Mind Network en exclusivité dialogue avec Rand Hindi, fondateur de ZAMA : Construire l'ère du chiffrement homomorphe complet avec HTTPZ
TechFlow SélectionTechFlow Sélection
Mind Network en exclusivité dialogue avec Rand Hindi, fondateur de ZAMA : Construire l'ère du chiffrement homomorphe complet avec HTTPZ
Avançons vers notre vision ultime d'un Internet entièrement chiffré avec HTTPZ !
Dédié à des analyses Web3 approfondiesLe 17 juin au soir, Mind Network a invité Rand Hindi, fondateur de ZAMA, une entreprise open source spécialisée dans la cryptographie, pour un entretien exclusif afin d'aborder les technologies FHE, leurs applications, comparaisons et l'intelligence artificielle décentralisée. Les autres participants étaient Christian et Mason, cofondateurs de Mind Network, ainsi que Ashely, responsable de la recherche, tous deux anciens fellows de la Fondation Ethereum.
ZAMA est une société open source de cryptographie fondée conjointement par Hindi et Pascal Paillier au début de l'année 2020. Paillier est un cryptographe renommé et l'un des inventeurs de la technologie du chiffrement homomorphe complet (FHE). L'entreprise avait précédemment levé 73 millions de dollars lors d'une série A.
Mind Network est la première couche de restaking FHE dédiée à l'IA et aux réseaux POS. Elle accepte les jetons restakés provenant de l'ETH, du BTC et d'actifs majeurs en IA, et fonctionne comme un réseau de validation FHE, offrant consensus, données et sécurité crypto-économique à l'IA décentralisée, DePIN, EigenLayer, Symbiotic AVS et de nombreux réseaux POS critiques.
Lien de retour sur l'AMA : https://x.com/mindnetwork_xyz/status/1802725269867757743
Réseau d’IA FHE : Un réseau d’intelligence artificielle décentralisé utilisant la technologie FHE, capable d’offrir un consensus plus sûr et des données d’IA plus privées.
HTTPZ : Internet chiffré FHE, permettant un chiffrement bout-en-bout total via la cryptographie homomorphe complète (FHE), garantissant que les données restent chiffrées durant tout le processus de transmission et de traitement.
Quels sont les problèmes à améliorer dans les cadres actuels d'IA Web2 ?
Rand :
Les problèmes principaux de l'IA centralisée sont deux :
Intégrité et exactitude du calcul : Dans les systèmes d'IA centralisés, l'intégrité et l'exactitude des calculs sont douteuses. Autrement dit, comme les processus de calcul et les paramètres du modèle ne sont pas transparents, nous ne pouvons pas faire entièrement confiance aux résultats obtenus.
Confidentialité et vie privée : Le problème de la vie privée des données personnelles est particulièrement marquant. Par exemple, lorsque vous utilisez un logiciel, vos traces d'utilisation sont visibles par l'entreprise, qui devient alors un point unique de défaillance pour la vie privée et les données. Un attaquant n'a besoin que de cibler cet unique point pour accéder à toutes les informations.
L'avantage de la décentralisation réside dans la vérification publique et la sécurité des données. Si vous ne faites pas confiance au résultat obtenu, vous pouvez le vérifier vous-même. Cela est particulièrement important dans le domaine de l'IA, surtout dans des cas sensibles. La nature décentralisée de la blockchain élimine tout point unique de défaillance : un attaquant ne peut pas obtenir toutes les informations en ciblant un seul point.
La blockchain peut résoudre le problème d'intégrité du calcul en IA, tandis que le chiffrement homomorphe complet (FHE) peut résoudre le problème de confidentialité des données en IA — c'est également l'une des directions dans lesquelles nous collaborons avec Mind Network. Ainsi, l'IA cryptée et décentralisée sera inévitablement la voie de l'avenir.
Différences entre FHE, ZK et MPC
Rand :
En cryptographie, plusieurs technologies existent, notamment en matière de confidentialité, dont les plus utilisées sont FHE, ZK et MPC.
- Preuve à divulgation nulle de connaissance (ZK) : La ZK est une technologie très intéressante, mais elle a une limitation majeure : elle ne permet pas de combiner des opérations sur des données chiffrées ni de calculer directement des résultats chiffrés. Elle autorise uniquement à prouver qu’un certain calcul a été effectué sur des valeurs sans divulguer ces valeurs elles-mêmes. Sur la blockchain, la ZK ne permet pas l’interopérabilité entre plusieurs contrats ou utilisateurs, car celui qui fournit la preuve doit effectuer le calcul en clair, donc avoir accès à toutes les données. En réalité, cela ne résout pas complètement le problème. Toutefois, la ZK excelle dans d’autres domaines, comme l’évolutivité, par exemple avec les zkRollups.
