Mind NetworkによるZAMA創業者Rand Hindi氏との独占対談：HTTPZ、完全準同型暗号の時代を築く
TechFlow厳選深潮セレクト
Mind NetworkによるZAMA創業者Rand Hindi氏との独占対談：HTTPZ、完全準同型暗号の時代を築く
私たちの究極のビジョンであるHTTPZ全暗号化インターネットにより一歩近づこう！
Web3業界の深掘り報道に専念し潮流を洞察6月17日夜、Mind Networkはオープンソース暗号技術企業ZAMAの創業者Rand Hindiを招き、FHE技術、その応用、比較、および分散型AIに関する独占対談を行いました。参加ゲストにはMind Network共同創業者のChristian、Mason、および研究責任者のAshelyも登壇しました。彼らはいずれもイーサリアム財団フェローです。
ZAMAは、Hindi氏と著名な暗号学者であり全準同型暗号（FHE）の発明者でもあるPascal Paillier氏が2020年初頭に共同設立したオープンソース暗号技術企業です。同社はこれまでに7300万ドルのシリーズA資金調達を完了しています。
Mind Networkは、AIおよびPOSネットワーク向けの初の全準同型暗号（FHE）リステーキングレイヤーです。ETH、BTC、AIのブルーチップ資産からのリステーキングを受け入れ、FHE検証ネットワークとして動作することで、分散型AI、DePIN、EigenLayerおよびSymbiotic AVS、さらに多くの主要POSネットワークに対してコンセンサス、データ、暗号経済的セキュリティを提供します。
AMAリプレイリンク：https://x.com/mindnetwork_xyz/status/1802725269867757743
FHE AIネットワーク：FHE技術を活用した分散型AIネットワーク。より安全なコンセンサスと、よりプライベートなAIデータ処理を実現。
HTTPZ：全準同型暗号インターネット。FHEによりエンドツーエンドの完全暗号化を実現し、データ転送および処理プロセス全体を通じて常に暗号化状態を維持。
現在のWeb2 AIフレームワークに必要な改善点とは？
Rand：
中央集権型AIの問題点は主に二つあります。
計算の完全性と正確性： 中央集権型AIシステムでは、計算の完全性と正確性に疑問が生じます。つまり、計算プロセスやモデルパラメータが非透過的であるため、得られた結果を完全に信頼することはできません。
機密性とプライバシー： 個人データのプライバシー問題が特に顕著です。たとえばソフトウェアを利用する際、操作履歴が企業側に可視化され、企業がプライバシーやデータの単一障害点（single point of failure）となります。攻撃者は一つのターゲットを狙うだけで、すべての情報を取得できてしまいます。
分散化の利点は、公開による検証可能性とデータの安全性にあります。もし得られた結果を信用できない場合でも、自分で検証することが可能です。これは特にAI、とりわけセンシティブな用途において非常に重要です。ブロックチェーンの分散化特性により単一障害点が存在しないため、攻撃者が単一のターゲットを攻撃してもすべての情報を得ることはできません。
ブロックチェーンはAIの計算完全性問題を解決でき、一方で全準同型暗号（FHE）はAIのデータプライバシー問題を解決できます。これが私たちがMind Networkと協力している分野の一つです。したがって、分散型暗号化AIこそが将来の方向性となるでしょう。
FHE、ZK、MPCの違い
Rand：
暗号学には多くの技術があり、特にプライバシー分野ではFHE、ZK、MPCが広く使われています。
- ゼロ知識証明（ZK）： ZKは非常に興味深い技術ですが、限界があります。暗号化された状態で他の技術と組み合わせることができず、暗号化された結果の計算もできません。具体的な値を開示せずに、それらの値に対して特定の計算を行ったことを証明するだけです。ブロックチェーン上では、ZKは複数のコントラクトやユーザー間の相互運用性を実現できません。証明を行う側が平文環境で計算を行い、すべてのデータを得る必要があるからです。これは本質的な問題を解決していません。ただし、拡張性などの他の面では優れた性能を発揮しており、例えばzkRollupなどが該当します。
