全同態加密 是什麼？
FHE：全同態加密 的完整解釋
允許在不解密的情況下直接對密文執行任意計算，計算結果解密後等同於對明文運算的密碼學技術。
FHE（Fully Homomorphic Encryption，全同態加密）被密碼學界視為「密碼學的聖杯」，由 Craig Gentry 於 2009 年首次從理論上實現，此後工程實作持續演進，正在從學術理論走向實際可用的隱私 AI 基礎設施。
同態加密的類型
在理解 FHE 之前，有必要了解同態加密的分類體系：
部分同態加密（PHE, Partially Homomorphic Encryption）：只支援一種運算（加法或乘法），例如 RSA 天然支援乘法同態，Paillier 加密系統支援加法同態。
層次型全同態加密（Leveled FHE）：支援有限層數的加法與乘法組合，電路深度（circuit depth）受限，超過預設深度後誤差累積使解密失敗。
全同態加密（FHE）：透過「自舉（Bootstrapping）」機制刷新密文的噪聲，理論上支援任意深度的運算電路，即任意複雜的函數。
核心技術原理
現代 FHE 方案通常基於格密碼學（Lattice-based Cryptography），其安全性依賴「帶誤差學習（LWE, Learning With Errors）」或「環帶誤差學習（RLWE, Ring Learning With Errors）」問題的計算困難性。
FHE 的基本構造：加密時在明文中加入受控的隨機噪聲，噪聲在安全量內不影響解密，但每次同態運算（特別是乘法）會使噪聲增長。當噪聲累積超過閾值，解密將失敗。
自舉（Bootstrapping）是 Gentry 解決噪聲累積問題的核心技術：將解密函數本身當作一個同態電路來計算，在密文上同態地執行解密再重新加密，刷新噪聲水平，使電路深度不受限制。
主流 FHE 方案包括：
- BFV / BGV：適合整數運算，常用於機器學習推論
- CKKS（Cheon-Kim-Kim-Song）：支援浮點數近似運算，對 AI 推論中的實數運算更友好，允許一定的近似誤差
- TFHE（Torus FHE）：支援快速自舉，適合低深度電路的高頻運算
在隱私 AI 中的應用
FHE 在 AI 與機器學習中的應用主要集中在推論階段（訓練階段的計算量目前仍難以承受）：
- 隱私保護的醫療 AI：醫院將加密的病患資料送至雲端 AI 模型進行診斷，雲端無法看到原始資料，只回傳加密的診斷結果。
- 金融風控：客戶的財務資料以加密形式送入詐欺偵測模型，金融機構的 AI 模型同樣保持加密，兩方的敏感資訊均不暴露。
- 聯邦學習強化：在聯邦學習中，各節點的梯度更新以 FHE 加密後匯總，防止服務器從梯度推斷原始資料。
現實挑戰
FHE 目前面臨的主要限制是計算開銷。即使經過十餘年的演算法最佳化與硬體加速研究，FHE 的計算成本仍比明文運算高出數個數量級（通常為 1000 倍到百萬倍）。一個簡單的神經網路推論在 FHE 下可能需要數分鐘甚至數小時。此外，FHE 對非線性函數（如 ReLU）的支援困難，需要用多項式近似替代，影響模型表達能力。
與其他隱私技術的比較
- 差分隱私（Differential Privacy）：在統計意義上保護個人資料，但允許加入噪聲犧牲部分準確性；FHE 保護計算過程的完整保密性。
- 安全多方計算（MPC）：多個參與方共同計算，各方只知道自己的輸入和最終結果；FHE 允許單一（不可信）方進行計算，無需多方互動。
- 可信執行環境（TEE）：依賴硬體隔離（如 Intel SGX）保護計算，需信任硬體製造商；FHE 是純數學保證，不依賴硬體可信度。