- Calcul sécurisé multipartite (MPC) : Le MPC est en réalité un terme générique, pas une technologie unique. Il concerne la manière de réaliser des calculs sécurisés entre plusieurs parties, et de nombreuses techniques peuvent être utilisées pour implémenter des solutions MPC.
- Chiffrement homomorphe complet (FHE) : Le FHE permet d’effectuer des calculs directement sur des données chiffrées sans avoir besoin de les déchiffrer. Cela protège la confidentialité des données tout en assurant l’exactitude et l’intégrité du calcul.
En combinant ces technologies, nous pouvons atteindre un niveau supérieur de protection de la vie privée. Par exemple, Zama développe actuellement FHEVM et des contrats intelligents chiffrés, utilisant FHE pour effectuer des calculs et chiffrer les données, tout en s’appuyant sur MPC pour distribuer les données et permettre un déchiffrement sélectif, réalisant ainsi une protection de la vie privée dans des environnements multi-utilisateurs.
Mason :
Rand a très bien expliqué comment le chiffrement homomorphe complet (FHE), les preuves à divulgation nulle (ZK), le calcul multipartite sécurisé (MPC) et l’IA décentralisée peuvent résoudre les problèmes de sécurité et de confidentialité non traités dans le Web2. J’ajouterai que le FHE ne résout pas seulement les questions de confidentialité des données, mais aussi celles d’équité dans les réseaux décentralisés.
Le FHE permet de calculer les votes dans un réseau décentralisé tout en gardant les données chiffrées, garantissant ainsi la sécurité du processus de consensus et l’équité du résultat. Même si les nœuds ne se font pas confiance, le calcul chiffré empêche toute tricherie. C’est quelque chose que la ZK ne peut pas totalement accomplir. Comme l’a dit Rand, avec la ZK, il faut encore faire confiance au générateur de preuve. Dans les scénarios cryptographiques nécessitant la participation de plusieurs utilisateurs et où la confidentialité des résultats de calcul est essentielle, le FHE est plus adapté, particulièrement pour les réseaux d’IA décentralisés.
Tout comme la bibliothèque open source Concrete ML de ZAMA, qui pose les bases du chiffrement des données pour les réseaux d’IA, Mind Network utilise la technologie FHE pour soutenir la couche de consensus des réseaux d’IA décentralisés. La combinaison du chiffrement des données et de la sécurité du consensus forme le modèle futur prévisible des réseaux d’IA.
Présentation des produits de Zama
Rand :
Nous n’avons pas de jeton propre et nous ne fonctionnons pas comme une blockchain. Notre objectif est de construire des technologies permettant à d'autres personnes de créer des protocoles décentralisés. Notre bibliothèque principale s'appelle TFHE-rs, une bibliothèque de chiffrement homomorphe complet (FHE) écrite en Rust, incluant tous les algorithmes cryptographiques développés par Zama.
Nous avons également développé FHEVM, une plateforme de contrats intelligents chiffrés permettant d'écrire des contrats intelligents Solidity sur des données chiffrées. Nous proposons aussi Concrete ML, qui permet de créer directement des modèles d'apprentissage automatique chiffrés en Python. Les développeurs peuvent utiliser des outils populaires comme scikit-learn (bibliothèque open source d'apprentissage automatique), PyTorch (framework open source de deep learning) et NumPy (bibliothèque de base pour le calcul scientifique, supportant de grands tableaux et matrices multidimensionnels), et nous les convertissons automatiquement vers le protocole FHE.
L’objectif principal de Zama est de permettre aux développeurs de construire facilement des applications FHE sans avoir à maîtriser les connaissances complexes en cryptographie.
Un autre problème crucial : auparavant, on ne pouvait pas garantir que le résultat d’un calcul chiffré soit strictement identique au résultat non chiffré. Certains cas tolèrent des approximations, mais pour les applications blockchain — comme un transfert de millions de dollars basé sur un contrat intelligent — le résultat doit être parfaitement identique, pas simplement « suffisamment proche ».
La technologie de Zama, appelée FHE seuil (tfhe), permet d’effectuer des calculs sur des données chiffrées tout en garantissant que le résultat du calcul chiffré est exactement identique à celui obtenu avec des données en clair. Ainsi, en tant que développeur, vous n’avez plus à vous soucier des erreurs d’approximation.
Collaboration et architecture entre Mind Network et ZAMA
Ashely :
Dans un réseau d’IA décentralisé, le mécanisme de consensus est essentiel pour garantir que tous les nœuds du réseau s’accordent sur un même état. Cela suppose de résoudre deux problèmes majeurs :
Sécurité et équité du consensus : Les validateurs pourraient copier les résultats d’autres nœuds au lieu de valider indépendamment, ce qui compromettrait l’intégrité du consensus.
