TGE Spring全力加速中！ 市场对VC孵化的新币的FUD情绪退散，加密技术叙事会趁机来一波文艺复兴吗？ 在100%正统的加密技术叙事ZK（零知识证明）与FHE（全同态加密）中，ZK已经被二级市场充分定价了，而FHE尚处在一级市场的高估值泡泡🫧中。例如，Zama在2024年3月完成$7300万的第二轮融资，Mind Network在2024年9月完成了$1000万的Pre-A轮融资。 在25年Q1所有的项目都在全力加速TGE的背景下，已经进入Pre-TGE阶段的Mind Network，有望成为第一个吃螃蟹的FHE项目。FHE这个一级市场中略带神性的技术叙事，也是时候该让二级市场检验一下成色了。 1️⃣格的72变-FHE的基础原理 ZK和FHE的技术原理都非常硬核和抽象（字面意义上的抽象），但ZK经过Vitalik小论文、VC机构投研报告、KOL Thread常年的地毯轰炸式科普，圈内圈外的很多人都了解一些基本概念，比如经典的“不泄露任何信息的前提下，验证为真”。而FHE的市场认知度与ZK相比，要低上不止一个Level。 FHE技术的数学原理是利用基于格（Lattice）的加密方案，通过同态映射和噪声管理，实现在加密数据上执行任意计算而不泄露原始数据。 格（Lattice）是数学中的一个重要概念，广泛应用于代数、数论和密码学等领域。简单来说，格是由一组基向量生成的离散点集，这些点在向量空间中以周期性方式排列。FHE的安全性通常依赖于格上的学习带错误问题（LWE）等。 FHE方案（如BGV, BFV, CKKS等）利用格的结构的具体方法： 🔹加密映射：将明文映射到格中的点，然后添加适量的"噪声"来隐藏真实值。 🔹同态运算：加密数据的加法和乘法对应于格上的操作，但这些操作会增加噪声。 🔹噪声管理：FHE的关键挑战是管理操作过程中的噪声增长，通常通过"引导（bootstrapping）"等技术解决。 🔹环上的多项式表示：实际实现中，通常使用多项式环上的元素来表示格点，以提高效率。 简单来说，FHE允许对加密数据无需解密直接进行计算，从数据获取、传输到计算处理全程都在加密状态。 FHE和ZK并列为加密领域的两个技术"圣杯"，但两者各有侧重： 🔰FHE专注于数据隐私：加密后依然可计算，适合云计算和AI处理敏感数据； 🔰ZK注重证明而非计算：证明某事而不泄露额外信息，适合身份验证和隐私交易。 FHE的现实应用场景，目前主要有AI领域LLM模型的隐私训练、区块链隐私跨链和抗MEV、Multi-Agent的安全共识框架等。 2️⃣范式融合-Mind Netwrok的供应端方案 科普完FHE基础原理后，我们来重点分析一下该赛道的第一个TGE项目Mind Netwrok。 Mind Network项目在FHE赛道处于T1位置，致力于实现零信任互联网传输协议(HTTPZ)，主要面向AI隐私和安全领域，获得 Binance Labs、Hashkey、Chainlink 等知名机构的投资以及以太坊基金会的两次资助。 Mind Network的架构设计和运营策略打破了市场对加密极客团队的刻板印象，他们真的很懂Web3，很会整活儿。 在供应端这一侧，Mind Network一方面和行业领导者例如 Zama的先进 FHE 技术栈和硬件加速方案优化FHE 计算效率，另一方面通过设计去中心化网络结构和代币经济学降低FHE 计算成本。 Zama团队中，Paillier是Paillier密码的发明者，也是目前加法同态加密的最常用算法，ZAMA 提供的开源 FHE 工具（如 Concrete ML 和 fhEVM）是目前最常用的开源库，已和 Mind Network 深度合作，用于简化开发者在加密数据上的计算过程，服务于AI和Web3等领域。Mind Network 针对AI领域的核心解决方案是MindChain，也是首个服务于AI Agent的FHE Chain。AI Agent是当前Web3和AI领域的前沿方向，但Agent在去中心化环境中，往往面临更多的安全风险，MindChain基于FHE提供端对端加密的可验证计算，使AI Agent在交换信息，数据存储，协作决策等领域，保持安全，无需暴露底层数据。 除此以外，MindNetwork还推出了 MindLake，这是一个基于 FHE 的数据存储和隐私计算 Rollup 解决方案。并为 Arweave、IPFS 和 BNB Greenfield 等去中心化存储网络提供服务。