6月17日晚，Mind Network 邀请到了开源密码学公司 ZAMA 的创始人 Rand Hindi 进行独家对话，探讨了关于 FHE技术、应用、对比以及去中心化 AI 的相关内容。参与嘉宾还包括 Mind Network 联合创始人 Christian、Mason、和研究负责人 Ashely，两位均为以太坊基金会fellow。
Zama 是一家开源密码学公司，由 Hindi 和 Pascal Paillier 于 2020 年初共同创立。Paillier 是著名的密码学家，也是全同态加密（FHE）技术的发明者之一，此前曾完成了7300万美元A轮融资。
Mind Network 是第一个用于 AI 和POS网络的全同态加密 (FHE) 再质押层。接受来自 ETH、BTC 和 AI 蓝筹的再质押代币，并作为 FHE 验证网络运行，为去中心化 AI、DePIN、EigenLayer 和 Symbiotic AVS 以及许多关键的 POS 网络提供了共识、数据和加密经济安全。
AMA 回顾链接：https://x.com/mindnetwork_xyz/status/1802725269867757743
FHE AI Network：使用FHE技术的去中心化AI网络，能提供更加安全的共识、更加隐私的AI数据。
HTTPZ：全同态加密互联网，通过FHE全同态加密实现端对端全面加密，确保数据传输和处理过程始终加密。
当前 Web2 AI 框架需要改进的问题是什么？
Rand：
中心化AI的问题主要有两个：
计算的完整性和正确性： 在中心化AI系统中，计算的完整性和正确性存疑。也就是说，由于计算过程和模型参数不透明，我们无法完全信任得到的结果。
保密性和隐私： 个人数据隐私问题尤为突出。例如使用软件时，操作记录对公司可见，企业就成为隐私和数据的单点故障。攻击者针对一个目标即可获取所有信息。
去中心化的优势在于公开验证和数据安全。如果你不信任得到的结果，可以自行验证。这在AI尤其是敏感场景时尤为重要。区块链的去中心化特性使得没有单点故障存在，攻击者无法通过攻击单一目标获得所有信息。
区块链可以解决AI的计算完整性问题，而全同态加密（FHE）可以解决AI的数据隐私问题，这也是我们在和Mind Network合作的方向之一。因此，去中心化加密AI会是未来的发展方向。
FHE、ZK、MPC的区别
Rand：
密码学中，有很多技术应用，尤其在隐私方面，广泛使用的是FHE、ZK和MPC。
零知识证明（ZK）： ZK 是一种非常有趣的技术，但局限在于不能在加密状态下与其他技术结合，无法计算加密结果。只允许在不披露具体值的情况下，证明对这些值进行了某些计算。在区块链上，ZK 无法实现多个合约或用户之间的互操作性。这是因为提供证明的人必须在明文环境中进行计算，从而获得所有数据。这实际上没有解决问题。不过，在扩展性等其他方面，ZK 仍表现出色，比如 zkRollup。
多方安全计算（MPC）： MPC 实际上是一个通用术语，而不是一种单一的技术。MPC 涉及如何在多方之间安全地进行计算，有许多技术可以实现 MPC 的方案。
全同态加密（FHE）： FHE 允许对加密数据直接进行计算，而不需要解密。这在保护数据隐私的同时，确保计算的准确性和完整性。
结合这些技术，我们可以实现更高级的隐私保护。例如，Zama 正在开发的 FHEVM 和加密智能合约，通过使用 FHE 进行计算和加密数据，结合 MPC 来分散数据和实现选择性解密，从而在多用户参与的环境中实现数据的隐私保护。
Mason：
Rand 对于全同态加密（FHE）、零知识证明（ZK）、多方计算（MPC）以及去中心化AI如何解决Web2中未解决的安全和隐私问题，做了很好的解释。补充一点，FHE不仅能解决数据隐私的问题，还可以解决去中心网络公平性的问题。
FHE 允许在加密状态下对去中心网络的投票进行计算，确保了共识计算过程的安全性和结果的公平性。这样，即使节点之间存在不信任，也可以通过加密计算来防止作弊行为。这是 ZK 无法完全实现的，正如 Rand 所说，对于 ZK，仍然需要信任证明者。在需要多用户参与的并且对计算结果有隐私需求的加密应用场景中，FHE 更加适合，尤其是去中心化AI网络。
就像ZAMA的Concrete ML开源库，为AI网络的数据加密提供了基础，而Mind Network使用FHE技术为去中心化AI网络的共识层提供支撑，数据加密加上共识安全，就是我们可以预见的未来AI网络形态。
Zama 的产品介绍
Rand：
