工作内容
明确需要保密和验证的内容。
TEE 工程与证明验证
明确硬件保护的处理边界、证明验证策略与受控秘密释放。
零知识证明与验证
构建隐私证明与验证器集成原型，明确陈述和信任假设。
FHE 可行性与加密计算
对选定加密计算的正确性、精度、延迟、内存与成本进行基准测试。
明确测量边界的研究
确定敏感输入、结果的可见方，以及信任边界之外的运营方或系统。扩大开发前，通过可行性研究在代表性任务上比较合适的方法。
创始人的履历记载了在 Kin 的 TEE 与安全存储研究，以及在 Hypercent 的零知识证明研究。ZK 与 FHE 合作先从明确的可行性或集成范围开始。生产环境的保护效果与性能需要所选工作负载和环境的证据。
隐私计算方法
TEE 工程与证明验证
评估用于敏感处理的可信执行环境，包括 AI 流程。明确信任的硬件与软件，验证证明证据并控制密钥等秘密的释放。保护边界内部存在明文；外部调用、输出、日志和恢复也需要评审。
零知识证明与验证
明确待证明陈述、私有输入、公开输出及可信输入数据来源。使用已有证明系统构建范围明确的证明与验证器集成，适合时采用 zk-SNARK。测试无效声明、设置假设、证明耗时与验证成本。
FHE 可行性与加密计算
使用已有 FHE 库对选定的加密数据计算进行原型验证。与明文基线比较，记录密钥归属、允许解密的条件、精度、内存、延迟和成本。根据工作负载结果判断适用性；FHE 本身不能证明执行正确，也不能防止经授权输出造成的信息泄露。
工作流示意
机密 AI 与文档处理
- 01
梳理披露内容
确定输入文档、允许的输出和外部调用。
- 02
验证环境
按约定策略验证环境证明后再释放秘密。
- 03
在边界内处理
运行所选模型，检查日志、存储与输出路径。
- 04
测量与决策
扩大范围前比较质量、延迟、成本及策略验证失败时的行为。
TEE 示例流程，不代表已部署的机密 AI 系统。需要共同评估硬件、代码、外部服务、输出披露和运行责任。
阅读案例交付内容
经测试的保护边界与基于测量的后续方案。
包含受保护信息、信任假设和允许披露内容的数据流与威胁模型。
方法比较，以及采用已有组件的限定范围原型或集成。
约定边界内的正确性检查、负面测试及安全假设记录。
按需记录工作负载的延迟、内存、证明或验证成本及精度。
密钥、证明验证、输出和运行要求，以及已知限制与后续步骤。
开始之前
TEE、ZK 与 FHE 提供相同保护吗？
它们解决不同需求。TEE 基于硬件信任隔离执行；ZK 在隐藏指定输入的同时证明陈述；FHE 对加密输入计算。根据威胁模型和允许的输出来选择并测试方法。
可以不使用区块链吗？
可以。机密处理与隐私验证可集成到传统应用和数据平台中。仅在流程需要时加入区块链集成。
研究前能承诺 FHE 性能吗？
性能取决于计算内容、方案、参数、数据量和硬件。可行性研究记录明文基线与加密计算测量结果，再建议是否继续。
联系
讨论隐私需求
说明目标、背景和约束条件。对于专项技术咨询，我们会在开始前约定问题、准备工作、会谈范围和书面后续步骤。
讨论你的项目