2026 年的全同态加密:什么能交付,什么还是炒作

返回
Kevin Riedl

11 分钟 阅读 · 5 Jul 2026
最近审核

下一篇
图片在你的设备上生成,不连接 Instagram。文章链接会复制到剪贴板,供链接贴纸使用。

全同态加密在应用密码学里的名声最古怪:既是“圣杯”,又“永远还差十年”。这两个名声现在都错了。Apple 与 Microsoft 公开了生产私有查询部署,Zama 也在以太坊上运行加密智能合约基础设施。性能开销仍大,却会随方案、操作、参数、batching、硬件和明文基线变化;不存在诚实的通用倍数。这篇文章说明 FHE 在 2026 年实际交付了什么,以及应该测量什么。

这是工程视角,不是供应商推销。凡是数字来自供应商、或者是路线图预测而非实际成果,我们都会标注。参考点来自 Wavect 在前沿技术与 AI 上的工作。

在为产品权衡 FHE 还是 TEE?

 预约免费咨询

FHE 是什么,为什么突然变得有意思了?

FHE 让服务器在从不解密的前提下对加密数据做计算。客户端加密输入,服务器蒙着眼跑计算,只有客户端能解密结果。服务器什么都学不到,连答案都学不到。这是一个比静态加密强得多的类别性承诺,也比可信执行环境更强,因为信任模型里没有硬件厂商。

它变得有意思,原因有二。第一是性能:一次 TFHE bootstrapping(自举)操作,也就是无限深度加密计算的基本单元,从 CPU 上的数十毫秒降到了 NVIDIA H100 上的不足 1 毫秒。第二是可信度:Apple 把它以消费级规模交付了,而 Zama 在 2025 年 6 月以超过 10 亿美元的估值完成 5,700 万美元 B 轮,成为该领域第一家独角兽 (Zama)。钱和生产部署改变了这场对话。

哪种方案干哪种活?

“FHE”是一个家族,选错成员是常见的第一个错误:

方案数据模型强项典型用途
TFHE (CGGI)比特与小整数快速可编程 bootstrapping,经查找表实现任意逻辑比较、分支逻辑、加密智能合约
CKKS近似实数,SIMD 打包数值负载下最佳的摊销吞吐机器学习推理、统计、分析
BGV / BFV精确整数,SIMD 打包规模化的精确算术私有查询(PIR)、精确分析、计数

经验法则:逻辑和比较用 TFHE,ML 用 CKKS,精确查询用 BFV。想入门这些方案,2025 年的“Beginner’s Textbook for Fully Homomorphic Encryption”是个好起点 (arXiv 2503.05136)。现代技术栈越来越多地在计算中途切换方案,Google 的 HEIR 这类编译器项目干的正是这个。

生产环境里到底交付了什么?

生产清单很短、很真实,也很有教益:

  • Apple Live Caller ID Lookup(iOS 18+)。你的 iPhone 用基于 BFV 的私有信息检索,在不向服务器透露电话号码的前提下,把陌生来电与来电识别服务商的数据库比对。Apple 把这套栈开源为 swift-homomorphic-encryption (Swift.org, 2024)。加上下面的 Enhanced Visual Search,这很可能是现存最大的消费级 FHE 部署面。
  • Apple Enhanced Visual Search。 照片应用将加密后的嵌入向量与服务器索引匹配。Apple 的文档还说明了用于掩盖真实请求的虚假请求,以及向 Apple 服务器隐藏源 IP 地址的 OHTTP 中继。 Apple 技术支持文档.
  • Microsoft Edge Password Monitor。 Edge 使用基于 Microsoft SEAL 的私有集合成员查询来检查凭据是否泄露。 Microsoft Research 的协议说明.
  • 以太坊上的 Zama Protocol。2025 年 12 月 31 日上主网,通过 TFHE 加门限 MPC 密钥服务实现加密余额和机密转账 (Zama docs)。协议已经上线;应用吞吐取决于加密操作,必须实测。
  • 企业数据协作。Duality Technologies 与包括 Dana-Farber 在内的医疗伙伴运行同态与联邦分析,通常是把 HE 与联邦学习结合,而不是把一切都放在 FHE 下跑。

注意每个消费级部署的共同点:都是针对服务器数据集的私有查询,文献里叫私有信息检索(PIR)。小查询、有界的计算、能容忍异步的延迟。这就是能交付的模式。没有人把后端跑在 FHE 下,包括地球上最有钱的那几家公司。

Kevin Riedl

"每一个真正交付了的 FHE 部署都是一次窄小的私有查询。失败的团队,都是想把整个后端加密的那些。"

FHE 到底有多慢?

