Postingan

Sebelumnya, setiap kali membahas FHE (enkripsi homomorfik penuh), reaksi pertama saya selalu sama: teknologinya memang sangat hebat, tetapi apakah biaya dan kecepatannya cukup memadai untuk benar-benar digunakan di DeFi?


Bagaimanapun, keuangan on-chain bukanlah laboratorium.
Satu transfer bisa melibatkan pemeriksaan saldo, pengurangan jumlah, penambahan saldo, dan pembaruan status. Jika semua operasi ini dilakukan dalam keadaan terenkripsi, beban komputasi dan biaya perangkat keras akan menjadi masalah yang tak bisa dihindari.
Kali ini, setelah melihat AutoHoG yang dirilis oleh @primus_labs, menurut saya hal yang benar-benar patut diperhatikan bukan sekadar peningkatan performanya, melainkan cara komputasi yang lebih cerdas yang berhasil ditemukan.
Salah satu kendala FHE sebelumnya adalah logika yang kompleks harus dipecah menjadi banyak gerbang Boolean kecil, dan setiap gerbang memerlukan satu proses Bootstrapping yang mahal.
Primus mengubah proses ini:
Jika satu proses Bootstrapping dapat menangani beberapa input dan output, mengapa logika yang kompleks masih harus dipecah menjadi operasi-operasi kecil?
AutoHoG mengotomatiskan proses ini: mengenali logika yang dapat digabungkan dari sirkuit Verilog, lalu menghasilkan gerbang homomorfik khusus.
Hasilnya, latensi dapat dioptimalkan hingga 5,7 kali.
Yang lebih menarik adalah hasil pengujian berikutnya:
Dengan 8 kartu grafis RTX 5090 kelas konsumen dan saldo terenkripsi penuh 64-bit, satu transfer privat lengkap memerlukan sekitar 90ms, dengan kemampuan memproses lebih dari 210 transaksi per detik.
Di sini, saya justru lebih memperhatikan detail tentang GPU kelas konsumen.
Sebab, apakah suatu teknologi benar-benar bisa diadopsi secara luas tidak hanya bergantung pada kecepatannya, tetapi juga pada besarnya biaya yang diperlukan untuk menjalankannya.
Jika komputasi privasi harus bergantung pada perangkat keras khusus yang mahal, kemungkinan besar teknologi ini akan lama menjadi kemampuan eksklusif segelintir institusi.
Arah yang kini ditunjukkan Primus adalah memungkinkan GPU kelas konsumen biasa menangani komputasi semacam ini, sekaligus meningkatkan throughput hampir secara linear dengan menambah jumlah GPU.
Di baliknya, ada pula desain yang mudah terlewatkan: seluruh proses menggunakan operasi bilangan bulat yang presisi untuk memastikan node yang berbeda menghasilkan hasil ciphertext yang sepenuhnya konsisten.
Bagi jaringan terdesentralisasi, hal ini bahkan lebih penting daripada sekadar mengejar kecepatan. Performa bisa dioptimalkan, tetapi konsensus tidak boleh berbeda akibat kesalahan pembulatan floating-point pada perangkat keras yang berbeda.
Saya selalu percaya bahwa privasi on-chain yang benar-benar matang seharusnya tidak hanya menyembunyikan jumlah transaksi.
Privasi juga harus memungkinkan aktivitas keuangan seperti pinjaman, pembayaran, dan pengelolaan aset berjalan normal tanpa mengungkap data sensitif yang mendasarinya.
AutoHoG membuat saya melihat bahwa Primus sedang mengatasi masalah yang lebih mendasar:
bukan sekadar membuktikan bahwa FHE dapat mewujudkan privasi, tetapi menjadikan FHE mampu menangani beban komputasi dari bisnis keuangan nyata.
Mulai dari GPU hingga FPGA dan ASIC di masa depan, jika jalur teknis ini terus berhasil dikembangkan, privasi berpeluang berubah dari fitur tambahan di DeFi menjadi infrastruktur bawaan.
Inilah yang menurut saya membuat Primus layak terus diperhatikan.
@primus_labs #Primus
Lihat Asli
post-image
Halaman ini berisi konten pihak ketiga dan bukan merupakan nasihat apa pun, juga tidak mewakili dukungan Gate atas pandangan tersebut. Untuk detail, silakan lihat penafian.

  • 2

Tambahkan komentar
Tambahkan komentar

Komentar 2
ModAssistant
Saya masih belum begitu paham bagaimana AutoHoG ini diterapkan secara konkret. Menurut penulis, bagaimana?
MACDHistogramDyer
Optimasi latensi 5,7 kali terlihat mengesankan, tetapi jika GPU kelas konsumen memproses satu transaksi dalam 90ms, apakah kecepatannya masih akan tertinggal dalam skenario dengan konkurensi tinggi? Saya paham logika penggabungan Bootstrapping, tetapi dalam kondisi pasar yang bergejolak, bukankah pendekatan pemrosesan batch tetap seperti ini justru bisa menjadi penghambat?