Hướng tới cốt lõi AI, giải thích chi tiết dự án FHE Mind Network được Binance đầu tư ươm tạo
Tuyển chọn TechFlowTuyển chọn TechFlow
Hướng tới cốt lõi AI, giải thích chi tiết dự án FHE Mind Network được Binance đầu tư ươm tạo
Mind Network là giải pháp tái ký quỹ đầu tiên được thiết kế cho AI và mạng PoS dựa trên FHE.
Chuyên sâu báo cáo Web3Thánh chén trong mật mã học —— Mã hóa đồng cấu toàn phần (Fully Homomorphic Encryption)
Ngày 5 tháng 5, người sáng lập Ethereum V神 lại chia sẻ trên Twitter bài viết năm 2020 về FHE (Mã hóa đồng cấu toàn phần), tiếp tục làm dâng cao sự quan tâm và thảo luận của cộng đồng đối với ứng dụng công nghệ FHE. Bài viết của V神 đi sâu vào các nguyên lý toán học liên quan, bản gốc tiếng Anh tại đây.
FHE (Fully Homomorphic Encryption) hay còn gọi là tính toán mã hóa đồng cấu toàn phần, giống như ZK, là một trong những lĩnh vực tiên phong của mật mã học, cũng được mệnh danh là "thánh chén" trong ngành mật mã.
Đơn giản mà nói, mã hóa đồng cấu toàn phần cho phép thực hiện trực tiếp các phép tính trên dữ liệu đã được mã hóa mà không cần giải mã.
Khi 1+2, ta dễ dàng suy ra kết quả là 3; nhưng khi dữ liệu đã được mã hóa, Encrypt(1)+Encrypt(2) vẫn có thể cho ra Encrypt(3), đó chính là FHE — tính toán trên văn bản mã hóa = tính toán trên văn bản rõ sau khi mã hóa.
Khác với ZK, FHE trong Web3 tập trung nhiều hơn vào quyền riêng tư và bảo mật dữ liệu. Từ các ứng dụng hiện nay có thể thấy, ZK chủ yếu được dùng để mở rộng quy mô.
Mặc dù trong Web3, công nghệ ZK nổi bật nhất là ZKRollup, nhưng FHE đang dần bộc lộ tiềm năng độc đáo ở nhiều lĩnh vực, đặc biệt là AI.
Mind Network
Mind Network là giải pháp tái đặt cược (re-staking) đầu tiên dựa trên FHE, được thiết kế dành cho AI và mạng lưới PoS.
Cũng giống như EigenLayer là giải pháp tái đặt cược trong hệ sinh thái Ethereum, Mind là giải pháp tái đặt cược trong lĩnh vực AI. Thông qua cơ chế tái đặt cược và giải pháp bảo mật đồng thuận dựa trên FHE, Mind đảm bảo an toàn kinh tế token và an toàn dữ liệu cho mạng AI phi tập trung.
Về đội ngũ, các thành viên chính của Mind chủ yếu là các giáo sư và tiến sĩ chuyên về AI, bảo mật và mật mã học đến từ các tổ chức như Cambridge, Google, Microsoft và IBM. Một thành viên cốt lõi từng được chọn vào danh sách 12 nghiên cứu viên Fellow của Quỹ Ethereum toàn cầu, cùng hợp tác nghiên cứu với nhóm nghiên cứu của Quỹ Ethereum trong lĩnh vực mật mã và an ninh. Giải pháp FHE + Địa chỉ ẩn danh (Stealth Address) do Mind sáng tạo lần đầu trên thế giới —— MindSAP (liên kết bài nghiên cứu, nội dung phức tạp mời bạn tự tìm hiểu), đã giải quyết vấn đề được V神 đặt ra trong Stealth Address Open Problem, thu hút sự chú ý lớn từ cộng đồng Ethereum, thường xuyên xuất bản bài báo và phát biểu tại các hội nghị.
Năm 2023, Mind Network được chọn vào chương trình ươm tạo của Binance và hoàn tất vòng gây vốn hạt giống 2,5 triệu USD với sự tham gia của Binance và các tổ chức nổi bật khác. Đồng thời nhận được Học bổng Nghiên cứu từ Quỹ Ethereum, được chọn vào Chainlink Build Program và trở thành Đối tác Kênh ký kết của Chainlink.
