引言
全同态加密的优势：相较于传统加密算法，其独特的特性在于第三方能够在不解密的情况下，对加密数据进行任意次数的计算和操作，为隐私计算提供全新的可能性。
FHE的定义
全同态加密（Homomorphic Encryption，简称 FHE）：允许对密文进行特定形式的代数运算，得到的结果仍然是加密的，解密后的结果与对明文进行相同运算的结果一致。与零知识证明相比，全同态加密最大的优势在于它赋予云端对加密数据进行计算的能力，从而保护敏感信息免受第三方访问。
全同态加密（FHE）可以拆分开来理解：
FHE中的HE代表同态加密技术，其核心特性在于允许对密文进行计算和操作，而这些操作能够直接映射到明文上，即保持加密数据的数学属性不变；
FHE中的F则意味着这种同态性达到了全新的高度，允许对加密数据进行无限次的计算和操作。
FHE与ZK、MPC的比较
在隐私赛道中，处在行业技术前沿的三种技术是：FHE、ZK和MPC。
全同态加密（FHE）可以对加密的数据进行各种操作，而无需先解密，从而使数据的隐私得到了极高的保护。同时，FHE 为云端计算和区块链等领域提供了强大的安全性保证。
零知识证明（ZK）是一种先进的密码学技术，它在保护数据隐私和确保事实正确性方面发挥着关键作用。通过ZK，一方可以向另一方证明某个陈述的真实性，而无需揭示与该陈述相关的具体数据，从而有效地保护了数据主体的隐私。尤其在建立区块链扩展解决方案中，ZK被广泛应用，如zk-rollups。
多方计算（MPC）是一种基于密码学技术的计算模型，它能够保护参与方的隐私数据，在不暴露私密输入的情况下完成计算任务。MPC技术通过将计算过程分解成多个步骤，并在各个步骤中引入加密和解密操作，从而实现多方参与计算而不泄露私密信息。
通过以上对比可以看出，FHE技术侧重于在不需要解密数据的情况下进行计算，从而保护数据的隐私性；ZK技术注重证明陈述的正确性，同时保护陈述的隐私；MPC技术致力于实现多方安全计算，确保参与者在计算过程中的隐私和安全。
FHE的重要性
更好的保护隐私和安全：FHE通过对数据进行加密，确保数据在处理计算过程中的隐私和安全性，从而防止数据泄露和攻击。这种加密方式利用数学原理和密码学技术，使得在云计算环境中进行安全计算成为可能，在计算的过程总所有人包括数据的处理者，都无法查看数据的原始内容，从而达到不暴露原始数据的目的。
拥有更多的使用场景：FHE可以应用于金融领域的安全数据处理、医疗领域的隐私保护、安全云计算、电子投票、物联网领域的数据安全传输等多个领域。通过FHE技术，各行各业能够实现数据的安全处理和传输，保障用户隐私信息的安全性，推动各行业数字化、智能化发展。所以FHE无论在Web 2还是Web 3中都有比ZK和MPC更广泛的应用落地的场景。
FHE领域的重点项目
Zama
Zama是一家专注于全同态加密技术的项目。
该项目力于开发和推广FHE解决方案，以保护区块链和人工智能领域的数据隐私。全同态加密是Zama的核心技术，这种技术允许对加密数据进行任意计算，而无需解密，从而确保数据在处理过程中的隐私性。Zama提供了一套强大的开源FHE库和解决方案，使得从独立开发人员到大型企业都可以构建端到端加密的应用程序，无需了解任何有关密码学的知识即可开始使用。
Zama的产品和服务主要面向医疗保健、金融服务、广告、国防、生物识别和政府安全等行业。通过其技术，Zama能够为这些行业提供隐私保护的机器学习和智能合约解决方案。此外，Zama还积极参与各种合作项目，以进一步推动其FHE技术的应用。例如，与Mind Network合作，将其Concrete ML解决方案整合到Mind Network的FHE验证网络中，为去中心化AI验证设立新标准。与Privasea合作，共同探索AI、数据安全和ML领域，并基于ZAMA-ConcreteML平台开发一系列隐私保护AI应用。
Zama已经完成了7300万美元的A轮融资，由Multicoin Capital和Protocol Labs领投，Metaplanet、Blockchange Ventures、Vsquared Ventures和Stake Capital等也参与其中。
Fhenix
Fhenix是一个基于以太坊的Layer 2解决方案，通过FHE Rollups和FHE Coprocessors提供支持。
Fhenix完全兼容以太坊虚拟机（EVM），并且对Solidity语言提供全面支持，能够运行基于FHE的智能合约，并实现链上保密计算。与其他方案不同的是，Fhenix不使用zkFHE，而是采用了Optimistic Rollup而非ZK Rollup的方式，同时利用Zama的FHE技术，通过fhEVM实现链上保密性，并专注于TFHE（Threshold FHE）技术的研发和应用。TFHE技术可以在多方参与的情况下实现全同态加密，为保护用户隐私和数据安全提供了更加可靠的解决方案。Fhenix的推出将为以太坊生态系统带来更多隐私保护和安全性，并推动区块链技术在更多领域的应用和发展。
