加密與人工智能背景下的全同態(tài)加密！全同態(tài)加密（FHE）技術(shù)幫助人工智能解決了隱私難題，所以未來，全同態(tài)加密將是人工智能的圣杯！A 希望在 Netflix 和 Amazon 上獲得高度個性化的推薦。B 不希望 Netflix 或 Amazon 了解他們的偏好。

在當(dāng)今的數(shù)字時代，我們享受著亞馬遜和 Netflix 等服務(wù)帶來的個性化推薦便利，這些推薦精準(zhǔn)地迎合了我們的趣味。然而，這些平臺深入我們私人生活的行為正引發(fā)越來越多的不安。我們渴望在不犧牲隱私的前提下享受定制化服務(wù)。過去，這似乎是一個悖論：如何在不對基于云的人工智能系統(tǒng)分享大量個人數(shù)據(jù)的情況下實現(xiàn)個性化。全同態(tài)加密（FHE）提供了一個解決方案，使得我們能夠兼得魚與熊掌。下面一起和腳本之家小編詳細(xì)了解下吧！

人工智能即服務(wù)（AIaaS）

人工智能（AI）如今在應(yīng)對包括計算機視覺、自然語言處理（NLP）和推薦系統(tǒng)在內(nèi)的多個領(lǐng)域的復(fù)雜挑戰(zhàn)中扮演著關(guān)鍵角色。然而，這些 AI 模型的發(fā)展給普通用戶帶來了重大挑戰(zhàn)：

1.數(shù)據(jù)量：構(gòu)建精確模型往往需要龐大的數(shù)據(jù)集，有時甚至?xí)_(dá)到千萬億字節(jié)的規(guī)模。

2.計算能力：像轉(zhuǎn)換器這樣的復(fù)雜模型需要數(shù)十個 GPU 的強大算力，通常連續(xù)運行數(shù)周。

3.領(lǐng)域?qū)ｉL：這些模型的微調(diào)需要深厚的專業(yè)知識。

這些障礙使得大多數(shù)用戶難以獨立開發(fā)強大的機器學(xué)習(xí)模型。

實際應(yīng)用中的 AI 即服務(wù)流水線

進(jìn)入 AI 即服務(wù)（AIaaS）時代，這一模式通過提供由科技巨頭（包括 FAANG 成員）管理的云服務(wù)，讓用戶得以接觸到最先進(jìn)的神經(jīng)網(wǎng)絡(luò)模型，從而克服了上述障礙。用戶只需將原始數(shù)據(jù)上傳至這些平臺，數(shù)據(jù)便會在平臺上被處理，進(jìn)而生成富有洞察力的推斷結(jié)果。AIaaS 有效地普及了高質(zhì)量機器學(xué)習(xí)模型的使用權(quán)，將先進(jìn)的 AI 工具開放給更廣泛的群體。然而，遺憾的是，當(dāng)今的 AIaaS 在帶來這些便利的同時，卻犧牲了我們的隱私。

人工智能即服務(wù)中的數(shù)據(jù)隱私

目前，數(shù)據(jù)僅在從客戶端傳輸?shù)椒?wù)器的過程中進(jìn)行加密。服務(wù)器能夠訪問輸入數(shù)據(jù)以及基于這些數(shù)據(jù)所做的預(yù)測。

在 AI 即服務(wù)過程中，服務(wù)器能夠訪問輸入和輸出數(shù)據(jù)。這種情況使得普通用戶共享敏感信息（如醫(yī)療和財務(wù)數(shù)據(jù)）變得復(fù)雜。諸如 GDPR 和 CCPA 之類的法規(guī)加劇了這些擔(dān)憂，因為它們要求用戶在數(shù)據(jù)被共享之前明確同意，并保證用戶有權(quán)了解其數(shù)據(jù)如何被使用。GDPR 還進(jìn)一步規(guī)定了傳輸過程中數(shù)據(jù)的加密和保護(hù)。這些法規(guī)設(shè)定了嚴(yán)格的標(biāo)準(zhǔn)，以確保用戶的隱私和權(quán)利，倡導(dǎo)對個人信息有明確的透明度和控制。鑒于這些要求，我們必須在 AI 即服務(wù)（AIaaS）流程中開發(fā)強大的隱私機制，以維護(hù)信任和合規(guī)性。

