同态加密
一种允许在不解密数据的情况下直接对密文执行计算的加密技术，理论上实现最高级别的数据隐私保护，但目前计算开销极大，尚未广泛用于生产级AI推理
核心事实
时间轴 (近 90 天)
Proton 若要在产品中嵌入 AI，往往只能走本地推理、客户端处理或隐私增强技术（如联邦学习、同态加密）等路径，而这些方案在成本与效果上仍逊于云端大模型。
实现端到端可验证通常需要借助密码学技术，如零知识证明、混合网络（mix-net）或同态加密。
隐私增强技术（PETs）包括同态加密、联邦学习、差分隐私和安全多方计算等，目标是在数据使用环节也保持隐私保护，但目前仍面临性能开销大、工程复杂度高的落地挑战。
在实际产品中，TEE与传统加密的组合方案比同态加密更具现实可行性
传统多方安全计算（MPC）通过秘密共享、同态加密等密码学协议实现，但计算开销极大，难以应用于大规模神经网络推理
同态加密理论上允许在加密数据上直接运行推理，但目前计算开销仍过大，尚未实用化
同态加密可以在加密数据上直接进行计算，而无需先解密，计算结果同样是加密的，只有持有密钥的人才能解密
谷歌近期推动同态加密技术，目标是让同态加密变得实用，通过算法优化、硬件加速和开发工具链完善来压缩性能开销
在密文上做运算的计算量往往是明文运算的成千上万倍，是同态加密工程化的最大障碍
CKKS方案支持近似浮点数运算，特别适合机器学习中的矩阵乘法和激活函数计算，成为AI领域应用同态加密的重要基础
还有 1 条时间轴事件
全部知识事实 (11)
同态加密理论上允许在加密数据上直接运行推理，但目前计算开销仍过大，尚未实用化
80%待验证同态加密可以在加密数据上直接进行计算，而无需先解密，计算结果同样是加密的，只有持有密钥的人才能解密
70%待验证Proton 若要在产品中嵌入 AI，往往只能走本地推理、客户端处理或隐私增强技术（如联邦学习、同态加密）等路径，而这些方案在成本与效果上仍逊于云端大模型。
50%待验证实现端到端可验证通常需要借助密码学技术，如零知识证明、混合网络（mix-net）或同态加密。
50%待验证隐私增强技术（PETs）包括同态加密、联邦学习、差分隐私和安全多方计算等，目标是在数据使用环节也保持隐私保护，但目前仍面临性能开销大、工程复杂度高的落地挑战。
50%待验证在实际产品中，TEE与传统加密的组合方案比同态加密更具现实可行性
50%待验证传统多方安全计算（MPC）通过秘密共享、同态加密等密码学协议实现，但计算开销极大，难以应用于大规模神经网络推理
50%待验证CKKS方案支持近似浮点数运算，特别适合机器学习中的矩阵乘法和激活函数计算，成为AI领域应用同态加密的重要基础
50%待验证同态加密的理论基础可以追溯到2009年Craig Gentry的工作，他基于理想格数学结构首次证明了可以在密文上执行任意计算
50%待验证在密文上做运算的计算量往往是明文运算的成千上万倍，是同态加密工程化的最大障碍
50%待验证谷歌近期推动同态加密技术，目标是让同态加密变得实用，通过算法优化、硬件加速和开发工具链完善来压缩性能开销
50%