2024 年 4 月 2 日，Fhenix 宣布将与 EigenLayer 合作开发 FHE 协处理器，希望将 FHE 引入智能合约。所谓“FHE 协处理器”，其工作重点是无需先解密信息即可对加密数据进行计算，无需在以太坊、L2 或 L3 上处理 FHE 计算任务，而是由指定的处理器处理。FHE 协处理器将受到 Fhenix 的 FHE Rollup 和 EigenLayer 质押机制的保护。按照路线图，Fhenix 计划于 2025 年 1 月上线主网。
2023 年 9 月，Fhenix 完成 700 万美元种子轮融资，Sora Ventures、Multicoin Capital 和 Collider Ventures 领投，Node Capital、Bankless、HackVC、TaneLabs 和 Metaplanet 等参投。Fhenix项目通过结合全同态加密技术和以太坊L2解决方案，为区块链领域带来了创新的保密计算能力，并且在多个领域展现出广阔的应用潜力。
Secret network
Secret Network是一个致力于隐私的区块链项目，旨在为去中心化应用（DApps）提供隐私保护。该项目允许开发者构建新型的、无权限、可保留隐私的应用程序。
Secret Network是使用Cosmos SDK和Tendermint BFT构建的Layer1区块链，是以隐私为中心的智能合约平台。它是第一个在主网上提供私密智能合约的项目。该项目通过集成Intel SGX（软件保护扩展）技术，增强了其隐私保护能力。Secret Network一开始的名字为Enigma，最初希望依托以太坊生态进行开发，但后来由于性能瓶颈，改为通过Cosmos SDK开发一条独立的支持隐私计算的公链。这条链不仅支持隐私计算，还能够实现与其他Cosmos生态系统的互操作性，将私密性带入广泛的区块链网络。
Secret Network的核心技术创新在于其集成的Intel SGX，这使得它能够在保持区块链透明度的同时，为用户提供数据隐私。Secret Network通过其独特的隐私保护功能，为Web 3.0应用程序提供了数据隐私，推动了去中心化金融等领域的发展。
Sunscreen
Sunscreen 是一家专注于隐私保护的区块链项目，致力于为工程师提供使用 FHE 等密码技术构建和部署私有应用程序的解决方案。
公司已经开源了自己的 FHE 编译器，这是一个基于 Web3 的原生编译器，能够将普通的 Rust 函数转换为具有隐私性的 FHE 等效函数，为算术操作（如 DeFi）提供高性能而无需硬件加速。此外，FHE 编译器还支持 BFV FHE 方案。同时，Sunscreen 正在着手构建与 FHE 编译器兼容的 ZKP 编译器，以确保计算完整性，尽管在证明同态运算时整体速度较慢。另外，公司也在寻求一种去中心化存储系统，用于存储 FHE 密文。
在未来的路线图规划中，Sunscreen 将首先支持测试网中的私有交易，随后支持预先确定的私有程序，并最终允许开发者使用其 FHE 与 ZKP 编译器编写任意私有程序。
2022 年 7 月，Sunscreen 完成了 465 万美元的种子轮融资，由 Polychain Capital 领投，Northzone、Coinbase Ventures、dao5 等也参与了投资，个人投资者包括 Naval Ravikan、Entropy 创始人 Tux Pacific 等。Sunscreen 的联合创始人包括 Ravital Solomon 和隐私网络 NuCypher 的联合创始人 MacLane Wilkison，公司旨在为工程师提供便利，使其能够构建基于全同态加密的应用。此前，Sunscreen 曾获得 57 万美元的 Pre-Seed 轮融资。
Mind network
Mind Network 是一种由 Zama 支持的再质押层，其目标是实现HTTPZ（端到端加密互联网愿景）。
该网络的产品包括适用于 AI 和 DePIN 网络的 FHE 再质押方案 MindLayer、经过 FHE 授权的隐形地址协议 MindSAP 以及基于 FHE 验证器网络创建的 FHE DataLake MindLake。用户可以通过 MindLayer 将 BTC 和 ETH 的 LST 代币再质押到 Mind Network，并引入 FHE 增强验证器以实现端到端加密的验证和计算过程。同时，它引入了专为 AI 机器学习任务设计的智能证明（PoI）共识机制，以确保 FHE 验证者之间的公平安全分配。FHE 计算还可以通过硬件加速。MindLake 是一个用于链上加密数据计算的数据存储 Rollup。
