และ Mind Network มุ่งเน้นไปที่โครงสร้างพื้นฐานของ FHE โดยได้เปิดตัว FHE Chain ที่มุ่งเน้นไปที่ AI Agent นั่นคือ MindChain แม้ว่าจะมีการระดมทุนกว่า 10 ล้านดอลลาร์สหรัฐ และได้มีการพัฒนาทางเทคนิคมาเป็นเวลาหลายปี แต่การสนใจจากตลาดยังคงต่ำกว่าที่ควรเนื่องจากข้อจำกัดของ FHE เอง.
อย่างไรก็ตาม เมื่อเร็ว ๆ นี้ Mind Network ได้ออกข่าวดีมากมายเกี่ยวกับการใช้งาน AI เช่น SDK FHE Rust ที่พัฒนาขึ้นได้ถูกบูรณาการเข้ากับโมเดล DeepSeek ที่เป็นโอเพ่นซอร์ส ซึ่งกลายเป็นส่วนสำคัญในฉากการฝึกอบรม AI และให้พื้นฐานที่ปลอดภัยสำหรับการนำ AI ที่เชื่อถือได้ไปใช้ ทำไม FHE จึงสามารถแสดงบทบาทในด้านการคำนวณความเป็นส่วนตัวของ AI ได้ และสามารถใช้เรื่องเล่าของ AI Agent เพื่อทำให้เกิดการเบี่ยงเบนไปข้างหน้าหรือการช่วยชีวิตได้หรือไม่?
แล้วแนวคิดของ "AI ที่เชื่อถือได้" เป็นอย่างไร? AI ที่เชื่อถือได้คือวิสัยทัศน์ AI แบบกระจายที่ Mind Network พยายามสร้าง ซึ่งรวมถึงการอนุญาตให้หลายฝ่ายทำการฝึกอบรมและอนุมานโมเดลอย่างมีประสิทธิภาพผ่านการประมวลผล GPU แบบกระจาย โดยไม่ต้องพึ่งพาเซิร์ฟเวอร์กลาง และให้การตรวจสอบความเห็นร่วมตาม FHE แก่ AI Agent การออกแบบนี้ช่วยขจัดข้อจำกัดของ AI แบบรวมศูนย์เดิม และมอบการรับประกันความเป็นส่วนตัวและอิสระในระดับคู่สำหรับการดำเนินงานของ AI Agent ในสถาปัตยกรรมแบบกระจาย.
นี่คือทิศทางการเล่าเรื่องที่ตรงกับโครงสร้างบล็อกเชนแบบกระจายของ Mind Network เองมากขึ้น เช่น ในกระบวนการทำธุรกรรมบนบล็อกเชนพิเศษ FHE สามารถปกป้องการอนุมานและกระบวนการดำเนินการของข้อมูล Oracle ของแต่ละฝ่ายได้ ซึ่งช่วยให้ AI Agent สามารถตัดสินใจในการทำธุรกรรมได้อย่างอิสระโดยไม่ต้องเปิดเผยตำแหน่งหรือกลยุทธ์ต่างๆ เป็นต้น.
ทำไมถึงกล่าวว่า FHE จะมีเส้นทางการแทรกซึมในอุตสาหกรรมที่คล้ายกับ TEE และจะนำโอกาสโดยตรงมาจากการระเบิดของสถานการณ์การใช้งาน AI ได้อย่างไร?
TEE สามารถใช้ประโยชน์จากโอกาสของ AI Agent ได้เนื่องจากสภาพแวดล้อมฮาร์ดแวร์ของ TEE ที่สามารถจัดการข้อมูลในสถานะความเป็นส่วนตัว ทำให้ AI Agent สามารถจัดการกุญแจส่วนตัวได้เอง และบรรลุการจัดการสินทรัพย์อย่างเป็นอิสระ แต่การเก็บรักษากุญแจส่วนตัวโดย TEE นั้นมีข้อบกพร่องสำคัญ: ความไว้วางใจต้องพึ่งพาผู้ให้บริการฮาร์ดแวร์ของบุคคลที่สาม (เช่น อินเทล) และเพื่อให้ TEE ทำงานได้ต้องมีสถาปัตยกรรมเชนกระจายที่ให้ข้อจำกัด "ฉันทามติ" ที่เปิดเผยและโปร่งใสแก่สภาพแวดล้อม TEE ในทางตรงกันข้าม PHE สามารถมีอยู่บนสถาปัตยกรรมเชนกระจายแบบไม่ต้องพึ่งพาผู้ให้บริการบุคคลที่สามได้.