Tháng 2 năm 2024, Mind Network trở thành đối tác chiến lược trọng điểm của công ty mật mã nổi tiếng ZAMA trong lĩnh vực FHE.
Gần đây, Mind Network tiếp tục đẩy mạnh mở rộng hệ sinh thái, cung cấp dịch vụ bảo mật đồng thuận mạng AI cho io.net, Singularity, Nimble, Myshell, AIOZ... cung cấp giải pháp Cầu nối FHE cho Chainlink CCIP, cung cấp dịch vụ lưu trữ dữ liệu AI an toàn cho IPFS, Arweave, Greenfield...
FHE + AI, trực diện với những điểm nghẽn then chốt của AI
Tại hội nghị Web3 Hồng Kông tháng 4 vừa qua, Vitalik đã bày tỏ kỳ vọng về tương lai của FHE trong các kịch bản như Bỏ phiếu mã hóa (Encrypted Voting). FHE là lĩnh vực tiên phong của mật mã học, cũng là định hướng theo đuổi cực hạn về mật mã học của Ethereum.
Gần đây, người sáng lập ZAMA đã đăng một bài viết về “Kế hoạch tổng thể” của công ty, phác họa tầm nhìn xây dựng mạng lưới mã hóa end-to-end HTTPZ (“Z” tức là “Zero Trust” – Không tin tưởng), đồng thời đề xuất mục tiêu đưa FHE phổ biến khắp nơi trong blockchain và lĩnh vực trí tuệ nhân tạo.
Trong lĩnh vực AI, một số khâu trọng yếu như huấn luyện, tinh chỉnh, sử dụng và đánh giá đều đối mặt với cùng một thách thức trong quá trình phi tập trung hóa: Làm sao loại bỏ các giả định về niềm tin? Ví dụ:
-
Khi mô hình AI đang được huấn luyện, cần kiểm tra chéo để chọn ra kết quả huấn luyện tốt nhất
-
Trước khi sử dụng dịch vụ AI, cần xếp hạng các dịch vụ hiện có để xác định dịch vụ tốt nhất
-
Mô hình AI cũng cần liên tục tinh chỉnh và cập nhật, đòi hỏi đánh giá độc lập
Trong môi trường tập trung, các khâu này đều dựa trên giả định rằng các công ty lớn tuân thủ quy định và không hành xử ác ý — nghĩa là niềm tin được đảm bảo bởi uy tín của các công ty lớn.
Tuy nhiên, trong môi trường phi tập trung, không có bên nào đứng ra bảo chứng, việc xác minh tính công bằng và hiệu quả của mọi bên tham gia là một thách thức lớn — và đây chính là điểm FHE có thể phát huy sức mạnh.
Ví dụ:
-
Khi mô hình AI đang được huấn luyện và cần kiểm tra chéo, có thể dùng bỏ phiếu ẩn danh để chọn ra kết quả huấn luyện tốt nhất, loại bỏ giả định phải tin tưởng OpenAI
-
Trước khi sử dụng dịch vụ AI, khi cần xếp hạng các dịch vụ hiện có, có thể dùng đánh giá ẩn danh để xác định chất lượng dịch vụ, loại bỏ niềm tin vào các nền tảng kiểu AppStore AI
-
Khi cần đánh giá độc lập trong quá trình tinh chỉnh và cập nhật mô hình AI, có thể dùng kiểm tra lấy mẫu ngẫu nhiên để đạt đánh giá đáng tin cậy, loại bỏ niềm tin vào các tổ chức đánh giá
Việc áp dụng FHE còn giúp AI đạt được trạng thái "không tin tưởng" (zero trust), khắc phục điểm yếu của ZK vẫn cần sự tin tưởng vào việc tập hợp dữ liệu ngoài chuỗi.
Còn rất nhiều ví dụ khác về AI, trong đó yếu tố zero-trust này giúp các Agent AI và Multi-Agents kết nối thông minh hơn, đạt được quản trị lành mạnh.