截至 2026 年 11 月 11 日复核的数字:

  • 总体开销没有可辩护的通用倍数。方案、安全参数、操作、深度、packing、bootstrap 频率、硬件和明文比较对象都会改变成本。必须测完整路径。
  • TFHE bootstrapping:现代 CPU 单核上个位数毫秒,H100 级 GPU 上不足 1 毫秒,有报告称一台 8 GPU 节点上每秒约 189,000 次 bootstrap(供应商数字)。
  • 小模型 ML 推理:逻辑回归、决策树和小型神经网络在 CKKS 下或经 Zama 的 Concrete ML 数秒内跑完;后者转换量化模型,4 比特量化下精度与明文相差不过几个点 (Hugging Face / Zama)。
  • 规模化 PIR:今天就实用。Apple 以可接受的延迟和服务器成本,为全球相当大一部分 iPhone 回答加密查询。

不要用通用 FHE 倍数缩放明文延迟。先建模操作、参数、密文 packing、bootstrap、序列化、传输和目标硬件,再做端到端测量。

比较各库时,用相同的端到端工作负载,记录延迟、吞吐量、峰值内存、输出准确度和安全参数。社区基准套件要求参数至少达到 128 位安全目标。CKKS 对应的 ISO/IEC 28033-3 仍是审批中的最终草案。 FHE Benchmarking Suite · ISO/IEC 28033-3 草案状态

能在 FHE 下跑 LLM 吗?

常被引用的 GPT-2 每 token 8.2 分钟、25.3 GB 通信量出自两方计算实验。这些通信成本对应的是该实验使用的协议。 arXiv 2410.13060.

加密版 Llama-3-8B 已进入研究实测阶段。Sylph 团队报告,在八块 RTX PRO 6000 上处理含 128 个加密 token 的提示约需 20 秒,生成每个 token 需 18 秒。11 月发表的 Perseus 预印本报告,在一块 RTX PRO 6000 上用 512 个 token 的上下文做单步解码需 7.8 秒。两项测试的提示长度和硬件不同。应分别测量提示预填充与生成,并在端到端延迟中计入客户端加密和解密。 Sylph 预印本 · Perseus 预印本表 1

硬件会修好这个开销吗?

会修好一部分,时间表还算可信:

  • 今天就能买到的:GPU。公开结果显示,GPU 对特定 TFHE 参数的 bootstrap 有大幅加速,但不能证明应用端到端吞吐。Zama 当前文档描述 CPU 与 GPU coprocessor 路径;应测试实际部署路径。
  • 原型芯片:Intel HERACLES。Intel 于 2026 年 2 月在 ISSCC 展示了一颗已制造的 8192 路 SIMD FHE 加速器,并报告其在七种基础操作上比 Xeon 快 1,074 到 5,547 倍 (IEEE Spectrum)。这纠正了两个相反的错误:HERACLES 并未停止,也不再只是仿真。但它仍是研究原型,尚未宣布商用。因此今天仍应围绕可部署的 GPU 做架构,把 ASIC 当成未来上行空间。

该从哪个库开始?

库方案侧重语言什么时候选它
TFHE-rs / Concrete (Zama)TFHERust、Python加密逻辑与整数;事实上的 TFHE 标准,社区最大
Concrete ML (Zama)TFHEPython,类 scikit-learn API小模型私有 ML 推理;没有官方弃用声明,但新生产项目投入前应核对发布节奏和支持是否匹配 (官方文档)
OpenFHE(联盟)所有主流方案C++支持多种方案和门限计算的 CPU 基线。v1.6.1 修复了部分均匀三元密钥配置下 CKKS 自举后的解密失败。 v1.6.1 发布说明.
PoulpyCKKS、二进制 FHERust支持 CKKS 自举和加密矩阵运算。v0.10.0 通过 CubeCL 加入可移植的 GPU 后端,也可用 CPU 后端做对比。 v0.10.0 发布说明.
FIDESlibCKKSC++ / CUDA在 NVIDIA GPU 上运行、性能敏感的服务端 CKKS;与 OpenFHE 客户端互操作,论文报告 bootstrapping 至少比 AVX 优化的 OpenFHE 快 70 倍 (论文)
swift-homomorphic-encryption (Apple)BFVSwiftPIR 式私有查询,尤其在 Apple 生态内
Lattigo (Tune Insight)CKKS、BGV、多方GoGo 团队与多方 HE 场景
Microsoft SEALBFV、CKKSC++适合现有 BFV 和 CKKS 集成的紧凑 C++ 技术栈。SEAL 4.7.2 已发布。较新的 .NET 软件包须从源码构建。 Microsoft 的 .NET 打包说明.
HEIR (Google)跨方案编译器基于 MLIR把高层代码编译到 FHE 后端;最可能的长期抽象层 (heir.dev)

