“FHE是密码学的圣杯。随着时间的推移，FHE将重塑所有计算的结构，无论是web2还是web3。"
什么是同态
同态起源于数学，定义为在两个同类型代数结构之间的映射，它保留了它们之间的一个核心组成部分。
什么是全同态加密
（FHE）是一种特定的数据加密方法，它使人们能够在不暴露原始数据的情况下对加密数据进行计算。理论上，对加密数据进行的分析和计算应产生与对原始数据进行的相同的结果。通过FHE，我们在加密数据集中的数据与原始数据集中的数据之间建立了一对一的联系。在这种情况下，核心组件的保留是能够对任一数据集中的数据执行任何计算并产生相同的结果的能力。
全同态加密的应用
全同态加密（FHE）如果正确应用，将是所有存储用户数据的行业的突破。
通过FHE，医院可以同态加密患者数据，使在云中保护患者隐私变得更加容易。医学研究人员可以在加密数据上执行计算和运行分析功能，而不会妨碍患者的隐私。由于加密数据与原始数据之间存在一对一的映射，从加密数据集获得的结果提供了可以应用于实际病例的真实见解。FHE可以迅速推动医疗行业的进步。
使用FHE，公司可以在不泄露原始数据的情况下对加密数据进行机器学习模型训练。这意味着数据所有者可以安全地分享他们的加密数据，而不必担心隐私泄露或数据滥用。同时，AI模型训练者可以利用更多样化和全面的数据集来改进其算法，这些数据集在没有FHE的情况下可能无法使用。因此，全同态加密不仅提高了数据的安全性，还拓宽了AI研究和开发的可能性，使得AI技术的应用更加广泛和高效。
过去全同态加密的缺陷
核心挑战在于执行FHE所需的计算能力。一个全同态安全的数据集可以产生与其原始数据形式相同的分析结果。这是一个挑战性的壮举，需要大量的计算速度和能力，其中许多在现有计算机上实施是不切实际的。通常在原始数据上需要几秒钟的操作，在同态加密数据集上可能需要几小时甚至几天。这种计算挑战造成了一个自我延续的循环，许多工程师推迟了FHE项目的承担，从而减缓了其发展并限制了其优势的完全实现。
工程师在FHE上面临的一个具体的计算问题是处理“噪声误差”。在对同态加密数据集进行计算时，许多工程师都遇到了每次计算都会产生额外噪声或错误的情况。当只需要进行几次计算时，这是可以容忍的，但在多次分析之后，噪声可能变得如此突出，以至于原始数据变得难以理解。数据几乎丧失了。
为什么是现在
就像生成式人工智能一样，曾经被认为是有限和原始的，直到它变成主流，全同态加密（FHE）正走在类似的进步轨道上。许多行业领袖，甚至那些超越区块链领域的领袖，已经聚集起来组织对FHE的大量研究和开发。这导致了几个近期的行业发展，推动了这项技术进步的引人注目的叙述。
接下来会发生什么
多年来，全同态加密（FHE）一直是一个承诺提供强大端到端加密的想法，预示着数据隐私强大的未来。最近的发展开始将FHE从理论梦想转变为现实应用。虽然各种公司正在竞争成为首个实现强大、功能完备的FHE版本的先驱，但许多公司正合作共同导航这项强大技术的复杂性。这种合作精神通过他们实施各种跨团队项目和开发与其他库集成的开源库而显现。