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 — это криптографическая технология, позволяющая выполнять вычисления непосредственно на зашифрованных данных, считающаяся «Святым Граалем». По сравнению с популярными технологиями, такими как ZKP и TEE, она находится на относительно менее известной позиции, и ее основными ограничениями являются затраты и сферы применения.
Mind Network сосредоточен на инфраструктуре полностью гомоморфного шифрования (FHE) и запустил цепочку FHE, ориентированную на AI Agent — MindChain. Несмотря на то, что он привлек более десяти миллионов долларов финансирования и прошел несколько лет технической работы, внимание рынка все еще недооценено из-за самого FHE.
Однако недавно Mind Network выпустила множество положительных новостей вокруг сценариев применения ИИ, например, разработанный ими FHE Rust SDK был интегрирован в крупную модель DeepSeek, став ключевым элементом в сценариях обучения ИИ и обеспечив безопасную основу для реализации надежного ИИ. Почему FHE может проявить себя в приватных вычислениях ИИ, сможет ли он воспользоваться нарративом ИИ-агента для достижения обходного маневра или спасения?
Простыми словами: полностью гомоморфное шифрование (FHE) — это криптографическая технология, которая может непосредственно применяться к текущей архитектуре публичных блокчейнов и позволяет выполнять любые вычисления, такие как сложение и умножение, непосредственно над зашифрованными данными, без необходимости предварительного расшифрования данных.
Другими словами, применение технологии FHE может сделать весь процесс шифрования данных от входа до выхода, и даже узлы, поддерживающие консенсус публичной цепочки для проверки, не могут получить доступ к информации в открытом виде, так что FHE может обеспечить техническую базовую гарантию для обучения некоторых ИИ LLM в сценариях вертикального разделения, таких как здравоохранение и финансы.
FHE может стать «предпочтительным» решением для традиционного обучения больших моделей ИИ, обогащения и масштабирования вертикальных сценариев и сочетания с распределенной архитектурой блокчейна. Независимо от того, идет ли речь о межведомственном сотрудничестве в области медицинских данных или о конфиденциальности в сценариях финансовых транзакций, FHE может быть дополнительным вариантом благодаря своей уникальности.
На самом деле это не абстрактно, это станет понятным на простом примере: например, AI Agent как приложение для конечного пользователя обычно будет подключаться к различным поставщикам AI больших моделей, таким как DeepSeek, Claude, OpenAI и т. д. Но как гарантировать, что в некоторых высокочувствительных финансовых приложениях процесс выполнения AI Agent не будет внезапно подвержен влиянию больших моделей, которые изменяют правила? Это обязательно потребует шифрования вводимого запроса (Prompt), чтобы поставщики LLMs не могли вмешиваться в зашифрованные данные и тем самым не влиять на справедливость.
Так какой же смысл в концепции "доверительного ИИ"? Доверительный ИИ — это децентрализованное видение ИИ с использованием полностью гомоморфного шифрования (FHE), которое пытается построить сеть Mind. Оно включает в себя возможность многопользовательского моделирования с помощью распределенной вычислительной мощности GPU для эффективного обучения и вывода моделей, без необходимости полагаться на центральный сервер, предоставляя агентам ИИ верификацию консенсуса на основе FHE и т.д. Эта конструкция устраняет ограничения традиционного централизованного ИИ и обеспечивает двойную защиту в виде конфиденциальности и автономии для работы агентами ИИ web3 в дистрибутивной архитектуре.
Это больше соответствует нарративному направлению самой дистрибутивной блокчейн-архитектуры Mind Network. Например, в процессе специальных транзакций на цепочке FHE может защитить конфиденциальность данных Oracle для сторон, а также процесс вывода и выполнения, позволяя AI Agent принимать самостоятельные решения по торговле без необходимости раскрывать свои позиции или стратегии и так далее.
Так почему же говорят, что FHE будет иметь аналогичный путь проникновения в отрасль, как TEE, и что взрывной рост применения ИИ приведет к непосредственным возможностям?
Ранее TEE мог воспользоваться возможностями AI Agent благодаря тому, что аппаратная среда TEE может осуществлять управление данными в состоянии конфиденциальности, позволяя AI Agent самостоятельно управлять приватными ключами и достигать новой нарративной модели автономного управления активами. Однако хранение приватных ключей в TEE имеет один серьезный недостаток: доверие должно основываться на стороннем поставщике аппаратного обеспечения (например, Intel). Чтобы TEE мог эффективно функционировать, необходима дистрибутивная цепочная архитектура, которая добавляет к среде TEE набор дополнительных прозрачных «консенсусных» ограничений. В отличие от этого, PHE может полностью существовать на основе децентрализованной цепочной архитектуры, не полагаясь на третьи стороны.
FHE и TEE имеют схожие экосистемные ниши. Несмотря на то, что TEE еще не широко применяется в экосистеме web3, в области web2 это уже очень зрелая технология. В сравнении с этим, FHE также постепенно найдет свою ценность как в web2, так и в web3 в условиях текущего взрыва трендов AI.
Выше.
Таким образом, можно заключить, что такая шифровальная технология, как FHE, являющаяся шифровальным Святой Граалем, безусловно, станет одним из оснований безопасности в условиях, когда ИИ становится предпосылкой будущего, и вероятность ее дальнейшего широкого применения высока.
Конечно, тем не менее, нельзя избежать проблемы затрат на реализацию алгоритмов FHE. Если его можно будет применить в сценах web2 AI, а затем связать с сценами web3 AI, это, вероятно, неожиданно высвободит "масштабный эффект" и снизит общие затраты, что позволит ему более широко применяться.