FHE และ TEE มีสถานะทางนิเวศที่คล้ายกัน อย่ามองว่า TEE ยังไม่ได้รับความนิยมในนิเวศเว็บ3 แต่ในสาขาเว็บ2 นั้นเป็นเทคโนโลยีที่มีความก้าวหน้ามากแล้ว ในทางกลับกัน FHE ก็จะค่อยๆ พบคุณค่าการมีอยู่ในทั้งเว็บ2 และเว็บ3 พร้อมกับการระเบิดของแนวโน้ม AI ในรอบนี้.
เหนือ
จากที่กล่าวมาทั้งหมด สามารถเห็นได้ว่าเทคโนโลยีการเข้ารหัสแบบประมวลผลได้เต็มรูปแบบ (FHE) ซึ่งถือเป็นเทคโนโลยีการเข้ารหัสระดับศักดิ์สิทธิ์ จะกลายเป็นหนึ่งในรากฐานที่มั่นคงด้านความปลอดภัยภายใต้เงื่อนไขที่ AI จะกลายเป็นอนาคต และมีความเป็นไปได้ที่จะถูกนำมาใช้กันอย่างแพร่หลายต่อไป.
แน่นอน แม้ว่าจะเป็นเช่นนั้นก็ยังต้องไม่หลีกเลี่ยงปัญหาค่าใช้จ่ายในการดำเนินการอัลกอริธึมของ FHE หากสามารถนำไปใช้ในฉาก web2 AI และเชื่อมโยงกับฉาก web3 AI คงจะมีการปลดปล่อย "ผลกระทบจากขนาด" อย่างไม่คาดคิดที่ช่วยลดต้นทุนรวม ทำให้สามารถนำไปใช้ได้อย่างแพร่หลายมากขึ้น
จาก "ถ้วยศักดิ์สิทธิ์" สู่ศิลาฤกษ์: FHE จะเปลี่ยนแปลงระบบนิเวศการคำนวณความเป็นส่วนตัวของ Web3 ได้อย่างไร?
ผมเคยพูดในหลายๆ บทความว่า AI Agent จะเป็น "การไถ่ถอน" ของเรื่องเล่าจำนวนมากในอุตสาหกรรม Crypto ในการพัฒนาการเล่าเรื่องรอบๆ AI อิสระครั้งก่อน TEE เคยถูกยกขึ้นมาอยู่ในจุดสนใจ แต่ยังมีแนวคิดทางเทคโนโลยีที่ "ไม่เป็นที่รู้จัก" กว่า TEE หรือแม้แต่ ZKP นั่นคือ FHE — การเข้ารหัสแบบประมวลผลได้เต็มรูปแบบ ซึ่งจะได้รับ "การเกิดใหม่" จากการผลักดันของสนาม AI ต่อไปนี้ เราจะมาจัดระเบียบตรรกะผ่านกรณีศึกษา:
FHE เป็นเทคโนโลยีการเข้ารหัสที่อนุญาตให้คำนวณโดยตรงบนข้อมูลที่เข้ารหัส ซึ่งถูกมองว่าเป็น "Holy Grail" เมื่อเปรียบเทียบกับ ZKP, TEE และเทคโนโลยียอดนิยมอื่น ๆ ถือว่าอยู่ในตำแหน่งที่ค่อนข้างมีน้อย โดยหลัก ๆ จะถูกจำกัดด้วยค่าใช้จ่ายและกรณีการใช้งานต่าง ๆ.
และ Mind Network มุ่งเน้นไปที่โครงสร้างพื้นฐานของ FHE โดยได้เปิดตัว FHE Chain ที่มุ่งเน้นไปที่ AI Agent นั่นคือ MindChain แม้ว่าจะมีการระดมทุนกว่า 10 ล้านดอลลาร์สหรัฐ และได้มีการพัฒนาทางเทคนิคมาเป็นเวลาหลายปี แต่การสนใจจากตลาดยังคงต่ำกว่าที่ควรเนื่องจากข้อจำกัดของ FHE เอง.
