Che cos'è FHE? Zama @zama_fhe ha fatto conoscere il concetto di FHE a più persone, ma la maggior parte delle persone ha ancora poca conoscenza di FHE. Condivido brevemente cosa sia FHE. La crittografia omomorfica (Homomorphic Encryption, HE) è una tecnologia di crittografia avanzata che consente di eseguire calcoli direttamente su dati crittografati, senza dover prima decrittografare i dati. Il risultato del calcolo, una volta decrittografato, è identico al risultato ottenuto eseguendo lo stesso calcolo sui dati in chiaro. Questo è molto utile nel calcolo per la protezione della privacy (come la privacy nel machine learning), poiché i proprietari dei dati possono fornire dati crittografati a terzi per l'elaborazione, senza rivelare i dati originali. La crittografia omomorfica si divide in diversi livelli: Crittografia omomorfica parziale (Partial Homomorphic Encryption, PHE): supporta solo un'operazione, come l'addizione (ad esempio, la crittografia di Paillier) o la moltiplicazione (ad esempio, RSA). Crittografia omomorfica parzialmente (Somewhat Homomorphic Encryption, SWHE): supporta un numero limitato di addizioni e moltiplicazioni. Crittografia omomorfica completa (Fully Homomorphic Encryption, FHE): supporta un numero arbitrario di addizioni e moltiplicazioni, consentendo di eseguire qualsiasi calcolo (poiché qualsiasi calcolo in un computer può essere rappresentato come una combinazione di addizioni e moltiplicazioni). Il principio di FHE: Il principio fondamentale di FHE è che, quando si eseguono operazioni su dati crittografati, la forma crittografata del risultato dell'operazione dovrebbe essere equivalente alla crittografia del risultato dell'operazione sui dati in chiaro. Matematicamente, questo può essere rappresentato nella seguente forma: Se: Enc(m) è la crittografia del messaggio m Allora: Addizione omomorfica: Enc(m1 + m2) = Enc(m1) ⊕ Enc(m2) (⊕ rappresenta l'operazione di addizione nel dominio crittografico) Moltiplicazione omomorfica: Enc(m1 * m2) = Enc(m1) ⊗ Enc(m2) (⊗ rappresenta l'operazione di moltiplicazione nel dominio crittografico)

Progetti/Settori popolari di ottobre - Settore Robotics OpenMind @openmind_agi - Settore FHE zama @zama_fhe - Settore AI Surf_ @Surf_Copilot Allora @AlloraNetwork Sentient @SentientAGI - Settore ZK brevis @brevis_zk - Settore stablecoin noble @noble_xyz - Settore L2 megaeth @megaeth_labs

#可验证计算 Ieri ho ascoltato un modello di business AI che mi ha fatto pensare che il potenziale di valore di modelli verificabili come zkml/zkgpt non sia ancora completamente esplorato, ma che ci voglia tempo per risolvere le questioni di efficienza. Attualmente, nel business delle API AI, un fornitore di servizi Router coordina più modelli o instrada automaticamente i modelli in base ai costi. Questo è di per sé un buon servizio, ma i fornitori di servizi tendono a compromettere la qualità in base ai profitti. Ad esempio, se un utente ha effettivamente chiamato 10 volte GPT5, il fornitore del servizio router, per aumentare i profitti, potrebbe darti 6 volte GPT5 e 4 volte un altro modello a basso costo. Certamente, zkml/zkgpt non è l'unica soluzione a questo tipo di problema. Inoltre, Allora Multi-Model Coordination Network @AlloraNetwork potrebbe non aver ancora affrontato questo aspetto, ma credo che potrebbe considerare di aggiungere un livello di servizio di verifica dei calcoli. Il valore del calcolo verificabile è ancora in fase di sviluppo.