- マルチパーティ計算（MPC）： MPCは単一の技術ではなく、むしろ汎用的な用語です。複数の当事者が安全に計算を行う方法全般を指し、MPCを実現するためのさまざまな技術が存在します。
- 全準同型暗号（FHE）： FHEは、データを復号せずにそのまま暗号化された状態で計算を可能にします。これにより、データのプライバシーを守りながら、計算の正確性と完全性を確保できます。
これらの技術を組み合わせることで、より高度なプライバシー保護が実現できます。たとえば、Zamaが開発中のFHEVMや暗号化スマートコントラクトでは、FHEを用いて計算とデータの暗号化を行い、MPCを用いてデータの分散と選択的復号を実現することで、複数ユーザーが関与する環境でのデータプライバシーを保っています。
Mason：
Rand氏は、全準同型暗号（FHE）、ゼロ知識証明（ZK）、マルチパーティ計算（MPC）、そしてこれらがどのようにWeb2における未解決のセキュリティ・プライバシー問題を解決できるかについて、非常にわかりやすく説明してくださいました。補足すると、FHEはデータのプライバシー問題だけでなく、分散ネットワークにおける公平性の問題も解決できます。
FHEは、分散ネットワークの投票を暗号化された状態で計算できるため、コンセンサス計算プロセスの安全性と結果の公平性を確保できます。このように、ノード間に信頼がなくても、暗号化計算によって不正行為を防止できます。これはZKでは完全には実現できません。Rand氏が述べた通り、ZKの場合、依然として証明者を信頼する必要があります。複数ユーザーが関与し、計算結果にもプライバシーが求められる暗号化アプリケーションのシナリオでは、FHEの方が適しています。特に分散型AIネットワークにおいては顕著です。
ZAMAのConcrete MLオープンソースライブラリは、AIネットワークのデータ暗号化に基盤を提供し、Mind NetworkはFHE技術を用いて分散型AIネットワークのコンセンサス層を支えています。データの暗号化とコンセンサスのセキュリティを組み合わせた形こそが、私たちが予見する未来のAIネットワークの姿です。
Zamaの製品紹介
Rand：
私たちは独自のトークンを持たず、ブロックチェーンのようには動作しません。私たちの目標は、他の人が分散型プロトコルを構築できるよう、技術を構築することです。私たちの主なライブラリは TFHE-rsと呼ばれ、Rustで書かれた全準同型暗号（FHE）ライブラリで、Zamaが提供するすべての暗号アルゴリズムの実装を含んでいます。
さらに、FHEVMという暗号化スマートコントラクトプラットフォームを開発しており、暗号化されたデータ上でSolidityスマートコントラクトを作成できます。また、Concrete MLを提供しており、Python上で直接暗号化された機械学習モデルを作成できます。開発者はscikit-learn（オープンソース機械学習ライブラリ）、PyTorch（オープンソースディープラーニングフレームワーク）、NumPy（大規模配列・行列演算に対応する科学計算ベースライブラリ）を使用でき、自動的にFHEプロトコルに変換されます。
Zamaの主な焦点は、開発者が複雑な暗号学の知識を学ばなくても簡単にFHEアプリケーションを構築できるようにすることです。
もう一つの重要な課題は、過去には暗号化された計算結果が平文の結果と完全に一致することを保証できなかったことです。一部の用途では誤差を許容できますが、ブロックチェーンアプリケーションでは、たとえばスマートコントラクトに基づく数百万ドルの送金などでは、おおよそ一致するのではなく、完全に一致する必要があります。
Zamaの技術である閾値FHE（tfhe）は、暗号化されたデータ上で計算を行い、その結果が平文データの計算結果と完全に一致することを保証します。したがって、開発者は近似誤差などの問題を心配する必要がなくなります。
Mind NetworkとZAMAの提携およびアーキテクチャ
Ashely：
分散型AIネットワークでは、コンセンサスメカニズムが各ノードが合意に達する鍵となりますが、これには主に二つの問題があります。
コンセンサスのセキュリティと公平性： 検証者が他のノードからコピーして独立に検証しない場合、コンセンサスの完全性が損なわれます。
データのプライバシーとセキュリティ： データおよび計算結果が分散ノード上で漏洩し、コンセンサスプロセスの安全性が脅かされる恐れがあります。
