من "الكأس المقدسة" إلى حجر الزاوية: كيف تعمل FHE على إعادة تشكيل نظام الحوسبة الخصوصية Web3؟

المؤلف: Chain View

لقد قلت في العديد من المقالات السابقة أن AI Agent سيكون "الخلاص" للعديد من الروايات القديمة في صناعة التشفير. في الموجة الأخيرة من تطور السرد المتعلق باستقلالية الذكاء الاصطناعي، كان TEE في صدارة الاهتمام العام. ومع ذلك، هناك مفهوم تقني أقل شيوعًا من TEE وحتى ZKP، وهو FHE - التشفير المتماثل تمامًا، والذي سيُعاد إحياءه بفضل الترويج لمسار الذكاء الاصطناعي. فيما يلي، سنوضح المنطق من خلال الأمثلة:

FHE هي تقنية تشفير تتيح إجراء حسابات مباشرة على البيانات المشفرة. تُعتبر بمثابة "الكأس المقدسة". بالمقارنة مع التقنيات الشائعة مثل ZKP وTEE، فهي في وضع غير شائع نسبيًا. يعتمد جوهرها بشكل أساسي على التكاليف العامة وسيناريوهات التطبيق. تركز شبكة مايند نيتورك على البنية التحتية لـ FHE، وقد أطلقت مايند تشين، وهي سلسلة FHE تُركز على وكيل الذكاء الاصطناعي. على الرغم من جمعها أكثر من 10 ملايين دولار أمريكي ومرورها بعدة سنوات من التطوير التقني، إلا أنها لا تزال غير مُقدّرة في السوق نظرًا لقيود FHE نفسها. ومع ذلك، أصدرت Mind Network مؤخرًا العديد من الأخبار السارة حول سيناريوهات تطبيقات الذكاء الاصطناعي. على سبيل المثال، تم دمج حزمة تطوير البرامج FHE Rust التي طورتها في نموذج DeepSeek مفتوح المصدر، مما أصبح حلقة وصل رئيسية في سيناريوهات تدريب الذكاء الاصطناعي، ويوفر أساسًا متينًا لتطبيق ذكاء اصطناعي موثوق. لماذا يُمكن استخدام FHE في حوسبة خصوصية الذكاء الاصطناعي؟ هل يُمكنها تحقيق التفوق أو الاسترداد بمساعدة سردية عميل الذكاء الاصطناعي؟ ببساطة: التشفير المتجانس بالكامل FHE هو تقنية تشفير يمكن تطبيقها مباشرة على بنية السلسلة العامة الحالية، مما يسمح بإجراء حسابات عشوائية مثل الجمع والضرب مباشرة على البيانات المشفرة دون الحاجة إلى فك تشفير البيانات أولاً. بمعنى آخر، يُمكن لتطبيق تقنية FHE تشفير البيانات من المُدخل إلى المُخرج. حتى العُقد التي تُحافظ على توافق السلسلة العامة للتحقق لا يُمكنها الوصول إلى معلومات النص العادي. بهذه الطريقة، يُمكن لتقنية FHE توفير ضمانات تقنية أساسية لتدريب بعض مُختصي الذكاء الاصطناعي في سيناريوهات مُجزأة رأسيًا، مثل الرعاية الطبية والمالية. يمكن أن يصبح FHE حلاً "أمثل" لتدريب نموذج الذكاء الاصطناعي التقليدي الكبير لإثراء وتوسيع السيناريوهات الرأسية والجمع بينها وبين بنية blockchain الموزعة. سواء كان الأمر يتعلق بالتعاون بين المؤسسات في مجال البيانات الطبية أو مراعاة الخصوصية في سيناريوهات المعاملات المالية، فإن FHE يمكن أن يصبح خيارًا مكملًا نظرًا لتميزه. هذا ليس تجريديًا في الواقع، ويمكن فهمه بمثال بسيط: على سبيل المثال، كتطبيق C-end، عادةً ما يكون الجزء الخلفي من AI Agent متصلاً بنماذج الذكاء الاصطناعي الكبيرة التي يوفرها موردون مختلفون بما في ذلك DeepSeek وClaude وOpenAI وما إلى ذلك، ولكن كيف نضمن أنه في بعض سيناريوهات التطبيقات المالية شديدة الحساسية، لن تتأثر عملية تنفيذ AI Agent بالخلفية النموذجية الكبيرة التي تتلاعب فجأة بالقواعد؟ هذا يتطلب حتمًا تشفير مطالبة الإدخال. عندما يقوم مزود خدمة LLMs بحساب ومعالجة النص المشفر مباشرةً، لن يكون هناك أي تدخل أو تعديل قسري يؤثر على نزاهة العملية.

