搜尋意圖： 如果你在找「全同態加密 是什麼」或「全同態加密 和相近概念差在哪」，先看這頁的短定義、完整說明與延伸比較。
TL;DR： 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。
實用情境： 適合用在閱讀 AI 文章、產品文件或和同事討論時，先用一頁快速對齊概念。
下一步： 先讀完定義，再往下看延伸比較與對應工具，把概念轉成實際應用。
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。
常見問題
FHE 現在實用了嗎？有哪些真實案例？
FHE 目前處於「可演示但部署受限」的階段。計算效率已從 Gentry 2009 年提出時慢幾百萬倍縮短到慢幾百到幾千倍，IBM 的 HELib、Microsoft 的 SEAL、Zama 的 TFHE-rs 等開源庫已可用於實際開發。實際部署案例包括：Intel 與 Microsoft 合作的加密基因組分析（對加密 DNA 資料進行疾病風險預測）、金融機構的加密信用評分、以及 Zama 推出的面向 AI 推論的 Concrete ML 框架。限制在於，目前能實際部署的主要是較小規模的模型（如邏輯迴歸、淺層決策樹）或網路架構經過精心設計以減少非線性層的神經網路。大型深度神經網路的 FHE 推論在商業可接受的延遲內仍然困難，但隨著 FHE 專用硬體加速器的研發（如 FAB 計畫、Cornami 等），預計未來幾年內適用範圍會持續擴大。
FHE 和其他隱私計算技術（差分隱私、MPC、TEE）應該如何選擇？
四種技術的適用場景不同，選擇應依據威脅模型與實際需求。差分隱私（Differential Privacy）適合「公開發布聚合統計資料或機器學習模型」的場景，能有效防止成員推斷攻擊，但允許引入噪聲，不適合要求精確輸出的場景。安全多方計算（MPC）適合「多個互不信任的參與方協同計算」，延遲相對 FHE 低，但需要多輪通訊，適合參與方數量有限且網路條件好的場景。可信執行環境（TEE / Intel SGX）適合「信任硬體製造商但不信任雲端服務商」的場景，效能接近明文，但存在側通道攻擊的研究疑慮。FHE 適合「單一不可信第三方執行計算」且對延遲容忍度高的場景。實務上常組合使用：MPC 搭配 FHE 可降低 FHE 的單點計算瓶頸；TEE 搭配差分隱私可兼顧硬體保護與統計隱私。
為什麼 FHE 難以支援 ReLU 等非線性激活函數？
FHE 的同態運算建立在代數結構（環、群）上，天然支援加法與乘法（多項式運算）。ReLU（max(0, x)）這類分段線性函數涉及條件判斷（x 與 0 的大小比較），無法直接用有限次加法和乘法精確表達，需要用高次多項式近似。問題在於：近似所需的多項式次數越高（如 Degree-59 近似 ReLU），同態乘法的次數越多，噪聲累積越快，所需的加密參數越大，計算成本呈指數級上升。針對這個限制，研究者採用兩種策略：一是設計「FHE 友好型」網路架構，用平方激活函數（x²）替代 ReLU；二是採用混合協議，在 FHE 難以處理的非線性步驟切換到 MPC 或 TEE，兼顧效率與安全性。