성배에서 초석으로: FHE가 Web3 개인정보 보호 컴퓨팅 생태계를 어떻게 재편하고 있나요?

저자: Chain View

전에도 여러 기사에서 AI 에이전트가 암호화폐 업계의 오래된 이야기에 대한 "구원"이 될 것이라고 말씀드린 바 있습니다. AI 자율성에 대한 이야기의 마지막 진화 물결에서 TEE가 한때 각광을 받았지만, TEE보다 훨씬 더 "차가운" 또 다른 기술 개념인 FHE(완전 동형 암호화)가 있으며, 심지어 ZKP도 AI 트랙의 추진으로 인해 "다시 태어날 것"입니다. "재탄생".

FHE는 암호화된 데이터를 직접 계산할 수 있는 암호화 기술로, ZKP나 TEE와 같이 널리 알려진 기술 서술에 비해 "성배"로 간주됩니다. ZKP 및 TEE와 같이 널리 알려진 기술 설명에 비해 상대적으로 모호하며, 그 핵심은 주로 오버헤드와 애플리케이션 시나리오에 의해 제한됩니다.

마인드 네트워크는 정확히 FHE의 인프라에 초점을 맞추고 있으며, 천만 달러 이상의 자금을 조달했음에도 불구하고 AI 에이전트에 초점을 맞춘 FHE 체인인 MindChain을 출시했으며, 또한 수년간의 기술 배양을 경험했지만 FHE 자체의 한계로 인해 시장의 관심은 여전히 과소평가되고 있습니다.

그러나 최근 마인드 네트워크는 AI 애플리케이션 시나리오와 관련하여 많은 희소식을 발표했는데, 예를 들어 FHE Rust SDK가 오픈 소스 모델인 DeepSeek에 통합되어 AI 훈련 시나리오의 핵심 부분이 되어 신뢰할 수 있는 AI 실현을 위한 안전한 기반을 제공하게 되었습니다. . FHE가 AI 프라이버시 컴퓨팅에 변화를 가져올 수 있는 이유는 무엇이며, AI 에이전트 내러티브를 통해 구부리거나 구속할 수 있을까요?

단순히 말해, FHE 완전 동형 암호화는 현재의 퍼블릭 체인 아키텍처 위에 바로 적용할 수 있는 암호화 기술로, 데이터를 먼저 해독할 필요 없이 암호화된 데이터에서 덧셈과 곱셈 같은 임의의 연산을 수행할 수 있게 해줍니다.

즉, FHE 기술을 적용하면 입력부터 출력까지 전 과정에서 데이터를 암호화할 수 있고, 검증을 위해 퍼블릭 체인의 컨센서스를 유지하는 노드조차 평문 정보에 접근할 수 없기 때문에 의료, 금융 등의 수직 세분화 시나리오에서 AI LLM의 학습에 FHE 기술을 제공할 수 있게 됩니다. 보증의 최하위 계층.

이를 통해 FHE는 블록체인 분산 아키텍처를 결합할 뿐만 아니라 풍부하고 확장된 수직 시나리오에서 기존의 AI 대규모 모델 훈련에 "선호되는" 솔루션이 될 수 있습니다. 의료 데이터에 대한 기관 간 협업이든 금융 거래 시나리오에 대한 개인정보 추론이든, FHE는 보완적인 옵션으로 독보적으로 적합합니다.