我们没有自己的代币，也不像区块链那样运作。我们的目标是构建技术，让其他人能够创建去中心化的协议。我们的主库叫做 TFHE-rs，这是一个用 Rust 编写的全同态加密（FHE）库，包含了 Zama 提供的所有加密实现算法。
此外，我们还开发了 FHEVM，这是一个加密智能合约平台，允许在加密数据上编写 Solidity 智能合约。我们还提供 Concrete ML，它允许在 Python 中直接创建加密的机器学习模型。开发者可以使用 scikit-learn（开源的机器学习库）、PyTorch（开源的深度学习框架） 和 NumPy（科学计算基础库，支持大规模多位数组和矩阵运算），我们会自动将其转换为 FHE 协议。
Zama 的主要焦点是让开发人员能够轻松构建 FHE 应用程序，而无需学习复杂的密码学知识。
另一个关键问题是，过去无法保证加密计算的结果与未加密的结果完全相同。有些可以容忍，但对于区块链应用来说，比如基于智能合约的百万美元转账，必须完全一致，而不是大致满足。
Zama 的技术称为阈值 FHE（tfhe），允许在加密数据上进行计算，并保证加密计算的结果与未加密数据的结果完全相同。因此，作为开发者，不再需要担心近似误差等问题。
Mind Network和ZAMA的合作及其架构
Ashely：
在去中心AI网络中，共识机制是确保网络中各节点达成一致的关键，这往往需要解决两个主要问题：
共识安全和公平性：验证者可能会从其他节点复制，而不是独立进行验证，从而影响共识的完整性。
数据隐私和安全：数据和计算的结果在去中心节点泄露，威胁到共识过程的安全性。
为了提升共识过程的安全性和完整性，Mind Network 引入了全同态加密（FHE）验证网络。加密验证者的数据，确保验证者无法从其他节点复制，必须独立运行计算，从而避免了抄袭行为，增强了计算独立性和数据隐私性。另一方面，由于结果本身加密，只有拥有密钥才能解密，所以攻击者即使获得了存储数据，也无法进行篡改，因为他们无法解密数据。
例如在FHE AI子网中，验证过程如下：
模型验证和排名：各节点独立验证AI模型，并对其进行排名。由于数据是加密的，节点无法看到其他节点的计算结果，从而保证了独立性。
共识达成：节点通过FHE进行加密计算，最终通过加密投票机制达成共识，确保结果的准确性和公平性。
我们和ZAMA的合作价值在于：对于广泛的去中心化AI 网络来说，FHE通过确保独立验证，可以识别出最有价值的模型，从而提供市场真正需要的用例。同时FHE计算可以保证去中心节点中数据的安全和隐私。
这意味着我们和ZAMA在共同构建的FHE AI网络可以支持更多高价值的场景，如投资策略的计算、生物信息的分析等，真正让数据和模型的拥有者掌握所有权和收益。
关于FHE AI Network的介绍和应用
Rand：
Concrete ML 是我们最令人印象深刻的产品之一。
几年前，我告诉我的团队：“伙计们，你们认为我们可以写一个非 scikit-learn 或 PyTorch 程序，并在 FHE 上运行吗？” 他们看着我说，这几乎是不可能的，因为我们基本上要求将 Python 转换为 FHE 等价，但是我们做到了。
我们有一个特殊的编译器，它将 Python 代码转换为等效的 FHE 操作电路，这些电路针对性能和安全性进行了优化。因此，最终得到的实际上是一个可执行文件，可以在任何运行加密数据的机器上运行它。
您可以用它做很多事情。我们在 Hugging Face 上有一些演示，例如使用 Concrete ML 进行图像处理。
比如说，有一张图片，需要调整大小、应用滤镜，也许还需要模糊一些不想展示的部分。这些都可以直接完成，而无需看到实际的图像内容。
另一个关于医疗数据的例子，你可以上传加密的医疗记录，以便根据选择的 AI 模型进行自动诊断，而无需透露任何关于数据的信息。
FHE是一个革命性的技术，在去中心化和AI领域有着无比强大的前景，非常期待和Mind Network合作来探索更多FHE AI的使用场景。
Christian：我来总结一下，ZAMA提供了很多开箱即用的开源产品，为FHE作出了非常大的贡献。其中ConcreteML解决了AI数据隐私和开发易用性的问题，Mind Network的FHE Validation Network解决了去中心AI网络的安全和公平性问题。FHE技术和AI网络的结合，将是AI网络未来的可预见发展。
ZAMA和Mind Network的合作将带来革命性的去中心化FHE AI计算范式，让我们向我们的终极愿景HTTPZ全加密互联网更进一步！
双方还将进一步推进合作，于7月9日在ETH CC期间举办How to Build FHE AI的workshop。
活动报名链接：https://lu.ma/zxmz7vzb