FHE 解決問題

通過對 a 和 b 進(jìn)行加密，我們可以確保輸入數(shù)據(jù)保持私密性。

全同態(tài)加密（FHE）為云計算中關(guān)聯(lián)的數(shù)據(jù)隱私問題提供了解決方案。FHE 方案支持密文加法和乘法等操作。其概念簡單明了：兩個加密值之和等于這兩個值之和的加密結(jié)果，乘法亦然。

實際操作中，其工作原理如下：用戶在本地對明文值?和?執(zhí)行加法運算。隨后，用戶加密?和?，并將密文發(fā)送至云服務(wù)器。服務(wù)器能夠在加密值上（同態(tài)地）執(zhí)行加法運算并返回結(jié)果。從服務(wù)器解密得到的結(jié)果將與?和?的本地明文加法結(jié)果一致。這一過程既保障了數(shù)據(jù)隱私，又允許在云端進(jìn)行計算。

基于全同態(tài)加密的深度神經(jīng)網(wǎng)絡(luò)（DNN）

除了基本的加法和乘法運算外，在 AI 即服務(wù)流程中，利用全同態(tài)加密（FHE）進(jìn)行神經(jīng)網(wǎng)絡(luò)處理的技術(shù)已取得顯著進(jìn)展。在此背景下，用戶可以將原始輸入數(shù)據(jù)加密成密文，并僅將這些加密數(shù)據(jù)傳輸至云服務(wù)器。服務(wù)器隨后對這些密文進(jìn)行同態(tài)計算，生成加密輸出，并將其返回給用戶。關(guān)鍵在于，只有用戶持有私鑰，使其能夠解密并訪問結(jié)果。這構(gòu)建了一個端到端的 FHE 加密數(shù)據(jù)流，確保用戶數(shù)據(jù)在整個過程中的隱私安全。

基于全同態(tài)加密的神經(jīng)網(wǎng)絡(luò)在 AI 即服務(wù)中為用戶提供了顯著的靈活性。一旦密文被發(fā)送到服務(wù)器，用戶便可離線，因為客戶端與服務(wù)器之間無需頻繁通信。這一特性對物聯(lián)網(wǎng)設(shè)備尤為有利，它們通常在限制條件下運行，頻繁通信往往不切實際。

然而，值得注意的是全同態(tài)加密（FHE）的局限性。其計算開銷巨大；FHE 方案本質(zhì)上耗時、復(fù)雜且資源密集。此外，F(xiàn)HE 目前難以有效支持非線性操作，這對神經(jīng)網(wǎng)絡(luò)的實現(xiàn)構(gòu)成了挑戰(zhàn)。這一限制可能會影響基于 FHE 構(gòu)建的神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確性，因為非線性操作對這類模型的性能至關(guān)重要。

K.-Y. Lam, X. Lu, L. Zhang, X. Wang, H. Wang, 和 S. Q. Goh 所著的 "基于高效全同態(tài)加密的隱私增強神經(jīng)網(wǎng)絡(luò)在 AI 即服務(wù)中的應(yīng)用"，在南洋理工大學(xué)（新加坡）和中國科學(xué)院（中國）發(fā)表。

(Lam 等人，2024 年)描述了一種用于 AI 即服務(wù)的隱私增強神經(jīng)網(wǎng)絡(luò)協(xié)議。該協(xié)議首先通過使用誤差學(xué)習(xí)(LWE)來定義輸入層的參數(shù)。LWE 是一種加密原語，用于通過加密來保護(hù)數(shù)據(jù)，使得無需先解密即可對加密數(shù)據(jù)進(jìn)行計算。對于隱藏輸出層，參數(shù)則通過環(huán) LWE(RLWE)和環(huán) GSW(RGSW)來定義，這兩種高級加密技術(shù)擴(kuò)展了 LWE，以實現(xiàn)更高效的加密操作。

