注：本文来自@0xWendy99 推特，火星财经整理如下：
隐私计算是我个人最看好的技术方向之一，它很容易让人想到金融以外更广泛的落地应用场景，举个简单的例子，大家肯定不希望自己的生物基因信息或者聊天记录被别人掌握，但生物信息的探索和AI大模型训练等又需要很多数据。Messari @MessariCrypto 新发布的隐私计算的报告中文总结如下，欢迎交流指正：
1. 零知识证明（Zero-knowledge proofs，ZKPs）作为一种隐私工具，面临两个关键问题：1）大多数需要第三方生成证明，在这个过程中会有用户隐私数据暴露的可能。2）不适用于需要同时具备全局和私有状态的应用。
2. 全同态加密（Fully Homomorphic Encryption，FHE）能够在不解密的情况下对加密数据进行计算。
将其与多方计算（Multi-Party Computations，MPC）和零知识证明相结合可以创建一个更高效和全面的隐私解决方案。
3. ZKP现在流行的一大原因并不是其是最完美的隐私方案，而更多是实现可验证的链下计算，作为扩容方案存在。而当生成证明的计算更复杂，需要时间更久时，出现的解决方案是将证明生成外包给配备更强大硬件的第三方，也就是服务器端证明。这意味用户需要信任这些实体来保护他们的数据，类似于Web2的云服务。
4. 利用服务器端证明的应用包括：
ZK Rollups：Starknet、zkSync、Scroll、Aztec、Linea
跨链互操作性：Polymer、Polyhedra、Herodotus、Succinct
中间件：Hyper Oracle、Space and Time
ZK 机器学习：ModulusLabs、Giza
通用证明：Risc Zero、=nil;、Marlin、Ironmill
5. 有三种主要类型的同态加密方案：部分同态加密、弱同态加密和全同态加密。
部分同态加密：有限类型计算，不通用；
弱同态加密：有一定灵活性，如数据聚合和统计计算；
全同态加密：最强，可执行通用计算；但贵。
6. 区块链相关的全同态加密项目有哪些：
Elusiv：Solana上的隐私支付；
SherLOCKED：以太坊隐私合约；
Penumbra：隐私dex；
Privasea AI：隐私机器学习；
等等。
7. 全同态加密的问题：解密的权利是中心化的，一般会采用多方计算（MPC）技术将解密密钥分布在多个节点之间；计算贵（Chain Reaction正在开发专为FHE定制的ASIC，预计将在2024年第四季度推出首款芯片。）；有噪声。
8. 为了真正促进主流的FHE采用，需要丰富开发生态系统。这意味着更多可访问的工具、全面的库、SDK和编译器，以简化将FHE集成到现有的加密应用程序中。这将有助于降低使用FHE的门槛，加速其在各种应用中的采用。
微信扫一扫 
