Saya sebelumnya telah mengatakan dalam beberapa artikel bahwa AI Agent akan menjadi "penyelamatan" dari banyak narasi lama di industri Crypto. Dalam evolusi narasi yang berputar di sekitar otonomi AI, TEE sempat menjadi sorotan utama, namun ada satu konsep teknologi yang bahkan lebih "tidak terkenal" daripada TEE dan bahkan ZKP, yaitu FHE—enkripsi homomorphic penuh, yang juga akan mendapatkan "kebangkitan" berkat jalur AI. Berikut ini, melalui contoh, saya akan merangkum logikanya:
FHE adalah teknik kriptografi yang memungkinkan perhitungan langsung pada data yang dienkripsi, dianggap sebagai "Holy Grail", dibandingkan dengan narasi teknologi populer lainnya seperti ZKP dan TEE, FHE berada pada posisi yang relatif kurang dikenal, dengan inti masalah yang terutama terhambat oleh biaya dan skenario aplikasi.
Mind Network fokus pada infrastruktur FHE dan telah meluncurkan FHE Chain yang berfokus pada AI Agent—MindChain. Meskipun telah mendapatkan pendanaan lebih dari sepuluh juta dolar dan telah melalui beberapa tahun pengembangan teknologi, perhatian pasar tetap terdevaluasi karena batasan yang ada pada FHE itu sendiri.
Namun, baru-baru ini Mind Network telah meluncurkan banyak berita baik seputar aplikasi AI, misalnya, FHE Rust SDK yang mereka kembangkan telah diintegrasikan ke dalam model besar open-source DeepSeek, menjadi bagian kunci dalam skenario pelatihan AI, dan menyediakan dasar keamanan untuk realisasi AI yang dapat dipercaya. Mengapa FHE dapat menunjukkan kinerjanya dalam perhitungan privasi AI, bisakah kita memanfaatkan narasi AI Agent untuk mencapai keunggulan atau penebusan?
Secara sederhana: Enkripsi Homomorphic FHE adalah teknologi kriptografi yang dapat langsung diterapkan pada arsitektur blockchain saat ini, yang memungkinkan melakukan perhitungan seperti penjumlahan, perkalian, dan perhitungan lainnya secara langsung pada data terenkripsi tanpa perlu mendekripsi data terlebih dahulu.
Dengan kata lain, penerapan teknologi FHE dapat membuat data dari input ke output sepenuhnya terenkripsi, bahkan node yang mempertahankan konsensus public chain untuk verifikasi pun tidak dapat mengakses informasi plaintext. Dengan cara ini, FHE dapat memberikan jaminan dasar teknis untuk pelatihan beberapa AI LLM di berbagai skenario vertikal seperti kesehatan dan keuangan.
Menjadikan FHE sebagai solusi "pilihan utama" untuk pelatihan model AI besar tradisional yang kaya dan memperluas skenario vertikal serta menggabungkan arsitektur terdistribusi blockchain. Baik dalam kolaborasi data medis antar lembaga maupun inferensi privasi dalam skenario transaksi keuangan, FHE dapat menjadi pilihan tambahan berkat keunikan yang dimilikinya.
Ini sebenarnya tidak abstrak, cukup dengan contoh sederhana untuk memahaminya: misalnya, AI Agent sebagai aplikasi yang ditujukan untuk pengguna akhir, biasanya akan terhubung dengan berbagai penyedia model AI besar seperti DeepSeek, Claude, OpenAI, dll., tetapi bagaimana memastikan bahwa dalam beberapa skenario aplikasi keuangan yang sangat sensitif, proses eksekusi AI Agent tidak akan terpengaruh oleh model besar yang secara tiba-tiba mengubah aturan? Ini pasti memerlukan enkripsi terhadap Prompt yang dimasukkan, ketika penyedia LLM melakukan perhitungan langsung terhadap data terenkripsi, tidak akan ada intervensi paksa yang mengubah dan mempengaruhi keadilan.
Lalu apa sebenarnya konsep "AI yang dapat dipercaya" ini? AI yang dapat dipercaya adalah visi AI terdesentralisasi FHE yang coba dibangun oleh Mind Network, termasuk memungkinkan banyak pihak untuk mencapai pelatihan dan inferensi model yang efisien melalui kekuatan komputasi terdistribusi GPU, tanpa harus bergantung pada server pusat, serta menyediakan verifikasi konsensus berbasis FHE untuk AI Agent. Desain ini menghilangkan batasan AI terpusat sebelumnya, memberikan jaminan privasi + otonomi ganda untuk operasi AI Agent web3 di bawah arsitektur terdistribusi.
Ini lebih sesuai dengan arah narasi arsitektur blockchain terdistribusi dari Mind Network itu sendiri. Misalnya, dalam proses transaksi di rantai khusus, FHE dapat melindungi privasi inferensi dan eksekusi data Oracle dari semua pihak, memungkinkan AI Agent untuk melakukan keputusan perdagangan secara mandiri tanpa perlu mengungkapkan posisi atau strategi, dan lain-lain.