公共參數(shù)包括分解基 ?  及 ? ? ? 給定一個輸入向量 ?  長度為 ? , 一組 ?  LWE 密文 ( ? ? , ? ? ) 為每個元素 ? [ ? ] 生成了使用 LWE 私鑰 ? ，關(guān)于 ? 的評估密鑰為索引生成 ? [ ? ] > 0 及 ? [ ? ] < 0 此外，還針對 ? 設(shè)置了一組 LWE 切換密鑰。這些密鑰支持在不同加密方案間進(jìn)行高效切換。

輸入層被指定為第 0 層，輸出層為第 ? 層對于每一層 ? 從 1 到 ? 神經(jīng)元數(shù)量為 ? ? 在第 0 層已確定。權(quán)重矩陣 ? ? 偏置向量 ? ?  從第 0 層開始 在第 0 層上疊加被定義。對于每個神經(jīng)元 ? 從 0 到 ? ? − 1 來自第 ? − 1 層的 LWE 密文在同態(tài)加密下進(jìn)行評估。這意味著計算是在加密數(shù)據(jù)上執(zhí)行的，以計算 ? 中的線性函數(shù)。第 ? 層中的第-th 個神經(jīng)元，結(jié)合權(quán)重矩陣和偏置向量。隨后，在 ? 中評估查找表（LUT）。-th 神經(jīng)元，以及從 ? ′ 的切換 到較小的 ? 執(zhí)行操作后，接著對結(jié)果進(jìn)行舍入和重新縮放。該結(jié)果被納入第 ? 層 LWE 密文集合中。

最后，協(xié)議將 LWE 密文返回給用戶。用戶隨后可以使用私鑰 ? 解密所有密文。查找推理結(jié)果。

此協(xié)議通過利用全同態(tài)加密（FHE）技術(shù)，高效實現(xiàn)了隱私保護(hù)的神經(jīng)網(wǎng)絡(luò)推理。FHE 允許在加密數(shù)據(jù)上進(jìn)行計算，而不向處理服務(wù)器泄露數(shù) 據(jù)本身，確保了數(shù)據(jù)隱私的同時，提供了 AI 即服務(wù)的優(yōu)勢。

AI 中全同態(tài)加密的應(yīng)用

FHE（全同態(tài)加密）使得在加密數(shù)據(jù)上進(jìn)行安全計算成為可能，不僅開拓了眾多新的應(yīng)用場景，同時確保了數(shù)據(jù)的隱私性和安全性。

廣告中的消費者隱私：（Armknecht 等人，2013 年）提出了一種創(chuàng)新的推薦系統(tǒng)，該系統(tǒng)利用全同態(tài)加密（FHE）。此系統(tǒng)能夠在向用戶提供個性化推薦的同時，確保這些推薦內(nèi)容對系統(tǒng)本身完全保密。這保證了用戶偏好信息的私密性，有效解決了定向廣告中的重大隱私問題。

醫(yī)療應(yīng)用：（Naehrig 等人，2011 年）為醫(yī)療保健行業(yè)提出了一個引人注目的方案。他們建議使用全同態(tài)加密（FHE）持續(xù)將患者的醫(yī)療數(shù)據(jù)以加密形式上傳至服務(wù)提供商。這一做法確保了敏感的醫(yī)療信息在其整個生命周期內(nèi)保持機密性，既增強了患者隱私保護(hù)，又使得醫(yī)療機構(gòu)能夠無縫進(jìn)行數(shù)據(jù)處理和分析。