此外，Mind Network 正与 AltLayer、EigenDA、Arbitrum Orbit 一起推出 Rollup 链。Mind Network 的测试网已经上线。 2023 年 6 月，Mind Network 完成了 250 万美元的种子轮融资，投资方包括 Binance Labs、Comma3 Ventures、SevenX Ventures、HashKey Capital、Big Brain Holdings、Arweave SCP Ventures、Mandala Capital 等。同时，它入选了 Binance Labs 的第五季孵化计划，并曾入选 Chainlink BUILD 计划，并拿到以太坊基金会 Fellowship Grant。
Privasea
Privasea是一个整合了全同态加密机器学习（FHEML）的分布式计算网络项目，同时推出了基于FHE技术的DApp“ImHuman”，旨在确保“人脸验证”（PoH）的安全执行。
用户一旦创建了ImHuman账户，如果忘记了密码将无法找回。ImHuman将利用前置摄像头扫描人脸图像，并在手机端进行加密处理，不会发送至任何服务器，Privasea也没有权限访问。加密后的人脸图像将被发送至Privasea服务器，并用于生成个人专属NFT，从而完成人脸验证。通过PoH验证的用户将获得独家空投。目前，ImHuman仅在Google Play上发布，即将登陆App Store。
Privasea还建立了AI DePIN基础设施Privasea AI Network，该测试网络已经启动。通过建立去中心化计算网络，该测试网络为FHE AI任务提供可扩展的分布式计算资源，从而降低集中处理数据的风险。Privasea的FHE方案得到了Zama具体机器学习的支持。 截至2024年3月，Privasea已经完成了500万美元的种子轮融资，参投方包括Binance Labs、Gate Labs、MH Ventures、K300、QB Ventures、CryptoTimes等。在4月份，Privasea完成了新一轮战略融资，参投方包括OKX Ventures、软银参股的孵化器Tanelabs等。
FHE赛道的风险
FHE的效率较低：在现阶段的区块链行业中，由于算力以及算法的限制，ZK技术实现起来都是非常的困难。FHE的所需要的计算能力相比ZK而言大了4-5个数量级（大概是1000-10000倍），所以在现阶段想要全部实现FHE是件非常困难的事。在现阶段只能实现FHE的加法和减法的计算，但是这样仍然需要较大量的计算，这就会导致计算的效率比较低下，并且需要占用大量的算力，成本也随着大幅度的增加。
市场对FHE的需求并不强烈：虽然FHE的采用能够解决一部分行业所面临的问题，但是基于FHE实现的难度较大，成本较高，从而导致了愿意去采用FHE的项目较少。并且对大部分用户来说隐私是不痛不痒的需求，作为公共服务，很少人愿意为隐私溢价付费。市场上对FHE的需求并不强烈，也就导致了各个项目方对FHE开发的意愿并不是很强烈。所以FHE近年来都是处于停滞不前的开发阶段，并没有真正的应用落地。
算力基础设施薄弱：能够实现FHE的基本前提是需要大量的算力，通过对FHE加法计算的实事已经证明，CPU是不能够满足FHE最基本的计算需求的，必须是GPU和ASIC才能够刚刚满足。但是现在全球因为AI行业的兴起，都处在算力短缺的阶段，英伟达的GPU都已经排产到了2025年，并且在Crypto行业中的去中心化算力项目因为算力总量的不足以及带宽和TPS等硬件设备问题不具备开发FHE的条件。在这种算力短缺的大背景下，想要去大规模发展FHE赛道是不现实的。
总结
首先，FHE作为加密学的圣杯，能够通过其独特的算法使得第三方能够在不解密的情况下，对加密数据进行任意次数的计算和操作，为隐私计算提供全新的可能性。FHE技术能够有效保护用户数据隐私，同时实现数据的安全共享和处理。不仅在Crypto行业中，在现实社会的各行各业中也能够起到创新性的作用，为各行各业解决现有的隐私问题。
其次，FHE作为一个早期的赛道，其面临困难也比较多。FHE的效率受限于当前区块链行业中算力和算法的限制，使得FHE技术实现难度重重。尽管FHE能够解决部分行业问题，但其所需的计算能力大约是ZK的1000-10000倍，因此目前只能实现FHE的加法和减法计算，其应用受到市场需求不高和算力基础设施薄弱的影响，使得FHE的发展停滞不前。
总体来说，FHE是一个非常具有前景和开创性的赛道，FHE技术能够有效保护用户数据隐私，同时实现数据的安全共享和处理。但是FEH因为基础设施的受限以及因为效率和成本问题导致的市场需求程度的不高在实现的过程中困难重重。所以FHE未来Crypto行业发展的一个方向但是在现阶段仍处于其早期的阶段并不具备其项目应用落地的条件。
