在过去的数字化发展过程中,数据安全与数据利用一直存在矛盾。传统加密技术可以保护数据存储和传输过程中的安全,但当数据需要被分析、训练模型或执行计算时,通常必须先进行解密。这意味着数据在“使用阶段”仍然存在暴露风险。随着 AI、大数据和云计算的发展,企业越来越依赖外部计算资源,因此如何实现“数据可用但不可见”成为隐私计算领域的重要方向。
FHE 正是在这一背景下受到关注。它改变了传统计算必须依赖明文数据的模式,使数据能够在密文环境中完成处理。从 AI 模型推理,到区块链智能合约执行,再到企业跨机构数据协作,全同态加密正在成为连接数据价值释放与隐私保护的重要技术路径。

全同态加密属于同态加密(Homomorphic Encryption,HE)技术的一种高级形式。“同态”指的是加密数据与原始数据之间存在数学映射关系,使系统能够直接对密文执行运算,并保持计算结果的一致性。
传统加密流程通常是:明文数据 → 加密 → 密文存储 → 解密 → 计算
而 FHE 的计算模式则是:明文数据 → 加密 → 密文计算 → 解密结果
例如,用户拥有两个数字 A 和 B。通过 FHE 加密后,服务器可以对 Enc(A) 和 Enc(B) 进行计算,得到 Enc(A+B),用户最终解密后获得 A+B 的结果。在整个过程中,服务器只接触加密数据,无法获知 A 和 B 的具体内容。
同态加密的发展经历了多个阶段。早期的部分同态加密(Partially Homomorphic Encryption,PHE)只能支持单一类型计算,例如只支持加法或乘法。之后出现的有限同态加密(Somewhat Homomorphic Encryption,SHE)能够执行更加复杂的运算,但计算能力仍受到限制。
2009 年,密码学研究者 Craig Gentry 提出了第一个理论意义上的全同态加密方案,使系统能够支持无限次数的加法和乘法组合计算。这一突破被认为是现代 FHE 技术发展的重要起点。
近年来,随着格密码(Lattice-based Cryptography)、算法优化以及硬件计算能力提升,FHE 的性能不断改善。包括 BFV、BGV、CKKS 等主流方案已经开始应用于机器学习、隐私数据库和区块链基础设施。
人工智能(AI)的快速发展正在推动数据需求持续增长,但数据隐私问题也更加突出。大型 AI 模型需要大量数据进行训练和推理,而企业通常不希望将内部数据直接上传给第三方平台。例如,金融机构希望利用 AI 分析客户风险,但客户交易记录、资产信息等敏感数据不能直接暴露给模型服务商。
FHE 为 AI 隐私计算提供了一种解决方案。通过对输入数据进行加密,AI 模型可以在密文状态下完成推理任务,模型提供方能够获得计算结果,但无法访问用户原始数据。这现密文计算种方式被称为隐私保护 AI(Privacy-Preserving AI),也是未来企业级 AI 应用的重要发展方向。
Web3 行业同样面临隐私挑战。区块链公开透明的设计提高了交易可验证性,但同时也意味着账户余额、交易历史和资金流向都可以被公开查看。虽然用户通常使用匿名地址,但链上分析技术的发展使地址关联、行为追踪成为可能。
对于 DeFi、链上身份以及机构金融应用而言,如何保持区块链可验证性的同时增强隐私保护,成为重要技术需求。FHE 可以通过加密交易数据、智能合约输入以及链上状态信息,让区块链网络在不暴露具体内容的情况下完成计算。
近年来,随着 AI Agent 概念兴起,FHE 的价值进一步提升。未来 AI Agent 可能代表用户管理资产、执行交易或者处理商业任务,这要求系统既具备自动化能力,也必须保护用户数据安全。FHE 可以帮助 AI Agent 在访问敏感信息时保持数据隐私,从而推动更加安全的智能应用生态。
FHE 能够实现密文计算,核心依赖特殊的密码学算法结构。普通加密技术的目标是隐藏数据内容,而 FHE 则进一步让隐藏的数据保持计算能力。
在传统系统中,如果服务器需要计算两个加密数字,通常必须先解密数据。例如,一个数据库保存用户资产信息时,服务器无法直接对加密余额进行统计分析,需要恢复明文后才能执行计算。
FHE 改变了这一逻辑。通过数学设计,加密后的数据仍然可以执行特定运算。例如:
Enc(A) + Enc(B) = Enc(A+B)
服务器完成的是密文之间的计算,最终结果仍然保持加密状态,只有拥有私钥的数据所有者才能解密。
FHE 的实现主要依赖几个关键技术。
首先是加密算法结构。目前主流 FHE 方案大多基于格密码(Lattice Cryptography)。格密码利用高维数学结构构建安全性,被认为具备抵抗未来量子计算攻击的潜力,因此也是后量子密码学的重要研究方向。
其次是噪声控制机制。FHE 最大的技术挑战之一是计算过程中会产生噪声。随着密文不断执行加法、乘法操作,噪声会逐渐累积,当超过一定范围后可能导致解密失败。
为了解决这一问题,Craig Gentry 在早期方案中提出了“自举”(Bootstrapping)技术。简单理解,自举就是对密文进行刷新,降低噪声水平,使系统能够继续执行更多计算。目前,自举仍然是 FHE 性能优化的重要研究方向。
目前隐私计算领域存在多种技术路线,包括多方安全计算(MPC)、可信执行环境(TEE)以及零知识证明(ZKP)。这些技术目标相似,都是希望在保护数据隐私的同时完成可信计算,但实现方式存在明显区别。
| 技术方案 | 核心目标 | 工作原理 | 数据是否保持加密 | 优势 | 局限性 | 典型应用场景 |
|---|---|---|---|---|---|---|
| 全同态加密(FHE) | 在保护数据隐私的同时完成计算 | 对数据进行加密后,直接在密文状态下执行计算,解密后得到正确结果 | 是,数据全程保持加密 | 安全性高,不依赖可信硬件;适合将计算任务交给不可信服务器 | 计算成本较高,性能仍需优化 | 隐私 AI 推理、云计算、医疗数据分析、机密智能合约、隐私区块链 |
| 多方安全计算(MPC) | 多个参与方在不共享数据的情况下协同计算 | 将数据拆分成多个秘密份额,由不同参与方共同完成计算 | 是,原始数据不会直接暴露 | 适合跨机构数据合作,支持多方协作 | 通信成本较高,参与方数量增加后复杂度提升 | 银行联合风控、跨机构数据分析、去中心化身份验证 |
| 可信执行环境(TEE) | 在隔离环境中保护计算过程 | 利用硬件安全区域运行程序,外部系统无法访问内部数据 | 否,数据通常在安全区域内解密后计算 | 性能接近普通计算,适合实时应用 | 依赖硬件安全,可能受到芯片漏洞影响 | 云计算安全、区块链节点保护、隐私 AI 服务 |
| 零知识证明(ZKP) | 证明某个结果正确,但不泄露具体信息 | 证明者向验证者证明某项声明成立,无需公开原始数据 | 不用于数据计算,主要保护验证过程 | 验证效率高,适合区块链扩展和隐私认证 | 主要解决“证明问题”,无法直接执行复杂数据计算 | Layer 2 扩容、隐私交易、身份认证、链上验证 |
多方安全计算(Multi-Party Computation,MPC)主要解决多个参与方如何在不共享原始数据的情况下共同完成计算的问题。例如,多家金融机构可以通过 MPC 联合分析风险模型,而无需交换客户数据。
FHE 与 MPC 的主要区别在于计算模式。FHE 更适合单方数据加密后交给计算节点处理,计算节点无需了解数据内容;MPC 则强调多个参与者之间进行安全协作。在 AI 云计算、隐私数据库等场景中,FHE 更具优势,而 MPC 更适用于跨机构数据合作。
可信执行环境(Trusted Execution Environment,TEE)则依靠硬件隔离技术创建安全运行区域。例如 Intel SGX 等技术可以保护程序运行环境,使外部系统无法直接读取其中的数据。
TEE 的优势在于计算效率较高,性能接近普通计算环境,但它依赖硬件可信机制。如果硬件存在漏洞,安全性可能受到影响。而 FHE 不依赖硬件信任,数据始终保持加密状态,因此理论安全性更强。
零知识证明(Zero-Knowledge Proof,ZKP)关注的是“证明某件事情正确,但不透露具体信息”。例如区块链用户可以证明自己满足交易条件,而无需公开账户余额。
FHE 与 ZKP 并不是竞争关系。FHE 主要解决“如何在保护数据的情况下完成计算”,ZKP 主要解决“如何证明计算过程或结果可信”。未来隐私区块链可能结合两者,实现加密计算与可信验证的结合。