比较 CKKS 的 CPU 和 GPU 构建时,统一精度、安全目标和批量大小。Poulpy 可以测试两种路径,FIDESlib 则是面向 NVIDIA 的 CKKS 选项。试点时也要测密文和求值密钥的传输、GPU 内存及尾部延迟。

常见问题

2026 年全同态加密实用吗?
对私有查询、小模型推理和有限加密逻辑等窄负载,实用。通用或延迟敏感系统仍需端到端基准,因为成本会随方案、参数、操作、batching 和硬件剧烈变化。
FHE 和 Intel TDX 或机密 GPU 这类 TEE 的区别是什么?
TEE 在硬件隔离内处理明文,其信任边界包含芯片厂商、固件、attestation 和侧信道防御。FHE 在密文上计算,移除这层硬件保密根,但增加密码参数、密钥处理、实现风险和负载特定开销。应按威胁模型和实测选择。
FHE 能私密地跑 ChatGPT 式的模型吗?
研究系统已经能处理全加密的提示,并通过 Llama-3-8B 生成 token。11 月的 Perseus 预印本报告,在一块 RTX PRO 6000 上用 512 个 token 的上下文完成单步解码需 7.8 秒。规划交互延迟时,可将它作为研究测量值。
TFHE 和 CKKS 是什么关系?
TFHE 在比特和小整数上计算,bootstrapping 很快,最适合比较、分支和精确逻辑。CKKS 在近似实数上计算,SIMD 打包密集,是机器学习和统计的首选方案。认真的应用常常通过方案切换把两者结合起来。
新项目应该选哪一个 FHE 库?
按方案和实测负载选,不要按厂商名气选。TFHE 逻辑可把 TFHE-rs 作为成熟默认项,BFV 私有查询适合 Apple 的 Swift 库;CKKS 必须对比:CPU 上测 Poulpy、Lattigo、SEAL 和 OpenFHE,合适时再加入 FIDESlib 这类 GPU 原生选项。OpenFHE 功能广度出色,但并不自动等于最快的 CKKS 实现。

最终思考

2026 年的 FHE 既不是圣杯,也不是雾件。它是一个有着已验证生产模式的专用工具:客户端加密一个小查询,服务器蒙眼计算,除了用户本人没有任何人看到数据。Apple、Microsoft 和 Zama 交付的都正是这个形状,而强工程团队今天已能用有人维护的开源技术栈构建它。

纪律体现在你拒绝构建什么上:任何交互式的东西、任何前沿模型尺寸的东西、任何一个数据库加访问控制就已满足信任模型的东西。把 FHE 的范围收窄到那一个必须蒙眼进行的计算,在精确的负载与目标硬件上测试各个库,让 TEE 去扛 FHE 扛不动的负载。这样,你才能把密码学里最强的隐私保证装进产品,而产品不至于死于延迟。

想为你的技术栈做一次诚实的 FHE 可行性核查?

 预约免费咨询

生产级 AI 支持

正在构建 AI 产品,却担心推理成本、架构或生产可用性?Wavect 帮助创始人把 AI 原型变成可靠的生产系统。

查看相关服务:

只收重要内容

关注与你相关的内容

每当我们发布新文章,你会收到一封简短邮件。你可以关注整个博客,也可以只选感兴趣的主题。

你希望接收哪些内容?
选择主题

免费、双重确认、不使用跟踪像素。

返回
Kevin Riedl

11 分钟 阅读 · 5 Jul 2026
最近审核

下一篇

获取下一篇关于Web3 与隐私的一线笔记

有新文章时发送一封简短邮件,不使用跟踪像素,也不发送填充内容。

免费、双重确认、不使用跟踪像素。