Vad är FHE? Zama @zama_fhe har exponerat fler människor för begreppet FHE, men de flesta vet fortfarande inte mycket om FHE. Homomorfisk kryptering (HE) är en avancerad krypteringsteknik som gör det möjligt att utföra beräkningar direkt på krypterad data utan att först dekryptera data. Efter dekrypteringen överensstämmer beräkningsresultaten med resultaten av samma beräkningar på klartextdata. Detta är användbart vid integritetsbevarande databehandling (t.ex. maskininlärningssekretess), där dataägare kan lämna över krypterade data till tredje part för bearbetning utan att avslöja ursprungliga data. Homomorfisk kryptering är indelad i flera nivåer: Partiell homomorfisk kryptering (PHE): Endast en operation stöds, till exempel addition (t.ex. Paillier-kryptering) eller multiplikation (t.ex. RSA). Något homomorfisk kryptering (SWHE): Stöder ett begränsat antal additioner och multiplikationer. Helt homomorfisk kryptering (FHE): Stöder valfritt antal additioner och multiplikationer, vilket möjliggör godtyckliga beräkningar (eftersom alla beräkningar i datorn kan representeras av en kombination av addition och multiplikation). Principen för FHE: Grundläggande principer för FHE Kärnidén med FHE är att när man utför operationer på krypterad data ska krypteringsformen för operationsresultatet vara likvärdig med krypteringen av klartextoperationsresultatet. Matematiskt kan detta uttryckas i form av: Om: Enc(m) är en kryptering av m i klartext Så: Additiv homomorfism: Enc(m1 + m2) = Enc(m1) ⊕ Enc(m2) (⊕ representerar additionsoperationen för den krypterade domänen) Multiplicera homomorfism: Enc(m1 * m2) = Enc(m1) ⊗ Enc(m2) (⊗ representerar en multiplikationsoperation för den kryptografiska domänen)

Populära låtar/evenemang i oktober -Robotikspår OpenMind @openmind_agi -FHE Circuit zama @zama_fhe -AI Track Surf_ @Surf_Copilot Allora @AlloraNetwork Sentient @SentientAGI -ZK spår brevis @brevis_zk -Stablecoin-spår Noble @noble_xyz -L2 spår Megaeth @megaeth_labs

#可验证计算 Igår hörde jag talas om en AI-affärsmodell, vilket fick mig att känna att värdepotentialen för verifierbara modeller som zkml/zkgpt ännu inte har utnyttjats fullt ut, men att det fortfarande behöver tid för att lösa effektiviteten. I AI API-branschen finns nu en routertjänst som samordnar flera modeller eller automatiskt dirigerar modeller baserat på kostnad. Detta är en bra tjänst i sig, men servicesidan blir ofta usel på grund av vinster etc. Till exempel, om användaren ringer GPT5 10 gånger, kommer routertjänsten att ge dig GPT5 6 gånger och en annan lågkostnadsmodell 4 gånger för att öka vinsten. Naturligtvis är zkml/zkgpt inte den enda lösningen och den enda lösningen på denna typ av problem. Alloras samordningsnätverk med flera modeller @AlloraNetwork kanske inte är involverat i den här delen ännu, men jag tror att han faktiskt kan överväga att lägga till det här lagret av beräkningsverifieringstjänster. Värdet av verifierbar databehandling är fortfarande på väg.