Đồng thời, đặc tính tính toán trên văn bản mã hóa độc đáo của FHE còn giải quyết hai vấn đề nan giải khác: quyền riêng tư dữ liệu và sở hữu dữ liệu:
-
Dữ liệu của chúng ta ai có thể xem? = Quyền riêng tư dữ liệu
-
Dữ liệu do AI tạo ra thuộc về ai? = Sở hữu dữ liệu
FHE cho phép dữ liệu luôn được mã hóa tại phía người dùng, và chỉ tồn tại dưới dạng mã hóa ở bên ngoài người dùng — bao gồm lưu trữ + truyền tải + tính toán.
Cho đến nay, ngoài FHE, dữ liệu chỉ được mã hóa trong quá trình lưu trữ và truyền tải, nhưng một khi cần tính toán thì phải giải mã văn bản mã hóa thành văn bản rõ — điều này khiến người dùng mất quyền sở hữu dữ liệu. Trong đời sống thực tế, có rất nhiều ví dụ như vậy: một khi dữ liệu rõ của bạn bị người khác sao chép, họ có thể nhân bản vô số lần, và bạn hoàn toàn không thể biết liệu dữ liệu của mình có đang bị sử dụng hay không, chỉ có thể dựa vào cam kết tự nguyện của bên sử dụng hoặc giám sát của bên thứ ba. Với FHE, ngay cả khi dữ liệu mã hóa của người dùng bị sao chép, việc giải mã hoặc xem dữ liệu rõ vẫn cần sự đồng ý của người dùng. Điều này cho phép người dùng luôn nắm bắt được tình trạng dữ liệu, đạt được mục tiêu "dữ liệu có thể dùng và giao dịch nhưng không thể xem", vừa bảo vệ quyền riêng tư vừa thực sự bảo vệ quyền sở hữu dữ liệu.
Tính năng này là điều AI + Web3 đang khao khát: cho phép mọi người stake công khai nhưng đạt đồng thuận theo cách mã hóa, ngăn chặn hành vi xấu và lãng phí tài nguyên.
Sự kiện lớn tiếp theo của AI (next big thing)
Nhìn từ đây, sự kết hợp giữa AI và Web3 là điều tất yếu. FHE đối với AI giống như "sự kiện lớn tiếp theo" đối với Apple.
Gần đây, IO.NET và Mind Network đã công bố hợp tác sâu rộng, cùng nhau phát triển giải pháp tăng cường an toàn và hiệu quả cho trí tuệ nhân tạo. IO.NET sẽ tích hợp giải pháp mã hóa đồng cấu toàn phần của Mind Network vào nền tảng tính toán phân tán của mình nhằm nâng cao tính bảo mật sản phẩm.
Chi tiết hợp tác xem tại: Mind Network and io.net Partners up for Advanced AI Security and Efficiency
IO.NET đã mở đường tốt đẹp cho sự kết hợp giữa AI và FHE.
Lấy IO.NET làm ví dụ: người dùng cung cấp năng lực tính toán, nhà phát triển AI thuê năng lực tính toán.
Khi một nhà phát triển tham gia dự án AI, đưa ra yêu cầu, hệ thống sẽ phân chia nhiệm vụ và xử lý bằng năng lực tính toán do người dùng cung cấp.
Lúc này nảy sinh vài vấn đề: Thuê năng lực tính toán của ai? Kết quả tính toán có đúng không? Việc thuê có làm rò rỉ riêng tư của hai bên không?
1. Thuê năng lực tính toán của ai?
Thông thường, việc chọn nút nào sẽ dựa trên các tác vụ thử nghiệm — hệ thống định kỳ đưa ra yêu cầu để kiểm tra nút nào đang hoạt động và sẵn sàng nhận nhiệm vụ.
Trong quá trình này, các nút có thể cố tình thao túng để giành ưu tiên, tương tự tấn công MEV.
Để giải quyết, Mind sử dụng FHE cung cấp cơ chế phân phối công bằng: do yêu cầu và dữ liệu đều được mã hóa, các nút không thể lợi dụng thông tin để lựa chọn có lợi cho mình.