Confidentialité et sécurité des données : La fuite des données ou des résultats de calcul sur des nœuds décentralisés menace la sécurité du processus de consensus.
Pour renforcer la sécurité et l’intégrité du processus de consensus, Mind Network introduit un réseau de validation FHE. En chiffrant les données des validateurs, on s’assure qu’aucun validateur ne puisse copier les autres et qu’il doive exécuter indépendamment les calculs, évitant ainsi le plagiat et renforçant l’indépendance des calculs et la confidentialité des données. D’autre part, comme les résultats eux-mêmes sont chiffrés, seul le détenteur de la clé peut les déchiffrer. Même si un attaquant accède aux données stockées, il ne pourra pas les falsifier, car il ne peut pas les déchiffrer.
Par exemple, dans un sous-réseau FHE AI, le processus de validation suit les étapes suivantes :
- Validation et classement du modèle : Chaque nœud valide indépendamment le modèle d’IA et le classe. Comme les données sont chiffrées, aucun nœud ne peut voir les résultats des autres, garantissant ainsi l’indépendance.
- Atteinte du consensus : Les nœuds effectuent des calculs chiffrés via FHE, puis atteignent un consensus grâce à un mécanisme de vote chiffré, assurant précision et équité du résultat.
La valeur de notre collaboration avec ZAMA réside dans le fait que : Pour les vastes réseaux d’IA décentralisés, FHE, en assurant une validation indépendante, permet d’identifier les modèles les plus pertinents, fournissant ainsi des cas d’usage réellement demandés par le marché. En outre, les calculs FHE garantissent la sécurité et la confidentialité des données au sein des nœuds décentralisés.
Cela signifie que le réseau FHE AI que nous construisons ensemble avec ZAMA peut prendre en charge davantage de cas à haute valeur ajoutée, tels que le calcul de stratégies d’investissement ou l’analyse d’informations biologiques, permettant véritablement aux propriétaires de données et de modèles de conserver la propriété et les bénéfices.
Présentation et applications du réseau FHE AI
Rand :
Concrete ML est l’un de nos produits les plus impressionnants.
Il y a quelques années, j’ai dit à mon équipe : « Les gars, pensez-vous qu’on puisse écrire un programme en dehors de scikit-learn ou PyTorch et l’exécuter sur FHE ? » Ils m’ont regardé comme si c’était presque impossible, car nous demandions fondamentalement de convertir Python en opérations FHE équivalentes. Mais nous l’avons fait.
Nous disposons d’un compilateur spécial qui transforme le code Python en circuits d’opérations FHE équivalents, optimisés pour performance et sécurité. Le résultat final est en réalité un fichier exécutable pouvant fonctionner sur n’importe quelle machine traitant des données chiffrées.
Vous pouvez en faire beaucoup de choses. Nous avons quelques démonstrations sur Hugging Face, par exemple le traitement d’images avec Concrete ML.
Par exemple, vous avez une image à redimensionner, appliquer un filtre, ou flouter certaines parties sensibles. Tout cela peut être fait sans jamais voir le contenu réel de l'image.
Un autre exemple avec des données médicales : vous pouvez télécharger vos dossiers médicaux chiffrés pour un diagnostic automatique selon un modèle d’IA choisi, sans jamais révéler aucune information sur vos données.
Le FHE est une technologie révolutionnaire, avec un potentiel immense dans les domaines de la décentralisation et de l’intelligence artificielle. Je suis impatient de collaborer avec Mind Network pour explorer davantage de cas d’usage FHE AI.
Christian : Permettez-moi de conclure : ZAMA propose de nombreux produits open source immédiatement utilisables, contribuant massivement au développement du FHE. ConcreteML résout les problèmes de confidentialité des données en IA et d’accessibilité pour les développeurs, tandis que le réseau de validation FHE de Mind Network assure sécurité et équité dans les réseaux d’IA décentralisés. La convergence entre technologie FHE et réseaux d’IA dessine clairement l’avenir prévisible des réseaux d’IA.
La collaboration entre ZAMA et Mind Network donnera naissance à un paradigme révolutionnaire de calcul d’IA décentralisé FHE, nous rapprochant ainsi de notre vision ultime : HTTPZ, l’internet entièrement chiffré !
Les deux parties approfondiront leur coopération en organisant un atelier « How to Build FHE AI » le 9 juillet pendant ETH CC.
Lien d'inscription à l'événement : https://lu.ma/zxmz7vzb
Bienvenue dans la communauté officielle TechFlow
Groupe Telegram :https://t.me/TechFlowDaily
Compte Twitter officiel :https://x.com/TechFlowPost
Compte Twitter anglais :https://x.com/BlockFlow_News
@mindnetwork_xyz
