FHE 赛道一览，Web3 隐私数据终局何时到来？
FHE 的应用场景广阔，它面向的是整个互联网体系下的任何隐私数据。撰文：Peng Sun，Foresight News这个市场充满着二律背反，隐私赛道让人大失所望，但作为意识形态的数据隐私却又令人满怀憧憬。隐私，是加密世界不灭的梦。密码学是区块链的原语，最初知道同态加密（HE）的时候我们还在讨论 ZK 有没有可能应用在区块链上，但现在已经到了 ZK 怎么好用、HE 什么时候用的阶段。对很多人来说，密码学的技术离我们太远了，专业壁垒太高，散户难以参与。去年 12 月，随着 AI + Crypto 的爆发，笔者留意到一些欧美 VC 开始关注 FHE 赛道，直到今年 5 月 5 日，Vitalik Buterin 重新分享了 2020 年的旧文「Exploring Fully Homomorphic Encryption」，并表示「最近很多人都对 FHE 感兴趣」。与此同时，近期专注于 FHE 的播客、FHE 竞赛平台也相继诞生。那么，藏在象牙塔里的 FHE，到底是什么呢？有哪些应用场景？为什么资本如此青睐？今天，Foresight News 对 FHE 赛道 25 个项目做一盘点，它们遍布基础设施、公链、DePIN 网络、AI、游戏、DeFi 等领域。FHE（全同态加密）是什么？同态加密（Homomorphic Encryption，HE）最早于 1978 年首次提出，旨在解决在不接触数据的情况下对数据进行加工处理的问题。但直到 2009 年，同态加密在技术上进展迟缓，只有处理单一加法运算或乘法运算的半同态加密（Partially Homomorphic Encryption，PHE）。2009 年，Craig Gentry 长达 200 页的论文 A Fully Homomorphic Encryption Scheme 提出了第一个支持任意数量的加法与乘法的同态运算机制，也就是全同态加密（FHE），实现了 FHE 技术的飞跃。我们说 ZKP 是密码学的圣杯，但 FHE 也是，而且愿景更加宏大。ZKP 与 FHE 的区别在于，ZKP 可以在不透露真实数据的情况下向对方证明数据的真实性与可靠性，在 L2 中也起到非常重要的压缩成本的作用。FHE 要做的是「可算不可见」。传统密码学算法对密文进行计算都需要先解密，对解密后的明文进行计算，无法处理密文。但 FHE 不需要，它可以对加密数据（密文）直接进行计算，其计算结果与明文计算结果一致。打个比方，我们给 A 数据套一个黑盒子（加密），当我们把这个黑盒子发给接收方时无需取出黑盒子，接收方可以直接对黑盒子进行计算，计算过程中不会泄漏任何关于 A 数据的内容，彻底完成了对数据的隐私计算。FHE 的应用场景广阔，不只是 Web3 与区块链，它面向的是整个互联网体系下的任何隐私数据，无论是广告、个性化推荐、AI、游戏、链上交易、MEV 保护、区块空间拍卖、链上投票、反女巫攻击、机器学习、医疗、金融、自然语言处理等等。当然，FHE 之所以还没有应用，也是因为它的计算量更大、更为复杂。目前，FHE 的计算速度比明文计算要慢 4 至 5 个数量级（1 万倍至 10 万倍）。同时，FHE 虽然保护了数据隐私，但不能保证计算真实性，因此可与 ZKP 相结合。过去一些年，ZKP 与 FHE 在技术上难以集成，加之 FHE 对计算的要求极高，FHE 在区块链世界的应用也一直没有展开。不过，这几年 FHE 技术有了很大进展，我们也看到了 ZK 与 FHE 结合的可能，随着硬件加速在 ZKP 领域的应用，DePIN 的出现也给算力...