數(shù)據(jù)挖掘：挖掘大型數(shù)據(jù)集能夠產(chǎn)生重大洞見，但往往以用戶隱私為代價。（Yang, Zhong, 和 Wright, 2006）通過在全同態(tài)加密（FHE）背景下應(yīng)用函數(shù)加密解決了這一問題。這種方法使得從龐大的數(shù)據(jù)集中提取有價值的信息成為可能，同時不損害被挖掘數(shù)據(jù)個體隱私的安全性。

財務(wù)隱私：設(shè)想一個場景，一家公司擁有敏感數(shù)據(jù)和專有算法，必須保密。（Naehrig 等人，2011 年）建議采用同態(tài)加密來解決這一問題。通過應(yīng)用全同態(tài)加密（FHE），公司能夠在不暴露數(shù)據(jù)或算法的情況下，對加密數(shù)據(jù)進(jìn)行必要的計算，從而確保財務(wù)隱私和知識產(chǎn)權(quán)的保護(hù)。

法醫(yī)圖像識別：（Bosch 等，2014）描述了一種利用全同態(tài)加密（FHE）外包法醫(yī)圖像識別的方法。這一技術(shù)對執(zhí)法機構(gòu)尤其有益。通過應(yīng)用 FHE，警方及其他機構(gòu)能夠在不暴露圖像內(nèi)容的情況下，檢測硬盤上的非法圖像，從而保護(hù)調(diào)查中數(shù)據(jù)的完整性和機密性。

從廣告和醫(yī)療保健到數(shù)據(jù)挖掘、金融安全和執(zhí)法，全同態(tài)加密有望徹底改變我們在各個領(lǐng)域處理敏感信息的方式。隨著我們不斷發(fā)展和完善這些技術(shù)，在一個日益數(shù)據(jù)驅(qū)動的世界中保護(hù)隱私和安全的重要性再怎么強調(diào)也不為過。

全同態(tài)加密（FHE）的局限性

盡管具有潛力，我們?nèi)孕杞鉀Q一些關(guān)鍵限制

• 多用戶支持：全同態(tài)加密（FHE）允許對加密數(shù)據(jù)進(jìn)行計算，但在涉及多個用戶的場景中，復(fù)雜性成倍增加。通常，每個用戶的數(shù)據(jù)會使用唯一的公鑰進(jìn)行加密。管理這些不同的數(shù)據(jù)集，尤其是在大規(guī)模環(huán)境中考慮到 FHE 的計算需求，變得不切實際。為此，研究人員如 Lopez-Alt 等人于 2013 年提出多密鑰 FHE 框架，允許對使用不同密鑰加密的數(shù)據(jù)集進(jìn)行同時操作。這種方法雖然前景看好，但引入了額外的復(fù)雜層級，并需要在密鑰管理和系統(tǒng)架構(gòu)方面進(jìn)行精細(xì)協(xié)調(diào)，以確保隱私和效率。

• 大規(guī)模計算開銷：全同態(tài)加密（FHE）的核心在于其能夠在加密數(shù)據(jù)上執(zhí)行計算。然而，這一能力伴隨著巨大的代價。與傳統(tǒng)的未加密計算相比，F(xiàn)HE 操作的計算開銷顯著增加。這種開銷通常表現(xiàn)為多項式形式，但涉及高次多項式，加劇了運行時間，使其不適用于實時應(yīng)用。針對 FHE 的硬件加速代表了巨大的市場機遇，旨在降低計算復(fù)雜性并提高執(zhí)行速度。

• 有限操作：近期進(jìn)展確實拓寬了全同態(tài)加密的應(yīng)用范圍，使其能支持更多種類的運算。然而，它主要仍適用于線性和多項式計算，這對涉及復(fù)雜非線性模型（如深度神經(jīng)網(wǎng)絡(luò)）的人工智能應(yīng)用而言，是一個重大限制。這些 AI 模型所需的操作在當(dāng)前全同態(tài)加密框架下實現(xiàn)高效執(zhí)行頗具挑戰(zhàn)。盡管我們正取得進(jìn)展，但全同態(tài)加密的操作能力與先進(jìn) AI 算法需求之間的差距，仍是亟待突破的關(guān)鍵障礙。