Lalu, mengapa dikatakan bahwa FHE akan memiliki jalur penetrasi industri yang serupa dengan TEE, dan akan membawa peluang langsung akibat ledakan skenario aplikasi AI?
Sebelumnya, TEE dapat memanfaatkan peluang AI Agent berkat lingkungan perangkat keras TEE yang dapat mengelola data dalam keadaan privasi, sehingga memungkinkan AI Agent untuk secara mandiri mengelola kunci pribadi, dan membuat narasi baru tentang manajemen aset yang mandiri. Namun, ada kelemahan besar dalam penyimpanan kunci pribadi oleh TEE: kepercayaan harus bergantung pada penyedia perangkat keras pihak ketiga (misalnya: Intel). Dan untuk membuat TEE berfungsi, perlu ada arsitektur rantai terdistribusi untuk memberikan batasan "konsensus" yang tambahan dan transparan di lingkungan TEE. Sebagai perbandingan, PHE dapat sepenuhnya ada berdasarkan arsitektur rantai terdesentralisasi tanpa bergantung pada pihak ketiga.
FHE dan TEE memiliki situasi ekologi yang serupa. Meskipun aplikasi TEE di ekosistem web3 belum luas, teknologi ini sudah sangat matang di bidang web2. Sebagai perbandingan, FHE juga akan secara bertahap menemukan nilai keberadaan baik di web2 maupun web3 di bawah ledakan tren AI kali ini.
Di atas.
Dengan demikian, dapat dilihat bahwa teknologi enkripsi tingkat suci seperti FHE, di bawah prasyarat AI yang menjadi masa depan, pasti akan menjadi salah satu batu fondasi keamanan yang kemungkinan akan diadopsi secara lebih luas.
Tentu saja, meskipun demikian, masalah biaya overhead dari FHE dalam implementasi algoritma tidak dapat dihindari. Jika dapat diterapkan dalam skenario AI web2, dan kemudian terhubung dengan skenario AI web3, pasti akan ada efek "skala" yang mengejutkan dan mendistribusikan biaya keseluruhan, memungkinkan aplikasi yang lebih luas.
Konten ini hanya untuk referensi, bukan ajakan atau tawaran. Tidak ada nasihat investasi, pajak, atau hukum yang diberikan. Lihat Penafian untuk pengungkapan risiko lebih lanjut.
Dari "Cawan Suci" ke Batu Fondasi: Bagaimana FHE Membentuk Kembali Ekosistem Perhitungan Privasi Web3?
Saya sebelumnya telah mengatakan dalam beberapa artikel bahwa AI Agent akan menjadi "penyelamatan" dari banyak narasi lama di industri Crypto. Dalam evolusi narasi yang berputar di sekitar otonomi AI, TEE sempat menjadi sorotan utama, namun ada satu konsep teknologi yang bahkan lebih "tidak terkenal" daripada TEE dan bahkan ZKP, yaitu FHE—enkripsi homomorphic penuh, yang juga akan mendapatkan "kebangkitan" berkat jalur AI. Berikut ini, melalui contoh, saya akan merangkum logikanya:
FHE adalah teknik kriptografi yang memungkinkan perhitungan langsung pada data yang dienkripsi, dianggap sebagai "Holy Grail", dibandingkan dengan narasi teknologi populer lainnya seperti ZKP dan TEE, FHE berada pada posisi yang relatif kurang dikenal, dengan inti masalah yang terutama terhambat oleh biaya dan skenario aplikasi.
Mind Network fokus pada infrastruktur FHE dan telah meluncurkan FHE Chain yang berfokus pada AI Agent—MindChain. Meskipun telah mendapatkan pendanaan lebih dari sepuluh juta dolar dan telah melalui beberapa tahun pengembangan teknologi, perhatian pasar tetap terdevaluasi karena batasan yang ada pada FHE itu sendiri.
Namun, baru-baru ini Mind Network telah meluncurkan banyak berita baik seputar aplikasi AI, misalnya, FHE Rust SDK yang mereka kembangkan telah diintegrasikan ke dalam model besar open-source DeepSeek, menjadi bagian kunci dalam skenario pelatihan AI, dan menyediakan dasar keamanan untuk realisasi AI yang dapat dipercaya. Mengapa FHE dapat menunjukkan kinerjanya dalam perhitungan privasi AI, bisakah kita memanfaatkan narasi AI Agent untuk mencapai keunggulan atau penebusan?
Secara sederhana: Enkripsi Homomorphic FHE adalah teknologi kriptografi yang dapat langsung diterapkan pada arsitektur blockchain saat ini, yang memungkinkan melakukan perhitungan seperti penjumlahan, perkalian, dan perhitungan lainnya secara langsung pada data terenkripsi tanpa perlu mendekripsi data terlebih dahulu.
