Vom "Heiligen Gral" zum Fundament: Wie FHE das Web3-Ökosystem für Datenschutzberechnungen neu gestaltet?

Ich habe zuvor in mehreren Artikeln gesagt, dass AI-Agenten die “Erlösung” vieler alter Erzählungen der Crypto-Branche sein werden. In der letzten Welle der Erzählung um die Autonomie von AI wurde TEE zeitweise in den Mittelpunkt gerückt, jedoch gibt es ein noch “unbekannteres” technisches Konzept als TEE und sogar ZKP: FHE—vollständig homomorphe Verschlüsselung, das durch den AI-Sektor eine “Wiedergeburt” erfahren wird. Im Folgenden werde ich die Logik anhand von Beispielen erläutern:

FHE ist eine kryptografische Technik, die es ermöglicht, direkt auf verschlüsselten Daten zu rechnen. Sie wird als “Heiliger Gral” angesehen und nimmt im Vergleich zu beliebten Technologien wie ZKP und TEE eine relativ unbekannte Position ein. Die Hauptproblematik liegt hauptsächlich in den Kosten und den Anwendungsbereichen.

Mind Network konzentriert sich auf die Infrastruktur für FHE und hat die auf AI-Agenten fokussierte FHE Chain – MindChain – eingeführt. Obwohl es über zehn Millionen Dollar Finanzierung erhalten hat und mehrere Jahre an technischer Entwicklung gearbeitet hat, wird das Marktinteresse aufgrund der Begrenzungen von FHE weiterhin unterschätzt.

Allerdings hat Mind Network kürzlich zahlreiche positive Nachrichten im Zusammenhang mit AI-Anwendungsszenarien veröffentlicht, zum Beispiel wurde das von ihnen entwickelte FHE Rust SDK in das Open-Source-Modell DeepSeek integriert und ist zu einem entscheidenden Element in Trainingsszenarien für AI geworden, das eine sichere Grundlage für die Umsetzung von vertrauenswürdiger AI bietet. Warum kann FHE bei der privaten Berechnung von AI eine Rolle spielen, und kann man durch die Erzählung von AI-Agenten einen Umweg zur Überholung oder Rettung schaffen?

Einfach gesagt: FHE vollständig homomorphe Verschlüsselung ist eine kryptographische Technik, die direkt auf der aktuellen Public-Chain-Architektur angewendet werden kann und es ermöglicht, direkt auf verschlüsselten Daten beliebige Berechnungen wie Addition, Multiplikation usw. durchzuführen, ohne die Daten vorher entschlüsseln zu müssen.

Anders ausgedrückt ermöglicht die Anwendung der FHE-Technologie eine vollständige Verschlüsselung der Daten vom Eingang bis zum Ausgang, sodass selbst die Knoten, die die öffentliche Kette zur Validierung des Konsenses aufrechterhalten, nicht auf die Klartextinformationen zugreifen können. Dadurch kann FHE in vertikalen Nischen wie Gesundheitswesen und Finanzen als technologische Grundlage für das Training einiger KI-LLMs dienen.

FHE kann zu einer „bevorzugten“ Lösung werden, die traditionelle KI-Modelle in reichhaltigen, erweiterten vertikalen Szenarien und in Kombination mit der verteilten Architektur der Blockchain trainiert. Egal, ob es sich um die interinstitutionelle Zusammenarbeit von medizinischen Daten oder um private Schlussfolgerungen in Finanztransaktionsszenarien handelt, FHE kann aufgrund seiner Einzigartigkeit eine ergänzende Wahl sein.

Das ist eigentlich nicht abstrakt und wird mit einem einfachen Beispiel klar: Zum Beispiel, wenn ein AI-Agent als Anwendung für Endkunden fungiert, wird normalerweise im Hintergrund auf verschiedene von Anbietern wie DeepSeek, Claude, OpenAI usw. bereitgestellte große AI-Modelle zugegriffen. Aber wie kann man sicherstellen, dass der Ausführungsprozess des AI-Agenten in einigen hochsensiblen finanziellen Anwendungsszenarien nicht plötzlich von einem großen Modell im Hintergrund mit geänderten Regeln beeinflusst wird? Dies erfordert sicherlich eine Verschlüsselung des eingegebenen Prompts, sodass es keine erzwungenen Eingriffe oder Änderungen durch den LLM-Anbieter gibt, die die Fairness beeinträchtigen.

