Từ "Chén Thánh" đến Cornerstone: FHE định hình lại hệ sinh thái điện toán riêng tư Web3 như thế nào?

Tác giả: Chain View

Tôi đã từng nói trong nhiều bài viết trước đây rằng AI Agent sẽ là "cứu cánh" cho nhiều câu chuyện cũ trong ngành công nghiệp tiền điện tử. Trong làn sóng phát triển gần đây nhất về tính tự chủ của AI, TEE đã từng là tâm điểm chú ý của công chúng. Tuy nhiên, có một khái niệm kỹ thuật thậm chí còn ít phổ biến hơn TEE và thậm chí là ZKP, FHE - mã hóa hoàn toàn đồng cấu, cũng sẽ được "tái sinh" nhờ sự thúc đẩy của đường hướng AI. Dưới đây, chúng tôi sẽ phân loại logic thông qua các ví dụ:

FHE là công nghệ mật mã cho phép tính toán trực tiếp trên dữ liệu được mã hóa. Nó được coi là "Chén Thánh". So với các công nghệ phổ biến như ZKP và TEE, công nghệ này ít được ưa chuộng hơn. Cốt lõi của nó chủ yếu bị hạn chế bởi chi phí chung và các tình huống ứng dụng.

Mind Network tập trung vào cơ sở hạ tầng FHE và đã ra mắt MindChain, một Chuỗi FHE tập trung vào AI Agent. Mặc dù đã huy động được hơn 10 triệu đô la Mỹ và trải qua nhiều năm phát triển kỹ thuật, nhưng nó vẫn bị thị trường đánh giá thấp do những hạn chế của chính FHE.

Tuy nhiên, Mind Network gần đây đã công bố rất nhiều tin tốt liên quan đến các kịch bản ứng dụng AI. Ví dụ, FHE Rust SDK do công ty phát triển đã được tích hợp vào mô hình nguồn mở lớn DeepSeek, trở thành mắt xích quan trọng trong các tình huống đào tạo AI và cung cấp nền tảng an toàn cho việc triển khai AI đáng tin cậy. Tại sao FHE có thể được sử dụng trong điện toán bảo mật AI? Liệu nó có thể vượt qua hoặc giành lại chiến thắng với sự trợ giúp của AI Agent không?

Nói một cách đơn giản: Mã hóa đồng hình hoàn toàn FHE là công nghệ mật mã có thể được áp dụng trực tiếp vào kiến ​​trúc chuỗi công khai hiện tại, cho phép thực hiện các phép tính tùy ý như phép cộng và phép nhân trực tiếp trên dữ liệu được mã hóa mà không cần phải giải mã dữ liệu trước.

Nói cách khác, ứng dụng công nghệ FHE có thể mã hóa dữ liệu từ đầu vào đến đầu ra. Ngay cả các nút duy trì sự đồng thuận của chuỗi công khai để xác minh cũng không thể truy cập thông tin văn bản thuần túy. Theo cách này, FHE có thể cung cấp các đảm bảo cơ bản về mặt kỹ thuật cho việc đào tạo một số LLM về AI trong các tình huống phân khúc theo chiều dọc như chăm sóc y tế và tài chính.

FHE có thể trở thành giải pháp "tối ưu" cho việc đào tạo mô hình lớn AI truyền thống để làm phong phú và mở rộng các kịch bản theo chiều dọc và kết hợp với kiến ​​trúc phân tán blockchain. Cho dù đó là sự hợp tác liên tổ chức về dữ liệu y tế hay lý do bảo mật trong các tình huống giao dịch tài chính, FHE đều có thể trở thành một lựa chọn bổ sung do tính độc đáo của nó.