إذن ماذا عن مفهوم "الذكاء الاصطناعي الجدير بالثقة"؟ Trusted AI هي رؤية الذكاء الاصطناعي اللامركزية FHE التي تحاول Mind Network بنائها، بما في ذلك السماح لأطراف متعددة بتحقيق تدريب نموذجي فعال والتفكير من خلال وحدات معالجة الرسوميات ذات القدرة الحاسوبية الموزعة دون الحاجة إلى الاعتماد على الخوادم المركزية، وتزويد وكلاء الذكاء الاصطناعي بالتحقق من الإجماع القائم على FHE. يعمل هذا التصميم على إزالة قيود الذكاء الاصطناعي المركزي الأصلي ويوفر حماية مزدوجة للخصوصية والاستقلالية لتشغيل web3 AI Agent في ظل بنية موزعة.

هذا يتماشى أكثر مع الاتجاه السردي للهندسة المعمارية لسلسلة عامة موزعة خاصة بشركة Mind Network. على سبيل المثال، في المعاملات الخاصة على السلسلة، يمكن لـ FHE حماية خصوصية عملية التفكير والتنفيذ لبيانات Oracle لجميع الأطراف، مما يسمح لوكلاء الذكاء الاصطناعي باتخاذ قرارات تداول مستقلة دون الكشف عن المواقف أو الاستراتيجيات.

إذن، لماذا يقال إن FHE سيكون له مسار اختراق صناعي مماثل لـ TEE، وسيجلب فرصًا مباشرة بسبب انفجار سيناريوهات تطبيق الذكاء الاصطناعي؟ تمكنت TEE من اغتنام فرصة AI Agent سابقًا لأن بيئة أجهزة TEE يمكنها تحقيق استضافة البيانات في حالة خاصة، ثم السماح لـ AI Agent باستضافة مفاتيح خاصة بشكل مستقل، مما يسمح لـ AI Agent بتحقيق سرد جديد لإدارة الأصول المستقلة. ومع ذلك، هناك في الواقع خلل في تخزين TEE للمفاتيح الخاصة: يجب أن تعتمد الثقة على موفري الأجهزة من جهات خارجية (مثل Intel). لكي يعمل TEE، هناك حاجة إلى بنية سلسلة موزعة لإضافة مجموعة إضافية من قيود "الإجماع" المفتوحة والشفافة إلى بيئة TEEs. على النقيض من ذلك، يمكن أن يوجد PHE بالكامل على أساس بنية سلسلة لامركزية دون الاعتماد على طرف ثالث.

تتمتع كلٌّ من تقنية FHE وTEE بمجالات بيئية متشابهة. على الرغم من أن تقنية TEE لا تُستخدم على نطاق واسع في بيئة web3، إلا أنها لطالما كانت تقنية ناضجة جدًا في مجال web2. وبالمقارنة، ستُكتشف قيمة FHE تدريجيًا في كلٍّ من web2 وweb3 مع ظهور هذه الموجة من اتجاهات الذكاء الاصطناعي.

أعلاه. باختصار، يمكننا أن نرى أن FHE، وهي تقنية التشفير التي تعتبر الكأس المقدسة للتشفير، من المؤكد أنها ستصبح واحدة من أحجار الزاوية في الأمن ومن المرجح أن يتم اعتمادها على نطاق واسع تحت فرضية أن الذكاء الاصطناعي هو المستقبل. بالطبع، على الرغم من ذلك، لا يمكننا تجنب مشكلة تكلفة FHE في تنفيذ الخوارزميات. إذا أمكن تطبيقها في سيناريوهات الذكاء الاصطناعي على الويب 2، ثم ربطها بسيناريوهات الذكاء الاصطناعي على الويب 3، فسيؤدي ذلك بالتأكيد إلى ظهور "تأثير الحجم" بشكل غير متوقع، مما يُخفّض التكلفة الإجمالية، مما يسمح باستخدامها على نطاق أوسع.