此前， Fhenix 宣布完成由 Hack VC 领投的 1500 万美元 A 轮融资，使全同态加密 (FHE) 赛道再次进入大众视野。而实际上，自去年 Fhenix 问世以来，该技术于 Web3 的落地便如雨后春笋般冒出，并获得不少资本青睐。
早在 24 年 3 月，专注于在区块链和 AI 领域开发全同态加密 (FHE) 解决方案的开源密码公司 Zama 便获得由 Multicoin Capital 和 Protocol Labs 领投的 7300 万美元融资；两个月后，Vitalik Buterin 于 X 上分享个人在 2020 年对全同态加密 (FHE) 技术的研究，并表示许多人对该技术充满兴趣；再隔两周，Binance 投资的隐私项目 Mind Network 宣布将和 Zama 合作推出全同态加密 (FHE) 的 AI 网络。种种迹象表明该领域的生态已开始蓬勃发展，并获得市场的高度关注和重视。
那为什么全同态加密 (FHE) 受到这么多关注？它的优势在哪？如何应用于 Web3 领域？其生态应用落地进展如何？本篇研究报告将带领读者深入探讨其 Web3 的应用场景，并探索生态发展现况，以及目前面临的挑战与未来发展。
作者：Wildon，Web3Caff Research 研究员
字数：全文共计 12400+
目录
- 全同态加密 (FHE) 的概述
- 全同态加密 (FHE) 在 Web3 的应用场景
- 全同态加密 (FHE) 生态代表项目
- 基础设施
- Zama
- Sunscreen
- Fair Math
- 硬件
- 公链
- Fhenix
- Inco
- PADO
- AI
- Privasea
- Mind Network
- BasedAI
- Sight AI
- 小结
- 基础设施
- 目前面临的挑战
- 未来展望与总结
- 要点结构图
- 参考文献
全同态加密 (FHE) 的概述
全同态加密 (Full Homohophric Encryption, 简称 FHE) 是密码学中的高级技术，可以在无需解密的情况下，对密文进行任意的函式运算，得出与明文相同的计算结果。
以「2 + 7」为例，传统上会先将 2 加密成 X 、7 加密成 Y ，并将 X 和 Y 交给可信任的第三方进行计算。第三方进行计算时，会先将 X 和 Y 解密才进行计算，得出 9 之后再加密成 Z ，并将结果传回；而使用全同态加密 (FHE) 技术后，第三方便能直接对 X 和 Y 计算得出 Z ，无需先将 X 和 Y 做解密的动作。
如此一来，数据在处理的过程便能保持端到端的加密，免除对第三方运算环境的信任假设，即使第三方作恶或是被骇，也只能获得一堆密文，无法窃取原始数据，只有私钥持有者才能够解密，隐私安全因此获得更全面的保障。若想进一步了解更多全同态加密 (FHE) 的技术细节，可以阅读本篇研报 《全同态加密 (FHE) 赛道研究报告：继 ZK 之后，Web3 隐私赛道又一里程碑？全景式拆解其发展历史、技术原理、应用领域、优劣挑战与未来展望》。
全同态加密 (FHE) 在 Web3 的应用场景
众所周知，区块链本质上就是一个公开透明的分散式帐本，储存所有的交易记录和信息，包括转帐地址和金额，可供任何人检视，并以此来保证共识的安全性。然而，有心人士可以透过追踪交易记录推断出个人的私密信息，也让涉及敏感数据的特定用例如医疗数据库、AI 模型训练、投票等在 Web3 难以发展。因此，隐私安全一直以来都是区块链产业的刚需，也陆续出现多方计算 (MPC) 和零知识证明 (ZKP) 等解决方案来防止数据外泄。那既然都有这些现存的隐私技术，全同态加密 (FHE) 和他们之间有什么区别？如何应用于 Web3 ？
首先，我们必须了解三者的使用场景分别是什么。所有在区块链中的交易数据都会经过两个很重要的处理步骤：「执行」和「验证」。全同态加密 (FHE) 和多方计算 (MPC) 是针对前者的隐私技术，而零知识证明 (ZKP) 则是用于验证，避免数据在运算过程中外泄。而全同态加密 (FHE) 和多方计算 (MPC) 的差别又在于后者需要一个可信任的第三方服务器进行运算，数据在服务器中是明文的形式，一旦服务器作恶或是被骇，敏感数据便会被窃取。全同态加密 (FHE) 则允许数据能够以密文的形式进行传递和处理，就算在过程中被骇，也无法知道原始数据的样貌，不需仰赖于任何信任假设，具有更高的应用性和安全性，适用但不限于以下应用场景：
- 投票
包括传统竞标、DeFi 清算、治理投票和 Token 销售等能够完全以私密地方式进行，每个参与者在过程中都对其他人的信息和选择一无所知，彼此之间无法互相交流与干扰，能够有效防止恶意竞标、抄袭、操纵选票等行为。 - 游戏
能够向其他玩家隐藏自己的游戏配置以进行心理博弈，适用于卡牌、战略和一些 PVP 游戏，支援更多类型的全链游戏。 - 防止 MEV 攻击
加密链上的交易信息和过程，攻击者无法获得数据以进行提前交易或三明治攻击，矿工也无法透过优先处理对自己有利的交易来获取更多报酬，确保了交易的公平性。 - AI
允许 AI 使用加密数据进行模型训练，保障个人敏感数据和金融信息在链上运算过程中的安全，并满足数据保护的合规性。
由此可见，全同态加密 (FHE) 在 Web3 有巨大的应用潜力，且和现存的隐私技术零知识证明 (ZKP) 与多方计算 (MPC) 并不冲途，甚至可以互补，利用各自的优势为 Web3 提供更加全面的隐私服务。在对全同态加密 (FHE) 有基本的认识后，接下来将带领读者一同了解全同态加密 (FHE) 在 Web3 的发展现况。