2. Kết quả tính toán có đúng không?
Trong tính toán phân tán, để đảm bảo tính đúng đắn của kết quả cần có sự đồng thuận nhất định — tức là bỏ phiếu.
Khi các nút biết kết quả lựa chọn của nhau, có thể xảy ra hiện tượng bắt chước (follow-on voting), dẫn đến kết quả không công bằng, không chính xác.
Tính toán mã hóa FHE cho phép kết quả bỏ phiếu giữa các nút vẫn được mã hóa, nhưng vẫn tham gia vào tính toán cuối cùng, đảm bảo tính công bằng của kết quả.
3. Việc thuê năng lực tính toán có làm rò rỉ riêng tư hai bên không?
Cốt lõi của FHE là bảo mật dữ liệu — dữ liệu được mã hóa trong suốt quá trình tính toán, và cả vấn đề cần tính toán cũng được mã hóa, do đó tự nhiên không xảy ra rò rỉ riêng tư.
Xét từ góc độ Restaking
Bản thân IO.NET có thể coi là một mạng PoS, các nút cần đặt cược token IO để nhận thưởng từ đóng góp năng lực tính toán.
Vấn đề có thể xảy ra là: nếu giá token đặt cược biến động quá lớn, thì người xác thực và an ninh mạng sẽ bị ảnh hưởng.
Giải pháp của Mind là Đặt cược kép (Dual Staking), thậm chí là ba lớp.
Việc đặt cược hỗ trợ các token质押 thanh khoản của BTC/ETH và các token mạng AI hàng đầu, giúp phân tán rủi ro, tăng cường an toàn tổng thể cho mạng — về bản chất là phiên bản nâng cấp của mô hình chia sẻ an ninh Restaking.
Đồng thời, Mind cũng hỗ trợ Remote Staking, cho phép tài sản LST/LRT không cần thực hiện chuyển chuỗi thực tế, đảm bảo an toàn tài sản.
Vài ngày trước, Mind vừa hoàn thành nhiệm vụ mạng thử nghiệm Glaxe, thu hút hơn 650 nghìn người dùng hoạt động, tạo ra 3,2 triệu giao dịch trên mạng thử nghiệm.
Theo thông tin chính thức, giao thức mạng chính của Mind cũng sẽ ra mắt trong thời gian tới, hãy cùng theo dõi.
Tổng kết
Tóm lại, ta thấy rằng mặc dù Mind nói về FHE và AI, nhưng từ khóa thực chất là “an toàn”: dùng mật mã học để giải quyết các vấn đề an toàn then chốt.
Restaking là an toàn kinh tế token; Remote Staking là an toàn tài sản; FHE là an toàn dữ liệu; AI+FHE là an toàn đồng thuận.
Ngôi nhà blockchain được xây dựng trên nền tảng mật mã học, và có lẽ tương lai của nó cũng sẽ được tìm thấy trong chính mật mã học.
Ngoài mạng AI, Mind Network cũng đang mở rộng phạm vi giải pháp, hợp tác trong nhiều lĩnh vực như lưu trữ phi tập trung, mạng AVS của EigenLayer, subnet Bittensor, cầu nối chéo chuỗi..., thể hiện tiềm năng to lớn của FHE.
Trong Web3 năm 2024, nếu nói ZK đã mở màn cho lĩnh vực mật mã học, thì FHE sẽ là chủ đề chính nửa cuối năm. Đồng thời, làn sóng AI vẫn chưa hạ nhiệt, dưới sự kết hợp của ba câu chuyện AI + FHE + Restaking, cùng ánh hào quang từ sự ủng hộ của Quỹ Ethereum và Binance, liệu Mind có thể trở thành đầu tàu dẫn dắt FHE hay không, sẽ được hé lộ khi mạng chính ra mắt.
Chào mừng tham gia cộng đồng chính thức TechFlow
Nhóm Telegram:https://t.me/TechFlowDaily
Tài khoản Twitter chính thức:https://x.com/TechFlowPost
Tài khoản Twitter tiếng Anh:https://x.com/BlockFlow_News