另一方面，对于去中心化AI领域，例如分布式GPU计算和机器学习协议等，Mind Network还与Bittensor等平台合作，帮助其提供可信公平的加密计算机制，推动去中心化AI领域的进步。 3️⃣场景与花活-Mind Netwrok的需求端运营 而在具体的AI需求端，Mind Network在贴合加密行业现实的约束下发掘出了四大落地场景： 场景一：AI安全计算 - 敏感数据的安全驾驶舱 🤖 Mind Network与DeepSeek的合作揭示了其首要应用场景：可信AI。在传统AI模型训练中，数据必须以明文形式处理，这导致敏感信息暴露风险。通过FHE技术，Mind Network实现了： 🔹加密数据训练：医疗机构可在保护患者隐私的前提下，共享数据训练疾病诊断模型 🔹隐私推理服务：金融机构可使用客户加密数据进行信用评估，无需访问原始信息 🔹多方安全协作：不同组织间数据协作计算而不泄露数据所有权 这一场景直接应对了当前AI产业的核心痛点：数据孤岛与隐私担忧。DeepSeek通过整合Mind Network的FHE Rust SDK，使其开源模型能在加密状态下执行计算，为隐私敏感行业如医疗、金融拓展应用空间。 场景二：Multi-Agent系统的安全共识框架 🔄 随着AI Agent从单一模型向Multi Agent System，例如Swarms演进，Mind Network的AgentConnect Hub提供了关键基础设施： 🟦安全Agent身份系统：为AI代理提供去中心化身份(DID)，确保可信交互 🟦加密共识机制：多AI代理在不共享原始数据的情况下达成共识 🟦可验证AI决策：通过FHE执行的计算结果可被验证，增强系统信任 这一应用场景特别针对Swarms等Multi-Agent系统，使AI Agent能够在保护各自数据的同时协同工作。想象一个医疗诊断场景：多个专科AI Agent分析同一加密患者数据，共同形成诊断意见，而患者数据始终处于加密状态。 场景三：跨链资产安全桥接 🌉 Mind Network的FHE Bridge与Chainlink合作，为跨链交互提供了新范式： 🟦跨链传输：资产跨链转移过程中保持完全加密状态 🟦自主验证：接收链可直接验证加密资产的有效性，无需信任第三方 🟦抗审查交易：交易内容在全程保持隐私，减少MEV攻击和审查风险 与传统跨链桥不同，基于FHE的桥接允许在不解密的情况下验证跨链交易的有效性。这为DeFi协议和跨链应用提供了更高安全性，特别是在处理大额交易时。 有了舞台，谁来唱戏呢？Mind Network一方面通过CitizenZ的主网积分活动，激活了178万个活跃钱包和100万社区成员，已有超过20亿美元的资产在其平台上被代币化；另一方面又合纵连横与Restaking原语代表Eigenlayer、去中心化GPU算力网络等DePin项目以及AI领域的开源大模型、AI Agent框架项目和民主化AGI等等项目进行合作，为其FHE服务捕获真实的B端需求。 例如，开源大模型中的王者DeepSeek已经集成Mind Network的 FHE Rust SDK，这将允许基于DeepSeek 的 AI Agent在完全同态加密下执行计算，确保数据保持加密和安全。 再举个例子，Mind Network 与 Swarms、ai16Z、Viturals等AI Agent框架项目建立了合作伙伴关系，为它们提供Multi-Agent系统、FHE+TEE 和基于 FHE 的加密推理服务和支持。Mind Network计划在未来为超过 3,000 个 AI Agent 提供 FHE 安全服务。 4️⃣总结 二级市场上，已经很久没有这种兼具正宗加密技术叙事+时髦架构范式+接地气儿项目运营的白马资产了。Mind Network的到来，或许可以引导二级市场主逻辑从“过度赌场化”向“加密技术叙事”的回归。 但我们也要坦率地承认，FHE相比ZK处于盖特纳新兴技术曲线的更左侧位置。现阶段，FHE技术的落地仍面临以下显著挑战： 🔹性能门槛：即使经过优化，FHE计算开销仍远高于明文计算 🔹开发复杂性：FHE应用开发需要专业密码学知识，学习曲线陡峭 🔹标准化不足：行业缺乏统一FHE标准，不同实现间互操作性有限 所以，目前我们还不能使用真实协议收入这种业务估值模型对Mind Network进行估值。合理的做法，是将FHE技术的未来价值在当下进行折价。当然，未来价值与当下价格之间存在复杂的反身性关系。在简单数学模型对此无力的时候，我们可以更多参考预交易市场的定价。 以上。