อย่างไรก็ตาม เมื่อเร็ว ๆ นี้ Mind Network ได้ออกข่าวดีมากมายเกี่ยวกับการใช้งาน AI เช่น SDK FHE Rust ที่พัฒนาขึ้นได้ถูกบูรณาการเข้ากับโมเดล DeepSeek ที่เป็นโอเพ่นซอร์ส ซึ่งกลายเป็นส่วนสำคัญในฉากการฝึกอบรม AI และให้พื้นฐานที่ปลอดภัยสำหรับการนำ AI ที่เชื่อถือได้ไปใช้ ทำไม FHE จึงสามารถแสดงบทบาทในด้านการคำนวณความเป็นส่วนตัวของ AI ได้ และสามารถใช้เรื่องเล่าของ AI Agent เพื่อทำให้เกิดการเบี่ยงเบนไปข้างหน้าหรือการช่วยชีวิตได้หรือไม่?
กล่าวโดยสรุป: การเข้ารหัสแบบประมวลผลได้เต็มรูปแบบ (FHE) เป็นเทคโนโลยีการเข้ารหัสทางคณิตศาสตร์ที่สามารถนำไปใช้โดยตรงบนโครงสร้างของบล็อกเชนสาธารณะในปัจจุบัน อนุญาตให้ทำการคำนวณใดๆ เช่น การบวก การคูณ บนข้อมูลที่เข้ารหัสได้โดยไม่ต้องถอดรหัสข้อมูลล่วงหน้า.
换句话说，การเข้ารหัสแบบประมวลผลได้เต็มรูปแบบ(FHE)เทคโนโลยีการใช้งานสามารถทำให้ข้อมูลจากการป้อนข้อมูลไปยังการส่งออกถูกเข้ารหัสตลอดทั้งกระบวนการ แม้กระทั่งการรักษาความเห็นร่วมกันของบล็อกเชนที่ทำการตรวจสอบก็ไม่สามารถเข้าถึงข้อมูลที่ชัดเจนได้ ซึ่งทำให้การเข้ารหัสแบบประมวลผลได้เต็มรูปแบบ(FHE)สามารถนำไปใช้ในฉากแนวดิ่งต่างๆ เช่น การแพทย์ การเงิน เป็นต้น เพื่อให้การฝึกอบรมบางอย่างของ AI LLM มีการรับประกันฐานเทคโนโลยีที่มั่นคง.
ทำให้ FHE สามารถเป็น "โซลูชันที่เลือก" สำหรับการฝึกอบรมโมเดล AI ขนาดใหญ่แบบดั้งเดิมที่มีความหลากหลายในการขยายแนวดิ่งและรวมเข้ากับสถาปัตยกรรมแบบกระจายของบล็อกเชน ไม่ว่าจะเป็นการทำงานร่วมกันของข้อมูลทางการแพทย์ระหว่างหน่วยงาน หรือการอนุมานความเป็นส่วนตัวในสถานการณ์การทำธุรกรรมทางการเงิน FHE สามารถเป็นทางเลือกเสริมได้ด้วยความโดดเด่นเฉพาะตัวของมัน.
นี่จริง ๆ แล้วไม่ abstrac ใช้ตัวอย่างง่าย ๆ ก็เข้าใจได้: ตัวอย่างเช่น AI Agent ที่เป็นแอปพลิเคชันที่มุ่งเน้นไปที่ผู้ใช้ C-end ด้านหลังจะมักเชื่อมต่อกับโมเดล AI ขนาดใหญ่จากผู้ให้บริการที่แตกต่างกัน เช่น DeepSeek, Claude, OpenAI เป็นต้น แต่จะทำอย่างไรเพื่อให้แน่ใจว่ากระบวนการดำเนินการของ AI Agent ในบางสถานการณ์การเงินที่มีความไวสูงจะไม่ถูกเปลี่ยนแปลงกฎโดยโมเดลขนาดใหญ่ที่ปรากฏขึ้นอย่างกะทันหัน? สิ่งนี้จำเป็นต้องเข้ารหัส Prompt ที่ป้อนเข้าไป เมื่อผู้ให้บริการ LLMs ทำการคำนวณกับข้อมูลที่เข้ารหัสโดยตรง จะไม่มีการแทรกแซงหรือการเปลี่ยนแปลงที่บังคับซึ่งส่งผลกระทบต่อความยุติธรรม.
