Mind Network 獨家對話ZAMA創始人Rand Hindi：構建HTTPZ全同態加密時代

6月17日晚，Mind Network 邀請到了開源密碼學公司 ZAMA 的創始人 Rand Hindi 進行獨家對話，探討了關於 FHE技術、應用、對比以及去中心化 AI 的相關內容。參與嘉賓還包括 Mind Network 聯合創始人 Christian、Mason、和研究負責人 Ashely，兩位均為以太坊基金會fellow。

Zama 是一家開源密碼學公司，由 Hindi 和 Pascal Paillier 於 2020 年初共同創立。Paillier 是著名的密碼學家，也是全同態加密（FHE）技術的發明者之一，此前曾完成了7300萬美元A輪融資。

Mind Network 是第一個用於 AI 和POS網絡的全同態加密 (FHE) 再質押層。接受來自 ETH、BTC 和 AI 藍籌的再質押代幣，並作為 FHE 驗證網絡運行，為去中心化 AI、DePIN、EigenLayer 和 Symbiotic AVS 以及許多關鍵的 POS 網絡提供了共識、數據和加密經濟安全。

AMA 回顧鏈接：https://x.com/mindnetwork_xyz/status/1802725269867757743

FHE AI Network：使用FHE技術的去中心化AI網絡，能提供更加安全的共識、更加隱私的AI數據。

HTTPZ：全同態加密互聯網，通過FHE全同態加密實現端對端全面加密，確保數據傳輸和處理過程始終加密。

當前 Web2 AI 框架需要改進的問題是什麼？

Rand：

中心化AI的問題主要有兩個：

計算的完整性和正確性： 在中心化AI系統中，計算的完整性和正確性存疑。也就是說，由於計算過程和模型參數不透明，我們無法完全信任得到的結果。

保密性和隱私： 個人數據隱私問題尤為突出。例如使用軟件時，操作記錄對公司可見，企業就成為隱私和數據的單點故障。攻擊者針對一個目標即可獲取所有信息。

去中心化的優勢在於公開驗證和數據安全。如果你不信任得到的結果，可以自行驗證。這在AI尤其是敏感場景時尤為重要。區塊鏈的去中心化特性使得沒有單點故障存在，攻擊者無法通過攻擊單一目標獲得所有信息。

區塊鏈可以解決AI的計算完整性問題，而全同態加密（FHE）可以解決AI的數據隱私問題，這也是我們在和Mind Network合作的方向之一。因此，去中心化加密AI會是未來的發展方向。

FHE、ZK、MPC的區別

Rand：

密碼學中，有很多技術應用，尤其在隱私方面，廣泛使用的是FHE、ZK和MPC。

• 零知識證明（ZK）： ZK 是一種非常有趣的技術，但侷限在於不能在加密狀態下與其他技術結合，無法計算加密結果。只允許在不披露具體值的情況下，證明對這些值進行了某些計算。在區塊鏈上，ZK 無法實現多個合約或用戶之間的互操作性。這是因為提供證明的人必須在明文環境中進行計算，從而獲得所有數據。這實際上沒有解決問題。不過，在擴展性等其他方面，ZK 仍表現出色，比如 zkRollup。
• 多方安全計算（MPC）： MPC 實際上是一個通用術語，而不是一種單一的技術。MPC 涉及如何在多方之間安全地進行計算，有許多技術可以實現 MPC 的方案。
• 全同態加密（FHE）： FHE 允許對加密數據直接進行計算，而不需要解密。這在保護數據隱私的同時，確保計算的準確性和完整性。

結合這些技術，我們可以實現更高級的隱私保護。例如，Zama 正在開發的 FHEVM 和加密智能合約，通過使用 FHE 進行計算和加密數據，結合 MPC 來分散數據和實現選擇性解密，從而在多用戶參與的環境中實現數據的隱私保護。

Mason：

Rand 對於全同態加密（FHE）、零知識證明（ZK）、多方計算（MPC）以及去中心化AI如何解決Web2中未解決的安全和隱私問題，做了很好的解釋。補充一點，FHE不僅能解決數據隱私的問題，還可以解決去中心網絡公平性的問題。

FHE 允許在加密狀態下對去中心網絡的投票進行計算，確保了共識計算過程的安全性和結果的公平性。這樣，即使節點之間存在不信任，也可以通過加密計算來防止作弊行為。這是 ZK 無法完全實現的，正如 Rand 所說，對於 ZK，仍然需要信任證明者。在需要多用戶參與的並且對計算結果有隱私需求的加密應用場景中，FHE 更加適合，尤其是去中心化AI網絡。

就像ZAMA的Concrete ML開源庫，為AI網絡的數據加密提供了基礎，而Mind Network使用FHE技術為去中心化AI網絡的共識層提供支撐，數據加密加上共識安全，就是我們可以預見的未來AI網絡形態。