Thực ra, điều này không trừu tượng và có thể hiểu được thông qua một ví dụ đơn giản: ví dụ, với tư cách là một ứng dụng C-end, phần phụ trợ của AI Agent thường được kết nối với các mô hình AI lớn do nhiều nhà cung cấp khác nhau cung cấp, bao gồm DeepSeek, Claude, OpenAI, v.v., nhưng làm thế nào để đảm bảo rằng trong một số tình huống ứng dụng tài chính có độ nhạy cảm cao, quy trình thực thi của AI Agent sẽ không bị ảnh hưởng bởi bối cảnh mô hình lớn đột nhiên làm thay đổi các quy tắc? Điều này chắc chắn đòi hỏi phải mã hóa lời nhắc nhập dữ liệu. Khi nhà cung cấp dịch vụ LLM trực tiếp tính toán và xử lý văn bản mã hóa, sẽ không có sự can thiệp và sửa đổi bắt buộc nào ảnh hưởng đến tính công bằng.

Vậy khái niệm "AI đáng tin cậy" thì sao? Trusted AI là tầm nhìn AI phi tập trung FHE mà Mind Network đang cố gắng xây dựng, bao gồm cho phép nhiều bên đạt được hiệu quả đào tạo và lý luận mô hình thông qua GPU sức mạnh tính toán phân tán mà không cần phải dựa vào máy chủ trung tâm và cung cấp cho các tác nhân AI khả năng xác minh đồng thuận dựa trên FHE. Thiết kế này loại bỏ những hạn chế của AI tập trung ban đầu và cung cấp khả năng bảo vệ kép về quyền riêng tư và quyền tự chủ cho hoạt động của Web3 AI Agent theo kiến ​​trúc phân tán.

Điều này phù hợp hơn với hướng tường thuật của kiến ​​trúc chuỗi công khai phân tán của Mind Network. Ví dụ, trong các giao dịch chuỗi đặc biệt, FHE có thể bảo vệ quyền riêng tư, lý luận và quy trình thực thi dữ liệu Oracle của tất cả các bên, cho phép các tác nhân AI đưa ra quyết định giao dịch tự động mà không tiết lộ vị thế hoặc chiến lược.

Vậy tại sao lại nói FHE sẽ có lộ trình thâm nhập ngành tương tự như TEE và sẽ mang lại cơ hội trực tiếp do sự bùng nổ của các kịch bản ứng dụng AI?

Trước đây, TEE có thể nắm bắt cơ hội của AI Agent vì môi trường phần cứng TEE có thể thực hiện lưu trữ dữ liệu ở trạng thái riêng tư, sau đó cho phép AI Agent lưu trữ khóa riêng một cách độc lập, cho phép AI Agent đạt được một câu chuyện mới về quản lý tài sản tự chủ. Tuy nhiên, thực tế có một lỗ hổng trong việc lưu trữ khóa riêng của TEE: sự tin cậy phải dựa vào các nhà cung cấp phần cứng của bên thứ ba (như Intel). Để TEE hoạt động, cần có một kiến ​​trúc chuỗi phân tán để bổ sung thêm một tập hợp các ràng buộc "đồng thuận" minh bạch và công khai vào môi trường TEE. Ngược lại, PHE có thể tồn tại hoàn toàn dựa trên kiến ​​trúc chuỗi phi tập trung mà không cần phụ thuộc vào bên thứ ba.

FHE và TEE có các hốc sinh thái tương tự nhau. Mặc dù TEE không được sử dụng rộng rãi trong hệ sinh thái web3 nhưng từ lâu nó đã là một công nghệ rất phát triển trong lĩnh vực web2. Ngược lại, FHE sẽ dần tìm thấy giá trị của mình ở cả web2 và web3 với sự bùng nổ của xu hướng AI này.

Phía trên.

Tóm lại, có thể thấy rằng FHE, một công nghệ mã hóa được coi là mục tiêu tối thượng của mã hóa, chắc chắn sẽ trở thành một trong những nền tảng của bảo mật và có khả năng được áp dụng rộng rãi hơn nữa với tiền đề rằng AI sẽ trở thành tương lai.

Tất nhiên, mặc dù vậy, chúng ta không thể tránh khỏi vấn đề chi phí của FHE trong việc triển khai thuật toán. Nếu có thể áp dụng vào kịch bản AI web2 rồi liên kết với kịch bản AI web3, chắc chắn nó sẽ giải phóng "hiệu ứng quy mô" một cách bất ngờ và làm giảm tổng chi phí, cho phép sử dụng rộng rãi hơn.