摘要：原文作者：HaotianVitalik 一篇关于 FHE（Fully Homomorphic Encryption）全同态加密的文章，又一次激发了大家对新型加密技术的探索和想象空间。在我看来，FHE 全同态加密的确比 ZKP 技术...
原文作者：Haotian
Vitalik 一篇关于 FHE（Fully Homomorphic Encryption）全同态加密的文章再次激发了人们探索和想象新加密算法的空间。在我看来，FHE 确实是全同态加密 ZKP 技术想象空间有很大的梯阶，可以帮助 AI Crypto 更多的应用场景落地。如何理解？
1）定义：FHE 全同态加密可以计算特定形式的加密数据，而不必担心暴露数据和隐私。相比之下，ZKP 只能解决加密状态下数据的一致性传输问题，接收数据方只能验证提交数据方的数据是真实的，是点对点的数据加密方案；全同态加密不限制计算的主要范围，可视为多对多加密计算方案。
2）How it works：传统的计算机运算是计算明文数据，如果加密数据需要先解密再计算，难免会暴露隐私数据。同态加密结构是一种特殊的加密方案，可以对密文进行加密「同态」转换促使计算结论与明文相同。 在同态加密系统中，明文的加法操作相当于密文的乘法操作（一种规律）。因此，如果您想添加明文信息，您只需要乘法计算密文（等效性）。
简而言之，同态加密是通过特殊的同态变化促使数据在密文中得到相同的结果，只需要确保操作规则中同态的相应特征。
3)应用领域：在过去的互联网领域，FHE 全同态加密可广泛应用于云存储、生物识别、医疗卫生、金融、广告营销、基因测序等领域。 以生物识别为例，个人指纹、虹膜、面部等生物特征数据均为敏感数据。 FHE 技术可以在服务器密文状态下对这些信息进行比较和验证；同样，医疗卫生领域多年的数据分离也可以使用 FHE 在不共享原始数据的情况下，可以对不同的医疗结构进行联合分析和建模。
但在 Crypto 领域，FHE 应用空间也可以涉及游戏，DAO 投票治理、MEV 保护、隐私交易、监管合规等需要重隐私的场景。以动画场景为例：平台不窥探玩家手中的卡片，计算促进游戏，使游戏更加公平；
同样以 DAO 以投票为例，巨鲸可以通过计算协议产生投票结果，而不暴露地址和投票数量；此外，用户可以面向 Mempool 传输到加密交易，防止目标地址、转账金额等隐私信息暴露；另一个例子是控制情况，政府可以监控资金池，剥离黑色地址资产，而不查看合法交易隐私数据。
4）缺点：值得注意的是，计算机明文实施常规计算的计算环境通常比较复杂，除了加减乘除外，还有条件循环、逻辑门判断等。目前，半同态加密和全同态加密只能在加法和乘法上快速进行。更复杂的计算需要组合叠加，这将增加计算能力的需求。
因此，从理论上讲，全同态加密可以支持随机计算，但由于性能瓶颈和算法特性，目前可以高效实施的同态计算类型和复杂性非常有限。任何复杂的计算都需要更大的计算率消耗。因此，全同态加密技术的实施过程实际上是算法优化和计算率成本控制的发展过程，特别是硬件加速和计算率增强后的性能。
以上
在我看来，FHE 虽然很难在短时间内完善全同态加密的落地和应用，但是它作为一种 ZKP 技术的延伸补充可以作为技术的延伸补充 AI 大模型隐私计算，AI 数据联合建模、AI 合作训练、Crypto 隐私合规交易，Crypto 场景延伸等方面提供了很好的助力价值。