이것은 사실 추상적이지 않으며, 간단한 예를 통해 이해할 수 있습니다. 예를 들어, 최고 경영진 애플리케이션인 AI 에이전트는 일반적으로 딥시크, 클로드, OpenAI 등 여러 공급업체에서 제공하는 AI 모델을 백그라운드에서 사용할 수 있지만 여러 민감한 금융 애플리케이션 시나리오에서 AI 에이전트가 사용될 수 있도록 보장하는 방법과 여러 민감한 금융 시나리오에서 AI 에이전트가 사용될 수 있도록 보장하는 방법에 대해 설명합니다. 금융 애플리케이션 시나리오에서 AI 에이전트의 실행 프로세스가 갑자기 규칙을 변경하는 대규모 모델 백엔드의 영향을 받지 않도록 보장하는 방법은 무엇인가요? 이를 위해서는 필연적으로 입력 프롬프트가 암호화되어야 하며, LLM 서비스 제공자가 직접 암호 텍스트를 계산하고 처리할 때 공정성에 영향을 줄 수 있는 변경 사항에 대한 강제 간섭이 없어야 합니다.

신뢰할 수 있는 AI의 또 다른 개념은 무엇인가요? 트러스티드 AI는 여러 당사자가 중앙 서버에 의존하지 않고 분산 연산 GPU를 통해 효율적인 모델 훈련과 추론을 수행하고, AI 에이전트에 FHE 기반 합의 검증을 제공하는 등 분산형 AI의 FHE 비전을 구축하기 위한 마인드 네트워크의 시도입니다. 이러한 설계는 기존 중앙집중식 AI의 한계를 없애고, 분산 아키텍처에서 작동하는 Web3 AI 에이전트에 이중 프라이버시 + 자율성을 제공합니다.

이는 마인드 네트워크의 자체 분산형 퍼블릭 체인 아키텍처의 내러티브 방향과 더 일치합니다. 예를 들어, 특별한 온체인 거래 프로세스에서 FHE는 모든 당사자의 오라클 데이터 추론 및 실행 프로세스의 프라이버시를 보호하고, AI 에이전트가 포지션이나 전략을 노출하지 않고 자율적으로 거래를 결정할 수 있게 하는 등의 기능을 제공합니다.

그렇다면 왜 FHE가 TEE와 유사한 업계 보급 경로를 가지며 AI 채택 시나리오의 폭발적인 증가로 인해 즉각적인 기회를 제공할까요?

이전에는 데이터를 비공개 상태로 호스팅할 수 있는 TEE 하드웨어 환경 덕분에 AI 에이전트가 기회를 잡을 수 있었고, AI 에이전트가 스스로 개인 키를 호스팅하여 자산 관리의 자율성이라는 새로운 물결에 도달할 수 있었습니다. 그러나 실제로 개인 키의 TEE 보관에는 타사 하드웨어 제공업체(예: 인텔)에 대한 신뢰가 필요하다는 어려운 문제가 있습니다. TEE가 작동하려면 TEE 환경에 개방적이고 투명한 '합의' 제약 조건을 추가하는 분산 체인 아키텍처가 필요합니다. 이와는 대조적으로 PHE는 제3자에 의존하지 않고 탈중앙화된 체인 아키텍처에 존재할 수 있습니다.

FHE와 TEE는 비슷한 생태학적 위치에 있으며, TEE는 웹3 생태계에서 널리 사용되지는 않지만 웹2 공간에서 오랫동안 매우 성숙한 기술이었으며, 현재 AI 트렌드의 발발에 따라 FHE는 웹2와 웹3 모두에서 점차 자리를 잡을 것입니다.

위.

요약하면, 암호화의 성배인 FHE는 보안의 초석 중 하나가 될 수밖에 없으며, AI가 미래가 되면서 더욱 널리 채택될 잠재력을 가지고 있다는 것을 알 수 있습니다.

물론 웹2 AI 시나리오에 적용된 후 웹3 AI 시나리오로 연결될 수 있다면 '스케일링 효과'를 기대할 수 있는 등 오버헤드 비용 문제를 구현하는 데 있어 FHE 알고리즘을 피할 수는 없을 것입니다.

웹2 AI 시나리오를 처음 접했는데, 웹3 AI 시나리오에 적용할 수 있다면 의도치 않게 '스케일링 효과'가 발휘되어 전체 비용이 희석되고 더 널리 적용될 수 있을 것입니다.