随着隐私计算需求不断增长,全同态加密正在从密码学研究领域逐渐进入实际应用阶段。目前,AI、区块链、金融、医疗以及云计算成为 FHE 最具潜力的应用方向。
在 AI 领域,FHE 主要应用于隐私保护模型推理和数据安全训练。当前大量企业选择使用第三方 AI 模型或云端 AI 服务,但数据上传过程中可能涉及商业机密、用户隐私甚至合规风险。例如,医疗机构希望利用 AI 模型分析患者数据,提高疾病预测准确率,但患者健康记录属于高度敏感信息,不能直接交由外部平台处理。
通过 FHE 技术,医疗机构可以先对数据进行加密,再交给 AI 服务商进行模型计算。模型提供方能够完成预测任务,但无法查看患者具体信息。这种模式可以在释放数据价值的同时降低隐私泄露风险。
金融行业也是 FHE 的重要应用领域。银行、保险公司和资产管理机构通常拥有大量高价值数据,例如交易记录、信用信息和风险模型参数。过去,不同机构之间由于数据隐私限制,很难进行深度数据协作。FHE 可以帮助金融机构在不交换原始数据的情况下完成联合分析,例如信用评估、欺诈检测和风险预测。
在 Web3 和区块链领域,FHE 正成为隐私基础设施的重要方向。传统区块链强调公开透明,所有交易状态都可以被验证,但这种设计限制了一些金融应用的发展。例如机构投资者可能不希望公开交易策略,企业用户可能不希望暴露资产规模。
基于 FHE 的隐私区块链方案,可以让智能合约在加密状态下执行逻辑。例如,用户可以提交加密交易,网络节点完成验证和计算,最终只公开必要结果。这种方式能够提升 DeFi、链上身份、DAO 治理以及机构金融应用的隐私能力。
近年来,一些区块链项目开始探索 FHE 与智能合约结合的可能性。例如,通过 FHE 技术构建“机密智能合约”(Confidential Smart Contract),让合约逻辑保持公开验证能力,同时隐藏输入数据和执行状态。这被认为是未来 Web3 隐私基础设施的重要发展方向之一。
云计算同样是 FHE 的关键应用场景。企业越来越依赖云服务器处理数据,但将敏感业务迁移到第三方云环境也带来了安全挑战。FHE 可以让企业在不暴露数据的情况下利用云端计算能力,从而实现“云可用、数据不可见”。
虽然全同态加密具有重要价值,但其大规模应用仍然面临多个技术挑战,其中最大的问题是计算效率。
相比传统计算,FHE 的计算成本非常高。由于数据始终处于加密状态,系统需要执行大量复杂数学运算,因此计算速度通常远低于明文计算。尤其是在涉及大量乘法、深层神经网络推理或者复杂智能合约执行时,性能差距更加明显。
计算延迟也是 FHE 普及的重要限制因素。在实时应用场景中,例如金融交易、自动驾驶、实时 AI Agent 等领域,系统需要快速响应。如果 FHE 计算时间过长,就难以满足实际需求。
另一个挑战是开发复杂度。目前 FHE 仍然属于较为专业的密码学技术,开发者需要理解加密参数、密钥管理、噪声控制等复杂概念。相比普通软件开发,构建 FHE 应用具有更高技术门槛。
此外,不同 FHE 方案之间存在兼容性问题。目前主流方案包括 BFV、BGV 和 CKKS 等,它们分别适用于整数计算、精确计算以及近似浮点计算。开发者需要根据应用场景选择合适方案,这增加了技术部署难度。
密钥管理也是企业应用中必须关注的问题。在 FHE 系统中,私钥决定数据访问权限。如果密钥管理机制不完善,即使计算过程安全,也可能造成数据风险。因此,企业需要结合硬件安全模块(HSM)、密钥分片以及访问控制机制,提高整体安全水平。
为了推动 FHE 商业化,行业正在从多个方向优化性能。一方面,研究人员持续改进算法,例如降低自举成本、减少密文尺寸以及优化计算流程;另一方面,硬件厂商也开始探索专用 FHE 加速芯片,通过 GPU、FPGA 和 ASIC 等方式提升计算效率。
对于企业而言,部署 FHE 并不是简单引入一项加密技术,而需要综合考虑业务需求、成本、安全和技术架构。
企业需要明确 FHE 是否适合自身业务。由于 FHE 计算成本较高,它更适用于高隐私、高价值的数据场景,而不是所有普通数据处理任务。例如,医疗、金融、政府数据以及企业核心商业数据,更适合采用 FHE 保护。
