作者：Poopman
編譯：深潮TechFlow
FHE 開闢了無需解密即可對加密數據進行計算的可能性。
當與區塊鏈、MPC、ZKP（可擴展性）相結合時，FHE 提供了必要的保密性，並實現了各種鏈上用例。
FHE 現狀概述
在本主題中，我將介紹：
FHE的背景
FHE如何運作的？
FHE生態系統的5個領域
當前FHE面臨的挑戰和解決方案
廢話不多說，讓我們開始吧。
FHE 的背景
FHE 於 1978 年首次提出，但由於其計算複雜性，它在相當長的一段時間內並不實用且非常理論化。
直到 2009 年，Craig 才爲 FHE 開發了一個可行的模型，從那時起，它就激起了對 FHE 的研究興趣。
2020 年，TFHE 和 fhEVM 的推出 @zama_fhe 使FHE成爲加密領域的焦點。 從那時起，我們看到了通用 EVM 兼容的 FHE L1/L2 的出現，例如 @FhenixIO 和 @inconetwork FHE 編譯器等 @SunscreenTech 。
FHE是如何運作的？
你可以想象有一個盲盒，裏面有謎題，但是盲盒無法學習有關您給它的謎題的任何信息，但它仍然可以用數學計算結果。
請從我對 FHE 的過於簡化的解釋中瞭解更多信息。
一些 FHE 用例包括：
私有鏈上計算
鏈上數據加密
公共網絡上的私有智能合約
加密 ERC20
私人投票
NFT 盲拍
更安全的 MPC
搶先保護
無需信任的跨鏈橋
FHE 生態系統
總的來說，鏈上FHE的前景可以歸納爲5個方面。
通用FHE
用於特定用例的 FHE/HE（應用）
FHE 加速硬件
FHE 與 AI
“替代解決方案”
通用FHE區塊鏈和工具
它們是在區塊鏈中實現機密性的支柱。這包括 SDK、協處理器、編譯器、新的執行環境、區塊鏈、FHE 模塊。
最具挑戰性的是：將 FHE 引入 EVM，即 fhEVM。
一般用途包括： fhEVM
@zama_fhe
@FhenixIO
@inconetwork
@FairMath
FHE 工具 / Infra：
@octra
@SunscreenTech
@0xfairblock
@DeroProject
@ArciumHQ （ex @elusivprivacy ）
#Shibarium
用於特定用例的 FHE/HE（應用）
@penumbrazone —— 一個跨鏈 cosmos dex（應用鏈），使用 tFHE 進行其屏蔽交換/池。 @zkHoldem —— 撲克遊戲 @MantaNetwork 使用 HE 和 ZKP 來證明遊戲的公平性。
FHE 加速硬件
每當 FHE 用於 FHE-ML 等密集型計算時，自舉以減少噪聲增長至關重要。
硬件加速等解決方案在促進自舉方面發揮着重要作用，其中 ASIC 的表現最佳。
硬件行業的成員包括： @Optalysys@chainreactioni0@Ingo_zk@cysic_xyz每家公司都專門生產芯片、ASIC 和半導體等硬件，這些硬件可以加速 FHE 的引導/計算。
FHE 與 AI
最近，人們對將 FHE 集成到 AI/ML 中的興趣有所增加。
其中，FHE 可以防止機器在處理任何敏感信息時學習任何敏感信息，並通過該過程爲數據、模型和輸出提供機密性。
Ai x FHE 的成員包括： @mindnetwork_xyz
@theSightAI
@getbasedai
@Privasea_ai
“替代性解決方案”
一些人使用 MPC 來保護高價值數據並執行“盲計算”，而不是 FHE，而另一些人則使用 ZKSNARK 來保證加密數據上 FHE 計算的正確性。他們是：@nillionnetwork、@padolabs
當前FHE面臨的挑戰和解決方案
對開發人員還不友好。
目前的情況仍然是缺乏標準化的算法和整體支持的FHE工具。
高計算開銷（成本）
由於噪聲管理和複雜計算的引導，這可能會導致節點中心化。
不安全的鏈上 FHE 風險
要確保任何閾值解密系統的安全性，解密密鑰都要在節點之間分配。然而，由於 FHE 的開銷較大，這可能會導致驗證者的數量較少，從而增加串通的可能性。
解決方案？
可編程 Boostrapping：
它允許在引導過程中應用計算，從而在特定於應用程序的同時提高效率。
硬件加速
開發 ASIC、GPU 和 FPGA 以及 OpenFHE 庫，以加速 FHE 性能。
更好的閾值解密系統
簡而言之，爲了提高鏈上 FHE 的安全性，我們需要一個能夠確保以下方面的系統（可以是 MPC）：
低延遲
降低去中心化節點的進入門檻
容錯性
以下是 @0xArnav 所做的技術性的解釋。
就是這樣了，老實說，這個推文只是冰山一角。關於FHE景觀，還有很多東西需要了解。