コンセンサスプロセスの安全性と完全性を高めるため、Mind Networkは全準同型暗号（FHE）検証ネットワークを導入しています。検証者のデータを暗号化することで、他のノードからコピーできず、独立した計算を強制します。これによりコピーや不正行為を防ぎ、計算の独立性とデータのプライバシーを強化します。また、結果自体も暗号化されているため、鍵を持つ者だけが復号でき、攻撃者が保存データを取得しても、復号できなければ改ざんできません。
たとえばFHE AIサブネットにおける検証プロセスは以下の通りです。
- モデル検証とランキング： 各ノードがAIモデルを独立に検証し、順位付けを行います。データが暗号化されているため、他ノードの計算結果を見ることができず、独立性が保証されます。
- コンセンサスの達成： ノードはFHEによる暗号化計算を通じて、暗号化された投票メカニズムで最終的に合意に達し、結果の正確性と公平性を確保します。
私たちとZAMAの提携価値は： 広範な分散型AIネットワークにおいて、FHEは独立した検証を保証することで最も価値あるモデルを特定し、市場が真に求めるユースケースを提供できます。同時に、FHE計算は分散ノード間のデータのセキュリティとプライバシーを保証します。
これはつまり、私たちとZAMAが共に構築するFHE AIネットワークが、投資戦略の計算、バイオインフォマティクス分析など、より高価値なシーンを支援できることを意味します。データとモデルの所有者が真正に所有権と収益を握ることができるのです。
FHE AIネットワークの紹介と応用
Rand：
Concrete MLは、私たちの最も印象的な製品の一つです。
数年前、私はチームに言いました。「君たち、scikit-learnやPyTorch以外のプログラムを書き、それをFHE上で動かせると思うかい？」彼らは私を見て、「それはほぼ不可能だ」と答えました。なぜなら、PythonコードをFHE相当に変換することを求めているようなものだからです。しかし、私たちはそれを実現しました。
我々は特別なコンパイラを持っており、Pythonコードを最適化されたパフォーマンスとセキュリティを持つFHE演算回路に変換します。最終的に得られるのは、暗号化されたデータを扱うマシンであればどこでも実行可能な実行ファイルです。
これを使って多くのことが可能です。 Hugging Face 上にはConcrete MLを使った画像処理のデモもあります。
たとえば、ある画像のサイズを調整したり、フィルターを適用したり、表示したくない部分をぼかすことができます。これらすべてを、実際の画像内容を見ることなく実行可能です。
医療データの例では、暗号化された医療記録をアップロードし、選択したAIモデルに基づいて自動診断を受けられます。データの内容を一切開示することなくです。
FHEは革命的な技術であり、分散化とAI分野において非常に大きな可能性を秘めています。Mind Networkとの協力を通じて、より多くのFHE AIユースケースを探求できることを楽しみにしています。
Christian：まとめると、ZAMAは多くのすぐに使えるオープンソース製品を提供しており、FHE分野への貢献は非常に大きいです。ConcreteMLはAIデータのプライバシーと開発の使いやすさを解決し、Mind NetworkのFHE検証ネットワークは分散型AIネットワークのセキュリティと公平性を解決しています。FHE技術とAIネットワークの融合は、AIネットワークの将来に予見される進化です。
ZAMAとMind Networkの提携は、革命的な分散型FHE AI計算パラダイムをもたらし、私たちの究極のビジョンであるHTTPZ（完全暗号化インターネット）へとさらに近づきます！
双方はさらに協力を進め、7月9日にETH CC期間中に「How to Build FHE AI」のワークショップを開催する予定です。
イベント登録リンク：https://lu.ma/zxmz7vzb
TechFlow公式コミュニティへようこそ
Telegram購読グループ：https://t.me/TechFlowDaily
Twitter公式アカウント：https://x.com/TechFlowPost
Twitter英語アカウント：https://x.com/BlockFlow_News
@mindnetwork_xyz