加密與人工智能背景下的全同態(tài)加密

以下是一些致力于在加密領(lǐng)域利用全同態(tài)加密（FHE）進(jìn)行 AI 應(yīng)用的公司：

• Zama 提供 Concrete ML，這是一套開源工具，旨在簡化數(shù)據(jù)科學(xué)家使用全同態(tài)加密（FHE）的過程。Concrete ML 能夠?qū)C器學(xué)習(xí)模型轉(zhuǎn)換為其同態(tài)等價形式，從而實現(xiàn)對加密數(shù)據(jù)的保密計算。Zama 的方法使得數(shù)據(jù)科學(xué)家無需深入的密碼學(xué)知識就能利用 FHE，這在醫(yī)療和金融等對數(shù)據(jù)隱私至關(guān)重要的領(lǐng)域尤為有用。Zama 的工具在保持敏感信息加密的同時，促進(jìn)了安全的數(shù)據(jù)分析和機器學(xué)習(xí)。

• Privasee 專注于構(gòu)建一個安全的 AI 計算網(wǎng)絡(luò)。他們的平臺利用全同態(tài)加密（FHE）技術(shù)，使得多方能夠在不泄露敏感信息的情況下進(jìn)行協(xié)作。通過使用 FHE，Privasee 確保用戶數(shù)據(jù)在整個 AI 計算過程中保持加密狀態(tài)，從而保護(hù)隱私并遵守如 GDPR 等嚴(yán)格的數(shù)據(jù)保護(hù)法規(guī)。他們的系統(tǒng)支持多種 AI 模型，為安全數(shù)據(jù)處理提供了一個多功能的解決方案。

• Octra 將加密貨幣與人工智能相結(jié)合，以提升數(shù)字交易安全性和數(shù)據(jù)管理效率。通過融合全同態(tài)加密（FHE）與機器學(xué)習(xí)技術(shù)，Octra 致力于增強去中心化云存儲的安全性與隱私保護(hù)。其平臺通過運用區(qū)塊鏈、密碼學(xué)及人工智能技術(shù)，確保用戶數(shù)據(jù)始終處于加密且安全的狀態(tài)。這一策略為去中心化經(jīng)濟(jì)中的數(shù)字交易安全與數(shù)據(jù)隱私構(gòu)建了堅實的框架。

• Mind Network 將全同態(tài)加密（FHE）與人工智能結(jié)合，實現(xiàn)人工智能處理過程中的安全加密計算，無需解密。這促進(jìn)了隱私保護(hù)的、去中心化的人工智能環(huán)境，無縫融合了加密安全與人工智能功能。這種方法不僅保護(hù)了數(shù)據(jù)的機密性，還實現(xiàn)了無需信任、去中心化的環(huán)境，其中人工智能操作可以在不依賴中央權(quán)威或暴露敏感信息的情況下進(jìn)行，有效結(jié)合了 FHE 的加密強度與人工智能系統(tǒng)的操作需求。

在全同態(tài)加密（FHE）、人工智能（AI）和加密貨幣領(lǐng)域前沿運營的公司數(shù)量仍然有限。這主要是因為有效實施 FHE 需要巨大的計算開銷，要求強大的處理能力以高效執(zhí)行加密計算。

FHE 目前還在發(fā)展初期，我將簡單介紹 5 個具有潛力的 FHE 項目

1) Inco

Inco是一個模塊化的機密性即服務(wù)（confidentiality-as-a-service）區(qū)塊鏈，它是兼容 EVM 的 L1，完全由 FHE 提供支持。

