作者：Poopman，Ouro Research；翻譯：0xjs@金色財經

FHE 开啓了無需解密即可對加密數據進行計算的可能性。

當與區塊鏈、MPC、ZKP（可擴展性）結合時，FHE 提供了必要的機密性並支持各種鏈上用例。

本文簡單概述FHE 現狀。

我將介紹：1、FHE 背景； 2、FHE 如何工作？3、FHE 生態系統中的 5 個領域；4、當前 FHE 的挑战和解決方案。

一、背景

FHE 最早於 1978 年提出，但由於計算復雜度較高，在相當長的一段時間內，它並不實用，僅停留在理論層面。

直到 2009 年，Craig 才爲 FHE 开發出可行的模型，從此，FHE 的研究興趣便一路飆升。

2020 年，Zama推出TFHE 和 fhEVM 使 FHE 成爲加密領域關注的焦點。

從那時起，我們看到了通用的 EVM 兼容 FHE L1/L2 例如Fhenix、Inco Network和 FHE 編譯器Sunscreen Tech等的出現。

二、FHE 如何工作？

你可以想象有一個盲盒，裏面有謎題。然而，盲盒無法了解你給它的謎題的任何信息，但它仍然可以用數學計算結果。

FHE 的一些用例包括：隱私鏈上計算、鏈上數據加密、公共網絡上的私密智能合約、機密 ERC20、私密投票、NFT盲拍賣、更安全的 MPC、搶先交易保護、無需信任的橋等等。

三、FHE 生態系統

總體而言，鏈上 FHE 的格局可以概括爲 5 個領域：1、通用 FHE；2、特定用例（應用）的 FHE/HE；3、FHE 加速硬件；4、帶有 AI 的 FHE；5、替代解決方案

1、通用 FHE 區塊鏈和工具

它們是實現區塊鏈機密性的支柱。這包括 SDK、協處理器、編譯器、新執行環境、區塊鏈、FHE 模塊……

最具挑战性的是：將 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

下面是每個項目的一句話總結。

2、適用於特殊用途應用的FHE/HE

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

zkHoldem：Manta Network上的撲克遊戲，使用HE和ZKP來證明遊戲的公平性。

3、加速硬件

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

硬件領域的成員包括：Optalysys、Chain Reaction、Ingonyama、Cysic

每家公司都專門生產可以加速 FHE 引導/計算的硬件，例如芯片、ASIC 和半導體。

4、AI X FHE

最近，人們對將 FHE 集成到 AI/ML 中的興趣日益濃厚。其中，FHE 可以防止機器在處理敏感信息時學習任何敏感信息，並在整個過程中爲數據、模型和輸出提供機密性。

AI x FHE 的成員包括：Mind Network、Sight AI、BasedAI、Privasea

5、“替代解決方案”

有的不使用 FHE，而是使用 MPC 來保護高價值數據並進行“盲計算”，而有的則使用 ZKSNARK 來保證加密數據上 FHE 計算的正確性。

它們是：Nillion network、Pado Labs

四、FHE 面臨的挑战和解決方案

與 ZK 和 MPC 不同，FHE 仍處於早期階段。

主要挑战包括：

性能緩慢：目前，使用 fh-EVM 的私人智能合約只有 5 TPS。此外，與純數據相比，TFHE 現在的性能要慢約 1000 倍。

對开發人員來說還不夠友好：目前仍缺乏標准化算法和整體支持的 FHE 工具。

計算开銷（成本）高：由於噪聲管理和復雜計算的引導，可能導致節點中心化。

不安全的鏈上 FHE 風險：對於任何安全的門限解密系統來說，解密密鑰都會在節點之間分配。然而，由於 FHE 的开銷很大，這可能會導致驗證者數量減少，因此串通的可能性更高。

解決方案：

可編程引導：它允許在引導期間應用計算，從而提高效率，同時又針對特定應用。

硬件加速：與OpenFHE 庫一起开發 ASIC、GPU 和 FPGA，以加速 FHE 性能。

更好的閾值解密系統：簡而言之，爲了使鏈上 FHE 更安全，我們需要一個系統（可以是 MPC），以確保：低延遲、降低節點的去中心化進入門檻、容錯。