Zama 的產品介紹

Rand：

我們沒有自己的代幣，也不像區塊鏈那樣運作。我們的目標是構建技術，讓其他人能夠創建去中心化的協議。我們的主庫叫做 TFHE-rs，這是一個用 Rust 編寫的全同態加密（FHE）庫，包含了 Zama 提供的所有加密實現算法。

此外，我們還開發了 FHEVM，這是一個加密智能合約平臺，允許在加密數據上編寫 Solidity 智能合約。我們還提供 Concrete ML，它允許在 Python 中直接創建加密的機器學習模型。開發者可以使用 scikit-learn（開源的機器學習庫）、PyTorch（開源的深度學習框架） 和 NumPy（科學計算基礎庫，支持大規模多位數組和矩陣運算），我們會自動將其轉換為 FHE 協議。

Zama 的主要焦點是讓開發人員能夠輕鬆構建 FHE 應用程序，而無需學習複雜的密碼學知識。

另一個關鍵問題是，過去無法保證加密計算的結果與未加密的結果完全相同。有些可以容忍，但對於區塊鏈應用來說，比如基於智能合約的百萬美元轉賬，必須完全一致，而不是大致滿足。

Zama 的技術稱為閾值 FHE（tfhe），允許在加密數據上進行計算，並保證加密計算的結果與未加密數據的結果完全相同。因此，作為開發者，不再需要擔心近似誤差等問題。

Mind Network和ZAMA的合作及其架構

Ashely：

在去中心AI網絡中，共識機制是確保網絡中各節點達成一致的關鍵，這往往需要解決兩個主要問題：

共識安全和公平性：驗證者可能會從其他節點複製，而不是獨立進行驗證，從而影響共識的完整性。

數據隱私和安全：數據和計算的結果在去中心節點洩露，威脅到共識過程的安全性。

為了提升共識過程的安全性和完整性，Mind Network 引入了全同態加密（FHE）驗證網絡。加密驗證者的數據，確保驗證者無法從其他節點複製，必須獨立運行計算，從而避免了抄襲行為，增強了計算獨立性和數據隱私性。另一方面，由於結果本身加密，只有擁有密鑰才能解密，所以攻擊者即使獲得了存儲數據，也無法進行篡改，因為他們無法解密數據。

例如在FHE AI子網中，驗證過程如下：

1. 模型驗證和排名：各節點獨立驗證AI模型，並對其進行排名。由於數據是加密的，節點無法看到其他節點的計算結果，從而保證了獨立性。
2. 共識達成：節點通過FHE進行加密計算，最終通過加密投票機制達成共識，確保結果的準確性和公平性。

我們和ZAMA的合作價值在於：對於廣泛的去中心化AI 網絡來說，FHE通過確保獨立驗證，可以識別出最有價值的模型，從而提供市場真正需要的用例。同時FHE計算可以保證去中心節點中數據的安全和隱私。

這意味著我們和ZAMA在共同構建的FHE AI網絡可以支持更多高價值的場景，如投資策略的計算、生物信息的分析等，真正讓數據和模型的擁有者掌握所有權和收益。

關於FHE AI Network的介紹和應用

Rand：

Concrete ML 是我們最令人印象深刻的產品之一。

幾年前，我告訴我的團隊：“夥計們，你們認為我們可以寫一個非 scikit-learn 或 PyTorch 程序，並在 FHE 上運行嗎？” 他們看著我說，這幾乎是不可能的，因為我們基本上要求將 Python 轉換為 FHE 等價，但是我們做到了。

我們有一個特殊的編譯器，它將 Python 代碼轉換為等效的 FHE 操作電路，這些電路針對性能和安全性進行了優化。因此，最終得到的實際上是一個可執行文件，可以在任何運行加密數據的機器上運行它。

您可以用它做很多事情。我們在 Hugging Face 上有一些演示，例如使用 Concrete ML 進行圖像處理。

比如說，有一張圖片，需要調整大小、應用濾鏡，也許還需要模糊一些不想展示的部分。這些都可以直接完成，而無需看到實際的圖像內容。

另一個關於醫療數據的例子，你可以上傳加密的醫療記錄，以便根據選擇的 AI 模型進行自動診斷，而無需透露任何關於數據的信息。

FHE是一個革命性的技術，在去中心化和AI領域有著無比強大的前景，非常期待和Mind Network合作來探索更多FHE AI的使用場景。

Christian：我來總結一下，ZAMA提供了很多開箱即用的開源產品，為FHE作出了非常大的貢獻。其中ConcreteML解決了AI數據隱私和開發易用性的問題，Mind Network的FHE Validation Network解決了去中心AI網絡的安全和公平性問題。FHE技術和AI網絡的結合，將是AI網絡未來的可預見發展。

ZAMA和Mind Network的合作將帶來革命性的去中心化FHE AI計算範式，讓我們向我們的終極願景HTTPZ全加密互聯網更進一步！

雙方還將進一步推進合作，於7月9日在ETH CC期間舉辦How to Build FHE AI的workshop。

活動報名鏈接：https://lu.ma/zxmz7vzb