แล้วแนวคิดของ "AI ที่เชื่อถือได้" เป็นอย่างไร? AI ที่เชื่อถือได้คือวิสัยทัศน์ AI แบบกระจายที่ Mind Network พยายามสร้าง ซึ่งรวมถึงการอนุญาตให้หลายฝ่ายทำการฝึกอบรมและอนุมานโมเดลอย่างมีประสิทธิภาพผ่านการประมวลผล GPU แบบกระจาย โดยไม่ต้องพึ่งพาเซิร์ฟเวอร์กลาง และให้การตรวจสอบความเห็นร่วมตาม FHE แก่ AI Agent การออกแบบนี้ช่วยขจัดข้อจำกัดของ AI แบบรวมศูนย์เดิม และมอบการรับประกันความเป็นส่วนตัวและอิสระในระดับคู่สำหรับการดำเนินงานของ AI Agent ในสถาปัตยกรรมแบบกระจาย.
นี่คือทิศทางการเล่าเรื่องที่ตรงกับโครงสร้างบล็อกเชนแบบกระจายของ Mind Network เองมากขึ้น เช่น ในกระบวนการทำธุรกรรมบนบล็อกเชนพิเศษ FHE สามารถปกป้องการอนุมานและกระบวนการดำเนินการของข้อมูล Oracle ของแต่ละฝ่ายได้ ซึ่งช่วยให้ AI Agent สามารถตัดสินใจในการทำธุรกรรมได้อย่างอิสระโดยไม่ต้องเปิดเผยตำแหน่งหรือกลยุทธ์ต่างๆ เป็นต้น.
ทำไมถึงกล่าวว่า FHE จะมีเส้นทางการแทรกซึมในอุตสาหกรรมที่คล้ายกับ TEE และจะนำโอกาสโดยตรงมาจากการระเบิดของสถานการณ์การใช้งาน AI ได้อย่างไร?
TEE สามารถใช้ประโยชน์จากโอกาสของ AI Agent ได้เนื่องจากสภาพแวดล้อมฮาร์ดแวร์ของ TEE ที่สามารถจัดการข้อมูลในสถานะความเป็นส่วนตัว ทำให้ AI Agent สามารถจัดการกุญแจส่วนตัวได้เอง และบรรลุการจัดการสินทรัพย์อย่างเป็นอิสระ แต่การเก็บรักษากุญแจส่วนตัวโดย TEE นั้นมีข้อบกพร่องสำคัญ: ความไว้วางใจต้องพึ่งพาผู้ให้บริการฮาร์ดแวร์ของบุคคลที่สาม (เช่น อินเทล) และเพื่อให้ TEE ทำงานได้ต้องมีสถาปัตยกรรมเชนกระจายที่ให้ข้อจำกัด "ฉันทามติ" ที่เปิดเผยและโปร่งใสแก่สภาพแวดล้อม TEE ในทางตรงกันข้าม PHE สามารถมีอยู่บนสถาปัตยกรรมเชนกระจายแบบไม่ต้องพึ่งพาผู้ให้บริการบุคคลที่สามได้.
FHE และ TEE มีสถานะทางนิเวศที่คล้ายกัน อย่ามองว่า TEE ยังไม่ได้รับความนิยมในนิเวศเว็บ3 แต่ในสาขาเว็บ2 นั้นเป็นเทคโนโลยีที่มีความก้าวหน้ามากแล้ว ในทางกลับกัน FHE ก็จะค่อยๆ พบคุณค่าการมีอยู่ในทั้งเว็บ2 และเว็บ3 พร้อมกับการระเบิดของแนวโน้ม AI ในรอบนี้.
เหนือ
จากที่กล่าวมาทั้งหมด สามารถเห็นได้ว่าเทคโนโลยีการเข้ารหัสแบบประมวลผลได้เต็มรูปแบบ (FHE) ซึ่งถือเป็นเทคโนโลยีการเข้ารหัสระดับศักดิ์สิทธิ์ จะกลายเป็นหนึ่งในรากฐานที่มั่นคงด้านความปลอดภัยภายใต้เงื่อนไขที่ AI จะกลายเป็นอนาคต และมีความเป็นไปได้ที่จะถูกนำมาใช้กันอย่างแพร่หลายต่อไป.
แน่นอน แม้ว่าจะเป็นเช่นนั้นก็ยังต้องไม่หลีกเลี่ยงปัญหาค่าใช้จ่ายในการดำเนินการอัลกอริธึมของ FHE หากสามารถนำไปใช้ในฉาก web2 AI และเชื่อมโยงกับฉาก web3 AI คงจะมีการปลดปล่อย "ผลกระทบจากขนาด" อย่างไม่คาดคิดที่ช่วยลดต้นทุนรวม ทำให้สามารถนำไปใช้ได้อย่างแพร่หลายมากขึ้น