенно найдет свою ценность как в web2, так и в web3 в условиях текущего взрыва трендов AI.
Выше.
Таким образом, можно сказать, что Гомоморфное шифрование (FHE) — это шифрование, которое можно считать священным Граалем в области шифрования, и в условиях, когда ИИ становится предпосылкой будущего, оно обязательно станет одним из основ безопасного пространства и имеет высокую вероятность дальнейшего широкого применения.
Конечно, тем не менее, невозможно избежать проблемы затрат на реализацию алгоритмов FHE. Если его удастся применить в сценах AI web2, а затем связать с сценами AI web3, можно ожидать неожиданного высвобождения "эффекта масштаба", что снизит общие затраты и позволит более широко применять его.
Содержание носит исключительно справочный характер и не является предложением или офертой. Консультации по инвестициям, налогообложению или юридическим вопросам не предоставляются. Более подробную информацию о рисках см. в разделе «Дисклеймер».
От "Святого Грааля" до фундамента: как FHE меняет экосистему вычислений с конфиденциальностью в Web3?
Я уже говорил во многих статьях, что AI Agent станет «спасением» многих старых нарративов в криптоиндустрии. В последней волне нарративной эволюции вокруг автономии ИИ TEE когда-то был на пороге, но есть и более «непопулярная» техническая концепция, чем TEE и даже ZKP FHE — полностью гомоморфное шифрование, которое также «переродится» благодаря драйву трека ИИ. Ниже разберем логику по кейсам:
FHE является криптографической технологией, позволяющей выполнять вычисления напрямую над зашифрованными данными, и считается "Святым Граалем". По сравнению с популярными технологиями, такими как ZKP и TEE, она находится в относительно неприметном положении, и основным препятствием являются затраты и области применения.
А Mind Network как раз сосредоточен на инфраструктуре полной гомоморфного шифрования (FHE) и выпустил цепочку FHE, сосредоточенную на AI Agent — MindChain. Несмотря на то, что она привлекла более 10 миллионов долларов финансирования и прошла через несколько лет технической разработки, внимание рынка по-прежнему недооценено из-за самого FHE.
Однако недавно Mind Network выпустила множество позитивных новостей о приложениях ИИ, например, их разработанный FHE Rust SDK был интегрирован в открытый крупный модель DeepSeek и стал ключевым элементом в сценариях обучения ИИ, обеспечивая безопасную основу для реализации надежного ИИ. Почему FHE может проявлять себя в вычислениях конфиденциальности ИИ, возможно ли использовать повествование AI Agent для достижения обходного маневра или спасения?
Простыми словами: Полностью гомоморфное шифрование (FHE) — это криптографическая технология, которая может напрямую применяться к текущей архитектуре публичных блокчейнов, позволяя выполнять любые вычисления, такие как сложение и умножение, непосредственно на зашифрованных данных без предварительного расшифрования.
Другими словами, применение технологии FHE позволяет зашифровать данные на всем протяжении от ввода до вывода, так что даже узлы, поддерживающие консенсус публичной цепочки для проверки, не могут получить доступ к открытой информации. Таким образом, FHE может обеспечить техническую основу для обучения некоторых AI LLM в вертикально сегментированных сценариях, таких как медицина и финансы.
Позволяя FHE стать «предпочтительным» решением для обогащенной и расширенной вертикальной сцены обучения традиционных больших моделей ИИ, а также в сочетании с распределенной архитектурой блокчейна. Будь то межучрежденческое сотрудничество в области медицинских данных или конфиденциальное выведение в сценариях финансовых транзакций, FHE благодаря своим уникальным особенностям может стать дополнительным вариантом.
На самом деле это не так абстрактно, это можно понять на простом примере: например, AI Agent как приложение для конечных пользователей обычно интегрируется с различными поставщиками AI больших моделей, такими как DeepSeek, Claude, OpenAI и др. Но как гарантировать, что в некоторых высокочувствительных финансовых приложениях процесс выполнения AI Agent не будет внезапно изменен правилами со стороны больших моделей? Это, безусловно, требует шифрования вводимого Prompt, чтобы, когда поставщики LLMs обрабатывают зашифрованные данные, не возникало принудительных вмешательств, которые могли бы повлиять на справедливость.
Так что же такое концепция "доверительного ИИ"? Доверительный ИИ — это децентрализованное видение ИИ, которое пытается построить Mind Network, включая возможность многим сторонам эффективно обучать и выполнять модели через распределенные вычислительные мощности GPU, без необходимости полагаться на центральный сервер, предоставляя агентам ИИ консенсусную проверку на основе полностью гомоморфного шифрования и т. д. Эта концепция устраняет ограничения централизованного ИИ, обеспечивая двойную защиту конфиденциальности и автономии для агентов ИИ в архитектуре web3.
Это больше соответствует нарративному направлению самой распределённой блокчейн-архитектуры Mind Network. Например, в процессе специальных транзакций на цепочке FHE может защитить конфиденциальность данных Oracle для всех сторон, а также процесс вывода и выполнения, позволяя AI Agent принимать автономные решения о сделках без необходимости раскрывать позиции или стратегии и т.д.
Так почему же говорят, что FHE будет иметь аналогичные пути проникновения в отрасль, как TEE, и что взрывной рост приложений ИИ принесет прямые возможности?
Ранее TEE смогла воспользоваться возможностями AI Agent благодаря тому, что аппаратная среда TEE может осуществлять хранение данных в состоянии конфиденциальности, что позволяет AI Agent самостоятельно хранить приватные ключи и достигать новой нарративной автономии в управлении активами. Однако у хранения приватных ключей в TEE есть один серьезный недостаток: доверие должно основываться на третьем поставщике аппаратного обеспечения (например, Intel). Чтобы TEE могла функционировать, необходима распределенная цепочечная архитектура, которая добавит к среде TEE дополнительное открытое и прозрачное «консенсусное» ограничение. В отличие от этого, PHE полностью может существовать на основе децентрализованной цепочечной архитектуры, не полагаясь на третьих лиц.
FHE и TEE имеют схожие экосистемные позиции. Несмотря на то, что TEE в экосистеме web3 пока не так широко используется, в области web2 это уже очень成熟ная технология. В сравнении, FHE также постепенно найдет свою ценность как в web2, так и в web3 в условиях текущего взрыва трендов AI.
Выше.
Таким образом, можно сказать, что Гомоморфное шифрование (FHE) — это шифрование, которое можно считать священным Граалем в области шифрования, и в условиях, когда ИИ становится предпосылкой будущего, оно обязательно станет одним из основ безопасного пространства и имеет высокую вероятность дальнейшего широкого применения.
Конечно, тем не менее, невозможно избежать проблемы затрат на реализацию алгоритмов FHE. Если его удастся применить в сценах AI web2, а затем связать с сценами AI web3, можно ожидать неожиданного высвобождения "эффекта масштаба", что снизит общие затраты и позволит более широко применять его.