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 преображает экосистему приватных вычислений 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 — это криптографическая технология, позволяющая выполнять вычисления непосредственно на зашифрованных данных, считающаяся «Святым Граалем». По сравнению с популярными технологиями, такими как ZKP и TEE, она находится на относительно менее известной позиции, и ее основными ограничениями являются затраты и сферы применения.
Mind Network сосредоточен на инфраструктуре полностью гомоморфного шифрования (FHE) и запустил цепочку FHE, ориентированную на AI Agent — MindChain. Несмотря на то, что он привлек более десяти миллионов долларов финансирования и прошел несколько лет технической работы, внимание рынка все еще недооценено из-за самого FHE.
Однако недавно Mind Network выпустила множество положительных новостей вокруг сценариев применения ИИ, например, разработанный ими FHE Rust SDK был интегрирован в крупную модель DeepSeek, став ключевым элементом в сценариях обучения ИИ и обеспечив безопасную основу для реализации надежного ИИ. Почему FHE может проявить себя в приватных вычислениях ИИ, сможет ли он воспользоваться нарративом ИИ-агента для достижения обходного маневра или спасения?
Простыми словами: полностью гомоморфное шифрование (FHE) — это криптографическая технология, которая может непосредственно применяться к текущей архитектуре публичных блокчейнов и позволяет выполнять любые вычисления, такие как сложение и умножение, непосредственно над зашифрованными данными, без необходимости предварительного расшифрования данных.
Другими словами, применение технологии FHE может сделать весь процесс шифрования данных от входа до выхода, и даже узлы, поддерживающие консенсус публичной цепочки для проверки, не могут получить доступ к информации в открытом виде, так что FHE может обеспечить техническую базовую гарантию для обучения некоторых ИИ LLM в сценариях вертикального разделения, таких как здравоохранение и финансы.
FHE может стать «предпочтительным» решением для традиционного обучения больших моделей ИИ, обогащения и масштабирования вертикальных сценариев и сочетания с распределенной архитектурой блокчейна. Независимо от того, идет ли речь о межведомственном сотрудничестве в области медицинских данных или о конфиденциальности в сценариях финансовых транзакций, FHE может быть дополнительным вариантом благодаря своей уникальности.
На самом деле это не абстрактно, это станет понятным на простом примере: например, AI Agent как приложение для конечного пользователя обычно будет подключаться к различным поставщикам AI больших моделей, таким как DeepSeek, Claude, OpenAI и т. д. Но как гарантировать, что в некоторых высокочувствительных финансовых приложениях процесс выполнения AI Agent не будет внезапно подвержен влиянию больших моделей, которые изменяют правила? Это обязательно потребует шифрования вводимого запроса (Prompt), чтобы поставщики LLMs не могли вмешиваться в зашифрованные данные и тем самым не влиять на справедливость.
Так какой же смысл в концепции "доверительного ИИ"? Доверительный ИИ — это децентрализованное видение ИИ с использованием полностью гомоморфного шифрования (FHE), которое пытается построить сеть Mind. Оно включает в себя возможность многопользовательского моделирования с помощью распределенной вычислительной мощности GPU для эффективного обучения и вывода моделей, без необходимости полагаться на центральный сервер, предоставляя агентам ИИ верификацию консенсуса на основе FHE и т.д. Эта конструкция устраняет ограничения традиционного централизованного ИИ и обеспечивает двойную защиту в виде конфиденциальности и автономии для работы агентами ИИ web3 в дистрибутивной архитектуре.
Это больше соответствует нарративному направлению самой дистрибутивной блокчейн-архитектуры Mind Network. Например, в процессе специальных транзакций на цепочке FHE может защитить конфиденциальность данных Oracle для сторон, а также процесс вывода и выполнения, позволяя AI Agent принимать самостоятельные решения по торговле без необходимости раскрывать свои позиции или стратегии и так далее.
Так почему же говорят, что FHE будет иметь аналогичный путь проникновения в отрасль, как TEE, и что взрывной рост применения ИИ приведет к непосредственным возможностям?
Ранее TEE мог воспользоваться возможностями AI Agent благодаря тому, что аппаратная среда TEE может осуществлять управление данными в состоянии конфиденциальности, позволяя AI Agent самостоятельно управлять приватными ключами и достигать новой нарративной модели автономного управления активами. Однако хранение приватных ключей в TEE имеет один серьезный недостаток: доверие должно основываться на стороннем поставщике аппаратного обеспечения (например, Intel). Чтобы TEE мог эффективно функционировать, необходима дистрибутивная цепочная архитектура, которая добавляет к среде TEE набор дополнительных прозрачных «консенсусных» ограничений. В отличие от этого, PHE может полностью существовать на основе децентрализованной цепочной архитектуры, не полагаясь на третьи стороны.
FHE и TEE имеют схожие экосистемные ниши. Несмотря на то, что TEE еще не широко применяется в экосистеме web3, в области web2 это уже очень зрелая технология. В сравнении с этим, FHE также постепенно найдет свою ценность как в web2, так и в web3 в условиях текущего взрыва трендов AI.
Выше.
Таким образом, можно заключить, что такая шифровальная технология, как FHE, являющаяся шифровальным Святой Граалем, безусловно, станет одним из оснований безопасности в условиях, когда ИИ становится предпосылкой будущего, и вероятность ее дальнейшего широкого применения высока.
Конечно, тем не менее, нельзя избежать проблемы затрат на реализацию алгоритмов FHE. Если его можно будет применить в сценах web2 AI, а затем связать с сценами web3 AI, это, вероятно, неожиданно высвободит "масштабный эффект" и снизит общие затраты, что позволит ему более широко применяться.