同态加密
-
全同态加密技术原理详解及其应用场景分析
同态加密分为部分同态加密（PHE）、有限同态加密（SHE）和全同态加密（FHE）三大类。PHE仅支持单一运算（加法或乘法），SHE支持有限次加法和乘法运算，而FHE支持无限次运算，被视为同态加密的“圣杯”。2009年，IBM的克雷格·金特里首次提出可行的FHE方案，基于理想格和自举技术解决噪声累积问题。后续改进方案如B/FV显著提升了效率。FHE在云计算、医疗、金融及区块链（如隐私智能合约、隐私币）等领域有广泛应用潜力，但高昂的计算成本仍是主要挑战。
-
深入解析大语言模型运行网络BasedAI的工作原理与应用场景
BasedAI是一个结合大语言模型、ZK零知识证明和全同态加密技术的隐私保护AI项目，由Based Labs与Pepecoin团队联合开发。其核心创新在于通过”Cerberus Squeezing”技术优化加密计算效率，实现用户与AI模型的隐私交互。项目采用”大脑”机制管理计算资源，1024个稀缺性大脑NFT通过燃烧/质押Pepecoin获取，创造代币经济模型。原生代币$BASED涨幅超40倍，项目融合严肃AI技术与Meme经济，被部分KOL视为下一个Bittensor潜力项目。
-
FHEML全同态加密机器学习是什么 区块链技术如何应用
FHEML技术摘要 完全同态加密(FHE)支持对加密数据直接进行计算，结果解密后与明文计算一致。FHEML结合FHE与机器学习，能在加密数据上执行训练和推理，保护数据隐私。主要分为三类加密方案：SHE（有限运算）、FHE（无限运算）和部分HE（单一运算）。现有工具包括Zama的Concrete-ml（支持Python转FHE电路）、OpenMined的TenSEAL（神经网络张量加密）和TF Encrypted（TensorFlow加密生态）。核心应用场景涵盖外包计算、加密推理和加密训练，在医疗、金融等敏感领域具有重要价值，实现了”数据可用不可见”的隐私计算范式。