Dengan kata lain, penerapan teknologi FHE dapat membuat data dari input ke output sepenuhnya terenkripsi, bahkan node yang mempertahankan konsensus public chain untuk verifikasi pun tidak dapat mengakses informasi plaintext. Dengan cara ini, FHE dapat memberikan jaminan dasar teknis untuk pelatihan beberapa AI LLM di berbagai skenario vertikal seperti kesehatan dan keuangan.
Menjadikan FHE sebagai solusi "pilihan utama" untuk pelatihan model AI besar tradisional yang kaya dan memperluas skenario vertikal serta menggabungkan arsitektur terdistribusi blockchain. Baik dalam kolaborasi data medis antar lembaga maupun inferensi privasi dalam skenario transaksi keuangan, FHE dapat menjadi pilihan tambahan berkat keunikan yang dimilikinya.
Ini sebenarnya tidak abstrak, cukup dengan contoh sederhana untuk memahaminya: misalnya, AI Agent sebagai aplikasi yang ditujukan untuk pengguna akhir, biasanya akan terhubung dengan berbagai penyedia model AI besar seperti DeepSeek, Claude, OpenAI, dll., tetapi bagaimana memastikan bahwa dalam beberapa skenario aplikasi keuangan yang sangat sensitif, proses eksekusi AI Agent tidak akan terpengaruh oleh model besar yang secara tiba-tiba mengubah aturan? Ini pasti memerlukan enkripsi terhadap Prompt yang dimasukkan, ketika penyedia LLM melakukan perhitungan langsung terhadap data terenkripsi, tidak akan ada intervensi paksa yang mengubah dan mempengaruhi keadilan.
Lalu apa sebenarnya konsep "AI yang dapat dipercaya" ini? AI yang dapat dipercaya adalah visi AI terdesentralisasi FHE yang coba dibangun oleh Mind Network, termasuk memungkinkan banyak pihak untuk mencapai pelatihan dan inferensi model yang efisien melalui kekuatan komputasi terdistribusi GPU, tanpa harus bergantung pada server pusat, serta menyediakan verifikasi konsensus berbasis FHE untuk AI Agent. Desain ini menghilangkan batasan AI terpusat sebelumnya, memberikan jaminan privasi + otonomi ganda untuk operasi AI Agent web3 di bawah arsitektur terdistribusi.
Ini lebih sesuai dengan arah narasi arsitektur blockchain terdistribusi dari Mind Network itu sendiri. Misalnya, dalam proses transaksi di rantai khusus, FHE dapat melindungi privasi inferensi dan eksekusi data Oracle dari semua pihak, memungkinkan AI Agent untuk melakukan keputusan perdagangan secara mandiri tanpa perlu mengungkapkan posisi atau strategi, dan lain-lain.
Lalu, mengapa dikatakan bahwa FHE akan memiliki jalur penetrasi industri yang serupa dengan TEE, dan akan membawa peluang langsung akibat ledakan skenario aplikasi AI?
Sebelumnya, TEE dapat memanfaatkan peluang AI Agent berkat lingkungan perangkat keras TEE yang dapat mengelola data dalam keadaan privasi, sehingga memungkinkan AI Agent untuk secara mandiri mengelola kunci pribadi, dan membuat narasi baru tentang manajemen aset yang mandiri. Namun, ada kelemahan besar dalam penyimpanan kunci pribadi oleh TEE: kepercayaan harus bergantung pada penyedia perangkat keras pihak ketiga (misalnya: Intel). Dan untuk membuat TEE berfungsi, perlu ada arsitektur rantai terdistribusi untuk memberikan batasan "konsensus" yang tambahan dan transparan di lingkungan TEE. Sebagai perbandingan, PHE dapat sepenuhnya ada berdasarkan arsitektur rantai terdesentralisasi tanpa bergantung pada pihak ketiga.
FHE dan TEE memiliki situasi ekologi yang serupa. Meskipun aplikasi TEE di ekosistem web3 belum luas, teknologi ini sudah sangat matang di bidang web2. Sebagai perbandingan, FHE juga akan secara bertahap menemukan nilai keberadaan baik di web2 maupun web3 di bawah ledakan tren AI kali ini.
Di atas.
Dengan demikian, dapat dilihat bahwa teknologi enkripsi tingkat suci seperti FHE, di bawah prasyarat AI yang menjadi masa depan, pasti akan menjadi salah satu batu fondasi keamanan yang kemungkinan akan diadopsi secara lebih luas.
Tentu saja, meskipun demikian, masalah biaya overhead dari FHE dalam implementasi algoritma tidak dapat dihindari. Jika dapat diterapkan dalam skenario AI web2, dan kemudian terhubung dengan skenario AI web3, pasti akan ada efek "skala" yang mengejutkan dan mendistribusikan biaya keseluruhan, memungkinkan aplikasi yang lebih luas.