股巢配资 AI主权的底层战争：全同态加密正在成为新基础设施

全同态加密这项完美而复杂的技术，今年能否迎来第一个商业化爆发点？

人类云计算的浩瀚版图中，一个确定性的方向是，从明文计算走向更安全可控的密文计算。

但受限于性能和成本难题，密文计算在很长一段时间里走不进应用层。

当前产业界主流的隐私计算方案，主要依赖基于硬件隔离的机密计算（TEE）技术，它就像在修补一个“漏水的桶”，没法彻底解决安全与信任问题。

旧契约失效，让行业转向了下一个终极手段：全同态加密（FHE）。

全同态加密是密码学领域的圣杯。理论上堪称完美，允许数据在加密状态下直接参与计算，彻底分离数据的所有权和使用权，云端服务商无法触碰数据明文。

然而在工程实现上，物理世界的阻力是全同态加密一直以来无法逾越的高山。全同态加密算法会导致数据体积剧烈膨胀。复杂计算带来的算力损耗，在CPU上，是明文计算的上万倍。

因此，自从2009年Gentry设计出第一个全同态密码算法以来，FHE一直被看作是数学家的玩具。一个走上正轨的信号是，2020年左右，这项技术迎来了美国DARPA国家队的入局，开始系统性地资助Intel、微软等巨头研发全同态加密专用加速芯片。

真正的转折点出现在2026年初。

今年新春期间的ISSCC大会上，全同态加密硬件迎来了史无前例的集中爆发。半导体巨头Intel发布了其全同态加密专用芯片SoC架构HERACLES。该芯片采用Intel 3 CMOS工艺，搭载了8192宽度的SIMD向量计算引擎，其FHE性能比高端服务器CPU提升了高达5547倍。

与此同时，学术界也交出了重磅答卷：复旦大学展示了一款28nm的Torus FHE处理器，通过安全低位宽量化等技术，在128位安全级别下实现了极低能耗与可观的吞吐量；韩国KAIST则发布了名为OmniCrypt的多方案FHE加速器，实现了高达107倍的CPU提速。

硬件技术突破的曙光前，商业化量产的步伐也在迅猛推进。全球定制半导体厂商SEMIFIVE近期宣布，获得了美国FHE硬件加速平台Niobium价值约686万美元的设计订单，双方将基于三星晶圆代工的8nm（8LPU）工艺，合作开发量产级的高性能FHE硬件加速器，致力于将原型系统推向实际的云和人工智能基础设施。

Niobium CEO直言，一旦企业能以足够快的速度直接处理加密数据，以明文形式处理敏感信息的行为，将不再被接受。

那么，全同态加密这项完美而复杂的技术，今年能否迎来第一个商业化爆发点？

2026，全同态加密需要“杀手级应用”

Intel的一声发令枪响，产业链的强势跟进，代表着全同态加密正式进入了产业竞争。

但硬件就位，只是打下了未来万丈高楼的地基。应用能不能落地，还要看配套的算法库和开发框架是否成熟。

基础设施，才是全同态加密现在最棘手的路障。

自大模型以后，有一个规律反复被验证：任何一个确定性的技术方向，都充满了国产厂商和中国创业者的身影。他们擅长从生态和社区突围，打开全球开发者的想象力，甚至能早于科技巨头定义一个技术领域的标准。

这个规律，在全同态加密的技术链条上再次奏效。

赛道的起跑线附近，真正的入局者其实非常稀缺。其中有一家名叫密流智能的国内初创公司，正在填补从芯片到应用落地之间的基础设施真空带。

密流智能是一家典型的长期主义技术公司，核心团队在2011年设计的BFV全同态算法，是国际ISO标准化流程中的四个全同态算法中的唯一一个中国人参与设计的算法。公司创始人是2026年FHE.org大会的主席，这也是全球唯一专注全同态加密技术的顶会。目前，密流智能已经构建了相对完备的技术栈，最近宣布核心框架，并会逐渐完成全栈开源。

从2021年开始，看到DARPA启动了攻克全同态加密计算性能的DPRIVE项目之后，密流智能也决定all in这一冉冉升起的赛道，并迅速确定了自身的生态位：成为全同态加密基础设施的全球标准定义者。

如果套用AI产业的五层架构：最底层是能源，第一层是算力，Intel和英伟达正在攻克；第二层是基础设施，包括编译器和中间件，这是一个相对无人区，密流智能的主战场，Google等大厂也在同步探索。

而在更上方的应用层，星星之火已经燃起。2024年苹果在WWDC上发布了Swift Homomorphic Encryption库，这是全同态加密第一次以代码库的形式进入主流开发者的视野，但它更多服务于iOS生态内的隐私保护。同期，Web 3初创公司Zama将全同态加密率先应用于加密支付领域，在2025年成为了全同态密码产业第一个独角兽企业。

目前的局面是：不同厂商在各自领地内做点状试水，但缺乏一个通用的、跨平台的工业级标准。密流智能想要解决的正是这个问题。事实上，密流智能最早把精力放在了硬件加速器的开发，其基于三级缓存和片上网络的高性能FPGA加速卡已经迭代了2代，其性能在加速卡中处于全球领先地位。但后来发现，除了算力问题，开发者使用同态密码的门槛是难以逾越的障碍：你不能期待所有的开发工程师都是密码专家。于是，团队决定优先解决上层问题：开发一个通用框架，把应用开发的门槛抹平。

