Do "Santo Graal" à pedra angular: como o FHE está a remodelar o ecossistema de computação privada do Web3?

Eu disse em muitos artigos antes que o AI Agent será a “salvação” de muitas narrativas antigas na indústria cripto. Na última onda de evolução narrativa em torno da autonomia da IA, o TEE já esteve no auge, mas também há um conceito técnico mais “impopular” do que o TEE e até mesmo o ZKP FHE - criptografia totalmente homomórfica, que também “renascerá” devido ao impulso da trilha de IA. Abaixo, vamos resolver a lógica através de casos:

A FHE é uma técnica criptográfica que permite realizar cálculos diretamente sobre dados encriptados, sendo considerada o “Santo Graal”. Em comparação com narrativas populares como ZKP e TEE, a FHE ocupa uma posição relativamente menos proeminente, principalmente devido a questões de custos e cenários de aplicação.

A Mind Network está focada na infraestrutura de FHE e lançou a FHE Chain – MindChain, que se concentra em Agentes de IA. Embora tenha arrecadado mais de dez milhões de dólares e tenha passado vários anos a desenvolver a tecnologia, a atenção do mercado ainda é subestimada devido às limitações do próprio FHE.

No entanto, recentemente a Mind Network lançou várias boas notícias em torno de cenários de aplicação de IA, como a integração do FHE Rust SDK que desenvolveram no modelo de grande escala de código aberto DeepSeek, tornando-se uma parte fundamental em cenários de treinamento de IA, fornecendo uma base segura para a realização de IA confiável. Por que o FHE pode se destacar na computação de privacidade de IA, será que pode aproveitar a narrativa do Agente de IA para realizar uma ultrapassagem ou redenção?

De forma simples: a encriptação totalmente homomórfica (FHE) é uma técnica de criptografia que pode atuar diretamente sobre a arquitetura atual das blockchains públicas, permitindo realizar cálculos arbitrários, como adição e multiplicação, diretamente sobre dados encriptados, sem a necessidade de descriptografar os dados previamente.

Em outras palavras, a aplicação da tecnologia FHE pode permitir que os dados sejam encriptados durante todo o processo, desde a entrada até a saída, de modo que mesmo os nós que mantêm o consenso da cadeia pública para verificação não consigam acessar informações em texto claro. Assim, isso permite que a FHE forneça uma base técnica para o treinamento de alguns LLMs de IA em cenários verticalmente segmentados, como saúde e finanças.

Permitir que a encriptação totalmente homomórfica se torne uma solução “preferencial” para o treinamento de modelos de IA tradicionais em cenários verticais ricos de expansão e em combinação com a arquitetura distribuída da blockchain. Quer se trate da colaboração entre instituições em dados de saúde, quer da inferência de privacidade em cenários de transações financeiras, a encriptação totalmente homomórfica pode, devido às suas particularidades, tornar-se uma opção complementar.

Isto na verdade não é abstrato, fica claro com um exemplo simples: por exemplo, o AI Agent como uma aplicação voltada para o consumidor final, normalmente terá um backend que integra diferentes grandes modelos de IA fornecidos por fornecedores como DeepSeek, Claude, OpenAI, entre outros. Mas como garantir que, em alguns cenários de aplicações financeiras altamente sensíveis, o processo de execução do AI Agent não seja impactado por um backend de grandes modelos que de repente altera as regras? Isso certamente requer a encriptação do Prompt de entrada, para que, quando os prestadores de serviços de LLMs processarem diretamente o texto cifrado, não haja intervenções forçadas que comprometam a justiça.

Então, o que é o conceito de “IA confiável”? A IA confiável é uma visão de IA descentralizada FHE que a Mind Network tenta construir, permitindo que múltiplas partes realizem treinamento e inferência de modelos de forma eficiente através de poder computacional distribuído GPU, sem a necessidade de depender de um servidor central, fornecendo validação de consenso baseada em FHE para Agentes de IA, entre outros. Este design elimina as limitações da IA centralizada original, oferecendo uma dupla garantia de privacidade e autonomia para o funcionamento de Agentes de IA web3 em uma arquitetura distribuída.

Isso se alinha ainda mais à direção narrativa da própria arquitetura de blockchain distribuída da Mind Network. Por exemplo, durante processos de transação em uma cadeia especial, a FHE pode proteger a privacidade da inferência e execução dos dados do Oracle das partes envolvidas, permitindo que o Agente de IA tome decisões comerciais autônomas sem expor suas posições ou estratégias, entre outras coisas.

Então, por que se diz que a FHE terá um caminho de penetração semelhante ao da TEE na indústria e que a explosão de cenários de aplicação de IA trará oportunidades diretas?

Anteriormente, a TEE foi capaz de aproveitar a oportunidade do AI Agent, graças ao ambiente de hardware TEE, que pode realizar a custódia de dados em um estado privado e, em seguida, permitir que o AI Agent hospede chaves privadas de forma independente, para que o AI Agent possa alcançar uma narrativa moderna de gerenciamento autônomo de ativos. No entanto, há uma falha na custódia TEE de chaves privadas: a confiança depende de provedores de hardware de terceiros (como a Intel). Para que as ETE funcionem, é necessária uma arquitetura de cadeia distribuída que associe um conjunto adicional de restrições de “consenso” abertas e transparentes ao ambiente das ETE. Em contraste, os PHEs podem ser baseados em uma arquitetura de cadeia descentralizada sem depender de terceiros.

FHE e TEE têm nichos ecológicos semelhantes; embora o TEE ainda não seja amplamente aplicado no ecossistema web3, já é uma tecnologia muito madura no campo web2. Em comparação, o FHE também encontrará gradualmente valor na sua existência tanto no web2 quanto no web3 com a explosão desta tendência de IA.

Acima.

Em suma, pode-se ver que a encriptação totalmente homomórfica, uma tecnologia de encriptação de nível de Santo Graal, sob a premissa de que a IA se tornará o futuro, certamente se tornará uma das pedras angulares da segurança, com uma possibilidade de ser amplamente adotada.

Claro, no entanto, não se pode evitar o problema dos custos de overhead na implementação do algoritmo FHE. Se ele puder ser aplicado no cenário de IA do web2 e, em seguida, vinculado ao cenário de IA do web3, certamente irá liberar de forma surpreendente o “efeito de escala” e diluir os custos totais, permitindo uma aplicação mais abrangente.