Was hat es mit dem Konzept der “vertrauenswürdigen KI” auf sich? Vertrauenswürdige KI ist eine Vision für eine dezentralisierte KI, die von Mind Network zu schaffen versucht, einschließlich der Möglichkeit für mehrere Parteien, effizientes Modelltraining und -inferenz durch verteilte Rechenleistung mit GPUs zu realisieren, ohne auf zentrale Server angewiesen zu sein, und bietet dem KI-Agenten konsensbasierte Validierung auf der Grundlage von vollständiger homomorpher Verschlüsselung (FHE) usw. Dieses Design beseitigt die Einschränkungen der ursprünglich zentralisierten KI und bietet eine doppelte Garantie für Privatsphäre und Autonomie im Betrieb von Web3-KI-Agenten in einer dezentralisierten Architektur.

Dies passt besser zur narrativen Ausrichtung der verteilten Blockchain-Architektur von Mind Network selbst. Zum Beispiel kann FHE im speziellen Transaktionsprozess auf der Chain den Datenschutz der Oracle-Daten aller Parteien während der Inferenz- und Ausführungsprozesse schützen, sodass der KI-Agent eigenständige Entscheidungen im Handel treffen kann, ohne Positionen oder Strategien offenlegen zu müssen usw.

Warum wird gesagt, dass FHE ähnliche Branchenpenetrationswege wie TEE haben wird und durch den Ausbruch von KI-Anwendungsszenarien direkte Chancen bringen wird?

Die Möglichkeit von TEE, die Chancen von AI-Agenten zu nutzen, beruht auf der Tatsache, dass die TEE-Hardwareumgebung die Daten in einem privaten Zustand verwalten kann, wodurch der AI-Agent in der Lage ist, private Schlüssel autonom zu verwalten und so eine neue Erzählung der autonomen Vermögensverwaltung zu erreichen. Allerdings gibt es einen schwerwiegenden Nachteil bei der Verwahrung privater Schlüssel durch TEE: Das Vertrauen muss auf einen Drittanbieter von Hardware (z. B. Intel) gestützt werden. Um TEE wirksam zu machen, ist eine verteilte, kettenartige Architektur erforderlich, um der TEE-Umgebung eine zusätzliche öffentliche und transparente „Konsens“-Einschränkung hinzuzufügen. Im Vergleich dazu kann PHE vollständig auf einer dezentralen kettenartigen Architektur basieren, ohne auf Dritte angewiesen zu sein.

FHE und TEE haben eine ähnliche ökologische Nische. Auch wenn TEE in der Web3-Umgebung noch nicht weit verbreitet ist, ist es im Web2-Bereich bereits eine sehr ausgereifte Technologie. Im Vergleich dazu wird FHE auch allmählich in dieser Welle des KI-Trends sowohl im Web2 als auch im Web3 einen Wert finden.

Das oben.

Zusammenfassend lässt sich sagen, dass die FHE-Verschlüsselung, als eine Art von Verschlüsselung vom heiligen Gral, unter der Voraussetzung, dass KI die Zukunft prägt, zweifellos zu einem der Sicherheitsfundamente werden wird und eine größere Verbreitung wahrscheinlich ist.

Natürlich muss dennoch das Kostenproblem des Aufwands bei der Implementierung von FHE unvermeidlich angesprochen werden. Wenn es in Web2 AI-Szenarien anwendbar ist und anschließend mit Web3 AI-Szenarien verknüpft wird, wird es sicherlich unerwartete “Skaleneffekte” freisetzen, die die Gesamtkosten senken und eine breitere Anwendung ermöglichen.