密流智能最近开源了两个平台：LattiSense框架与LattiAI平台，形成了从底层到上层的全流程解决方案。

LattiSense作为底层框架，通过统一抽象接口屏蔽FHE底层密码学细节，让开发者能够专注业务逻辑实现，在全程不解密的前提下，对加密数据执行复杂计算，而内置的编译器与调度器则会自动完成异构硬件上的核心运算与调度工作，从而提供高效的底层加密支撑。LattiSense的开源，打破了全同态加密生态下硬件适配的壁垒。

LattiAI是一款面向隐私保护型AI模型推理的开发平台，基于LattiSense框架构建，覆盖了从PyTorch等框架训练的明文模型、到加密推理部署的全链路。通过模型适配、模型编译以及高性能同态加密算子库，平台可自动将标准AI模型转换为基于CKKS全同态加密方案的加密推理服务。

在整个推理过程中，数据全程保持加密状态：服务端无法获取用户原始数据，用户也无法访问模型参数，实现数据与模型的双向隐私保护。这也就意味着，AI开发者无需理解底层的密码学，就可以完成端到端的加密推理部署。

密流智能此次开源的核心，是让每一个开发者都能“开箱即用”FHE工具，这恰恰是全同态加密跳出“数学游戏”，真正走进千行百业、实现规模化应用的关键前提。

让全同态加密具有工业级可用性的第一步，就是为普通开发者提供开箱即用的开发体验，即上层应用能够屏蔽底层硬件和计算本身的复杂性，而在代码端可以低成本完成明文计算的迁移。

密流智能的“主战场”，也是全同态加密从一个数学游戏走向千行百业的前提。

开源换生态，接过落地前夜的“发令枪”

2026年，想要迎来全同态加密的杀手级应用，还有一件事很重要：迎合市场需求。

为什么Intel、苹果这些“All in未来”的硬件厂商，认为市场需求已经迎来了成熟的前夜？一个很重要的逻辑是，Personal AI和严肃垂类AI应用的兴起，让数据作为水电煤的价值发生了明显变化。

过去的核心逻辑，是用隐私换便利。而未来，AI会渗透甚至接管越来越多人的工作和生活，哪怕是个人用户，也希望在原始数据不离开本地控制权的前提下享受AI。因此，使用数据的逻辑也将被颠覆。

以Personal AI为例，无论是手机端的隐私可控个性化助手，还是私人健康AI，它们需要基于用户聊天记录、体检报告等敏感数据提供定制化服务，而用户的核心诉求是“服务可用，数据私有”，希望在数据不离开本地控制权、全程加密的前提下，享受云端AI带来的便捷。

AI主权的需求和价值，在产业深水区更加迫切。实现企业、行业、乃至国家层面的数据自主管控权，是很多场景领域能够使用AI的底线。

金融领域，利用AI进行风险预警、精准营销银行已经是大势所趋。但券商的客户资产数据、交易记录属于核心敏感信息，必须牢牢掌握在机构自身手中，数据自主管控下的AI主权事关监管红线。

再以医疗行业为例，患者病历、基因数据涉及严格的隐私保护要求，数据主权的缺失，让很多高价值医疗数据只能束之高阁，无法通过AI挖掘价值。比如，AI诊断需要跨院协同，从更多的病例上提升精度，但现在无论是顶级三甲还是基层医院，都不敢把数据和诊断模型明文上传、明文部署。没有全同态加密技术的落地，这些核心场景可能会长期对AI关闭大门。

在全球全同态加密产业布局中，美国呈现出了巨头闭环的特征。DARPA提供资金，Google、Microsoft探索底层架构，Intel完成硬件基建。这种自上而下的推进模式虽然强大，但也容易形成技术壁垒。

而密流智能和不少国产大模型厂商一样，选择了开源突围。

在密码学领域，信任是核心资产。开源意味着透明、破除壁垒，经过全球开发者的检视，能以最快速度建立公信力。通过开源社区的生态共建，密流智能也能加速算法的迭代与优化，形成行业标准。

全同态加密当下的卡点，不是技术厂商能单点突破的，也远远没到性能和价格战，而是产业落地的生态竞争，得生态者得天下。用技术壁垒换生态非常聪明，且有必要。

密流智能在研发中发现，虽然全同态加密目前在通用计算上仍然有比较大的效率瓶颈，但在对速度的要求不高、对数据隐私和安全性要求极高的特定场景下，在性能和成本上已经基本能跑通了。

密流智能为全同态加密落地提供了具象化的benchmark。以工业界广泛应用的YOLO目标检测模型为例，在未经加速的通用CPU上，密文推理速度相比明文慢一万倍。而密流智能通过软硬结合方案，深度优化全同态加密核心的同态自举操作，并搭配FPGA硬件加速，将这一速度差压缩至秒级，以硬件算力补齐算法开销，实现了全同态加密工程化落地的最优解。

为了进一步降低门槛，密流智能提供了标准接口，并支持PyTorch等主流AI框架。开发者不需要理解底层数学原理，也不需要修改现有的模型代码。只需要像往常一样定义模型结构、加载权重，然后调用密流智能的编译器，原本跑在明文环境下的ResNet等模型，就能一键迁移为密文模型。团队还在研发对Transfomer的支持。也就是说，密流智能这一次开源的架构，最利好的人群是AI算法工程师。在开源模型下，开发者能做到没有技术迁移成本的“无感”开发。