FHE 独角兽 Zama 万字报告：全景式拆解其发展背景、技术架构、生态格局、潜在挑战与未来前景

作者：ShirleyLi，Web3Caff Research 研究员

封面：Logo by Camp Network，Photo by Andrei Castanha on Unsplash，Typography by Web3Caff Research

字数：全文共计 11200+

一、背景

随着比特币的兴起，区块链技术因为其 “去中心化 “ 和 ” 透明性 “ 的两大特性开始被越来越多的人关注，并逐步受到市场的认可。因为这两种特性可以有效避免传统交互中的一些问题，例如，交互的运转高度依赖中心化机构；中心化机构掌握着不同的账本，存在篡改数据或者账本之间数据不一致的潜在风险；交互数据集中存储，这样会导致数据流向缺乏透明性、难以追踪等问题。

然而，随着区块链技术渗透到 DeFi、Web3 社交等更加复杂的场景中，这两种特性反而在一定程度上演化成为了 “隐私负担”。例如，DeFi 用户并不希望自己的资金余额、交互数据或者策略被公开，而用户在社交场景或者需要进行身份验证时，同样也不愿意自己的行为数据、资产信息等全部被暴露。因此，如何能够在去中心化的系统中保护用户的隐私性就成为了开发者致力探索的路径之一。

二、四代 FHE 解读

据 WiKipedia 对同态加密技术的定义，从 1978 年开始至今，FHE 的发展大致可以划分为四个阶段。在这四个阶段中，BGV、BFV、FHEW、TFHE 和 CKKS 这五种代表性的加密方案先后诞生。而目前，几乎所有主流的 FHE 库都是基于这五种方案来构建。通过下面这张列表，我们可以很清楚地看到 Zama 推出的 FHE 库正是建立在 TFHE 方案的基础之上。

三、Zama 对 FHE 的研究及拓展

Zama 的 TFHE 库实现了包括加法和函数计算等在内的常用同态操作，能够支持通过 Bootstrapping 来刷新密文中的噪声，但在此之上，Zama 也进行了一定的创新。

根据 Zama 白皮书中实验结果显示，Zama 团队对其 FHE 库在不同深度的神经网络中的运行情况进行了测试（神经网络一种模拟人类神经元传递消息方式的网络，它与人类大脑一样，通过训练可以完成很多事情。神经深度越高，表达能力越强，但其计算成本也就越高）。

如下图所示，NN-20、NN-50 和 NN-100 分别代表深度为 20、50 和 100 的网络。从结果中可以发现，Zama 能够处理深度达到 100 的神经网络，但随着网络深度加深，其推理所需时间会明显增加，而最终还原的明文精度也会逐步下降。相较本地计算环境，在 AWS 云端运行的耗时会更快，为此，Zama 团队也正计划在专用硬件设备上实现加速，以进一步优化加密计算的时间性能。

图源：Programmable Bootstrapping Enables Efficient Homomorphic Inference of Deep Neural Networks

五、Zama 生态的发展情况

总的来说，Zama 团队以 FHE 库为基础，开发了新的框架 FHEVM，并以 FHEVM 为核心打造了可以支持 EVM 链的隐私增强模块 Zama Protocol，并希望借助该协议来打造服务于隐私应用的生态，并由此重塑 Web3 应用设计的新范式。

相比其他很多成熟产品，Zama 的生态规模并不庞大。从官方公布的数据来看（截取时间：2025/7/30），目前在 Zama Protocol 的测试网上完成部署的项目一共有 11 个，包含隐私拍卖协议 deBerry’s、FHE 网络 Fhenix、Web3 隐私身份堆栈 Galactica、FHE 基础设施 Mind Network、加密 AI 网络 PrivaSea、模块化隐私层 Inco 、Shiba Inu、稳定币项目 tGBP 和金融隐私产品 Zaïffer 等。