從“聖盃”到基石：FHE如何重塑Web3隱私計算生態？

我之前在多篇文章中說過AI Agent會是諸多Crypto行業老敘事的“救贖”。在上一波圍繞AI 自主化的敘事演進中，TEE一度被捧上風口浪尖，然而還有一個比TEE、甚至ZKP更“冷門”的技術概念 FHE——全同態加密，也會因AI賽道的帶動獲得“重生”。以下，透過案例給大家梳理下邏輯：

FHE是一種允許在加密數據上直接進行計算的密碼學技術，被視為“Holy Grail”，相較ZKP、TEE等熱門技術敘事處於相對冷門的位置，核心主要受困於開銷和應用場景等。

而Mind Network正是專注於FHE的基礎設施，並推出了專注於AI Agent的FHE Chain——MindChain，儘管其融資了超千萬美元，也經歷了數年的技術耕耘，但受限於FHE本身，市場關注仍被低估。

不過，最近Mind Network卻圍繞AI 應用場景推出了不少利好消息，比如，其開發的FHE Rust SDK被開源大模型DeepSeek集成，成為AI 訓練場景中的關鍵一環，為可信AI的實現提供了安全基礎。為何FHE可以在AI 隱私計算中有所表現，能否藉助AI Agent的敘事實現一次彎道超車 or 救贖嗎？

簡單而言：FHE全同態加密是一種可以直接作用在當前公鏈架構之上的密碼學技術，允許在加密數據上直接進行加法、乘法等任意計算，而無需對數據進行先行解密。

換句話說，FHE技術的應用可以使得數據從輸入到輸出實現全程加密，即使維持公鏈共識做驗證的節點也無法訪問明文信息，這樣的話，就使得FHE可以在醫療、金融等垂直細分場景，為一些AI LLM的訓練提供技術底層保障。

讓FHE可以成為傳統AI 大模型訓練豐富擴展垂直場景以及結合區塊鏈分佈式架構的一種“優選”解決方案。無論是醫療數據的跨機構協作，還是金融交易場景的隱私推理，FHE都能憑藉其獨特之處成為一種補充選擇。

這其實並不抽象，用一個簡單的示例就明白了：比如， AI Agent作為面向C端的應用，其後臺通常會接入包括DeepSeek、Claude、OpenAI等不同供應商提供的AI 大模型，但如何確保在一些高敏感金融應用場景中，AI Agent的執行過程不會被突然篡改規則的大模型後臺影響呢？這勢必需要對輸入的Prompt進行加密，當LLMs服務商直接對密文進行計算處理時，就不會存在強行的干涉改動而影響公正性。

那麼另外的“可信AI”概念又是怎麼回事呢？可信AI是Mind Network試圖構建的一個FHE去中心化AI願景，包括允許多方通過分佈式算力GPU實現高效的模型訓練和推理，而不必依賴中央服務器，為AI Agent提供基於FHE的共識驗證等。這種設計消除了原本中心化AI的侷限性，為web3 AI Agent在分佈式架構下的運轉提供了隱私+自主性雙重保障。

這更加契合Mind Network本身分佈式公鏈架構的敘事方向。比如，在特殊的鏈上交易過程中，FHE可以保護各方Oracle數據的隱私推理和執行過程，能讓 AI Agent 在無需暴露倉位或策略的情況下實現交易的自主決策等等。

那，為什麼說FHE會和TEE一樣有類似的行業滲透路徑，會因AI應用場景的爆發帶來直接機遇？

此前TEE能抓住AI Agent的機會得益於TEE硬件環境可以實現數據在隱私狀態下進行託管，繼而讓AI Agent能夠自主託管私鑰，讓AI Agent達成自主化管理資產的新潮敘事。但TEE保管私鑰其實存在一個硬傷：信任要依託第三方硬件提供方（比如：英特爾）。而要讓TEE發揮作用，需要一套分佈式鏈式架構來給TEEs環境附加一套額外公開透明的“共識”約束。相較之下，PHE則完全可以基於去中心化鏈式架構存在，而不用依賴第三方。

FHE和TEE 有著類似的生態位處境，別看TEE在web3生態內應用還不廣泛，但在web2領域早已是非常成熟的技術，相較之下，FHE也會逐漸在這一輪AI趨勢的爆發下同時在web2和web3都找到存在價值。

以上。

綜上，可以看出FHE這種加密聖盃級的加密技術，在AI成為未來的前提下，勢必將成為安全的基石之一，被進一步廣泛採納的可能性。

當然，儘管如此也必須不可迴避FHE在算法實現時的開銷成本問題，如若其能在web2 AI場景內得以應用，再聯動web3 AI場景，想必會出其不意的釋放“規模化效應”而攤薄整體成本，讓其得以更普及的應用。