需要评估性能需求。如果业务需要毫秒级实时响应,当前 FHE 方案可能仍然存在限制。而对于批量分析、模型推理或者离线计算任务,FHE 的适用性更高。企业还需要考虑基础设施建设。FHE 不仅涉及算法,还包括数据流程设计、密钥管理、计算节点部署以及权限控制。例如,在 AI 场景中,企业需要明确数据拥有者、模型提供方和计算节点之间的责任关系。
监管环境也是企业部署隐私计算的重要因素。随着全球数据保护法规不断完善,包括欧盟《通用数据保护条例》(GDPR)、美国数据隐私法规以及不同地区金融数据监管要求,都推动企业采用更加安全的数据处理方式。
FHE 的价值不仅在于加密数据,更重要的是帮助企业建立合规的数据使用模式。未来,随着 AI 应用规模扩大,企业可能需要同时满足数据利用效率和隐私保护要求,隐私计算技术将成为重要基础设施。
未来几年,FHE 的发展重点将集中在性能提升、工具成熟以及产业融合三个方向。
计算效率提升仍然是核心目标。目前 FHE 最大限制是速度和成本,因此算法优化和硬件加速将决定其商业化速度。随着专用计算芯片、云端 FHE 服务以及开源开发框架的发展,FHE 与传统计算之间的性能差距有望进一步缩小。
FHE 将与 AI 深度融合。随着 AI Agent、企业 AI 助手以及自动化决策系统快速发展,数据隐私需求会持续增长。未来,用户可能希望 AI 能够访问个人金融数据、健康信息或企业知识库,但又不希望这些数据被模型提供方获取。FHE 可以成为连接 AI 能力与隐私数据的重要桥梁,让 AI 在获得数据价值的同时降低隐私风险。
FHE 有望推动 Web3 向更加成熟的隐私基础设施发展。当前区块链生态正在从单纯资产交易,扩展到链上金融、身份认证、企业应用等更复杂场景。这些应用不仅需要去中心化和透明性,也需要更强的数据保护能力。
未来,FHE 可能与零知识证明(ZKP)、MPC、可信执行环境(TEE)等技术结合,形成多层隐私计算体系。例如,FHE 负责加密计算,ZKP 负责结果验证,MPC 负责多方协作,共同构建更加安全的数据网络。
从市场角度来看,隐私计算正在成为 AI 基础设施和 Web3 基础设施的重要组成部分。随着全球企业对数据安全、合规计算和智能化应用需求增长,FHE 的商业价值可能进一步释放。
全同态加密(FHE)是一项能够改变数据计算方式的隐私技术,它通过允许密文计算,让数据在整个处理过程中保持加密状态,同时仍然能够完成复杂任务。
与传统加密技术相比,FHE 最大的突破在于解决了“数据使用时如何保护隐私”的问题。它不仅适用于 AI 模型推理、云计算和企业数据分析,也为区块链隐私、机密智能合约以及 Web3 金融应用提供了新的技术方向。
虽然当前 FHE 仍然面临性能、成本和开发复杂度等挑战,但随着算法优化、硬件加速以及产业生态成熟,其应用范围正在不断扩大。
在 AI 与 Web3 深度融合的未来,数据价值将持续增长,而隐私保护能力将成为基础竞争力。全同态加密可能成为连接数据开放利用与安全保护的重要技术基础,为下一代数字基础设施提供新的解决方案。
全同态加密(Fully Homomorphic Encryption,FHE)是一种允许直接对加密数据进行计算的密码学技术。用户可以将数据加密后交给第三方处理,而第三方无需知道数据内容即可完成计算。
普通加密主要保护数据存储和传输过程,而 FHE 可以保护数据在计算过程中的安全。传统方式通常需要解密后才能处理数据,而 FHE 可以直接在密文状态下完成计算。
AI 模型通常需要大量数据进行训练和推理,但数据隐私限制了数据共享。FHE 可以让 AI 模型处理加密数据,在提升数据利用效率的同时保护用户隐私。
可以。FHE 可以用于隐私智能合约、机密交易以及链上数据保护,使区块链在保持可验证性的同时隐藏敏感信息。
目前 FHE 仍处于快速发展阶段,已经在医疗、金融、AI 和云计算等领域出现应用案例,但由于计算成本较高,距离大规模普及仍需要进一步优化。
不会。FHE、ZKP、MPC 和 TEE 解决的是不同类型的隐私问题。未来更可能形成组合方案,通过不同技术协同提升数据安全和计算能力。
* 投资有风险,入市须谨慎。本文不作为 Gate 提供的投资理财建议或其他任何类型的建议。
* 在未提及 Gate 的情况下,复制、传播或抄袭本文将违反《版权法》,Gate 有权追究其法律责任。