Inco 此前完成了由 1kx 領(lǐng)投的 450 萬美元種子輪融資。

催化劑和要點：

• 在基礎(chǔ)層提供隱私性是一個強大的價值主張，可以吸引眾多注重隱私的 DApp。
• 數(shù)據(jù)可用性層的引入徹底改變了像 Celestia 等模塊化項目的生態(tài)系統(tǒng)。保密層預(yù)計會產(chǎn)生類似的、甚至更大的吸引力。
• 與 Zama 合作，Polygon 聯(lián)合創(chuàng)始人是其顧問，將通過 EigenLayer（實際上是 AVS）借用以太坊的安全性。

2) Mind Network

Mind是提供安全和數(shù)據(jù)隱私零信任層（ Zero Trust Layer），旨在促進(jìn)真正的 CrossFi 擴(kuò)展。

Mind 完成了 Binance Labs 領(lǐng)投的 250 萬美元種子輪融資。

催化劑和要點：

• 構(gòu)建互聯(lián)網(wǎng)基礎(chǔ)設(shè)施，使全球公民能夠控制自己的數(shù)據(jù)。
• 測試網(wǎng)已上線，并且可能會對測試網(wǎng)進(jìn)行激勵。
• 由 Zama 提供支持。
• 第一個用例是 MindLake，這是一個開創(chuàng)性的數(shù)據(jù)存儲 Rollup，旨在對去中心化平臺上的加密數(shù)據(jù)進(jìn)行計算。

3) Fhenix

Fhenix是第一個基于 Rollup 的 FHE 架構(gòu)，旨在解決由于廣泛的執(zhí)行要求和可擴(kuò)展性限制而在 L1 上執(zhí)行 FHE 計算的挑戰(zhàn)。

催化劑和要點：

• Optimistic FHE Rollup 可以在以太坊上構(gòu)建，無需修改基礎(chǔ)層，這意味著以太坊中的每個智能合約都可以通過 FHE Rollup 解決方案增強隱私性。
• 與 Zama 合作推出 fhEVM 基礎(chǔ)設(shè)施。
• 測試網(wǎng)即將上線。
• 在我看來，F(xiàn)henix 簡化了機密智能合約的部署，這對于開發(fā)人員的采用至關(guān)重要。

4) Privasea

Privasea是一個利用 FHE 來確保 AI 計算過程中的隱私和安全的網(wǎng)絡(luò)。

Privasea 完成了 Binance Labs 領(lǐng)投的 500 萬美元種子輪融資。

催化劑和要點：

• Genesis NFT 詳情即將公布，持有者能夠獲得空投。
• 為 DePIN+AI 提供隱私計算 FHE 解決方案，將所有熱點組合成一個合法有前景的項目，項目代幣可能會帶來很高的回報。
• 正在開發(fā)另一個用于安全和私密用戶驗證的 DApp，確保 KYC 流程中的隱私，不暴露個人詳細(xì)信息，但在必要時保持可審計。
• 由 Zama 提供支持。

5) Optalysys

Optalysys正在構(gòu)建下一代計算處理能力，我認(rèn)為這是一個非常有前途的項目，是 FHE 領(lǐng)域的「鏟子」。

結(jié)語

全同態(tài)加密（FHE）通過允許在未解密的情況下對加密數(shù)據(jù)進(jìn)行計算，為增強 AI 中的隱私提供了一種有前景的方法。這一能力在醫(yī)療和金融等對數(shù)據(jù)隱私至關(guān)重要的敏感領(lǐng)域尤為寶貴。然而，F(xiàn)HE 面臨重大挑戰(zhàn)，包括高計算開銷以及在處理深度學(xué)習(xí)所必需的非線性操作方面的局限性。盡管存在這些障礙，F(xiàn)HE 算法和硬件加速的進(jìn)步正在為 AI 中更實用的應(yīng)用鋪平道路。該領(lǐng)域的持續(xù)發(fā)展有望極大提升安全、保護(hù)隱私的 AI 服務(wù)，平衡計算效率與強大的數(shù)據(jù)保護(hù)。

以上就是腳本之家小編給大家分享的為什么全同態(tài)加密(FHE)是AI人工智能的圣杯的詳細(xì)解讀了，希望大家喜歡！