--- title: "2026 年的全同态加密：交付 vs 炒作" canonical: https://wavect.io/zh/blog/fully-homomorphic-encryption-practical-2026/ language: zh description: "FHE 跑在 iPhone 和以太坊上，却仍比明文慢 1,000 倍。诚实的 2026 年数字、行得通的生产模式，以及 LLM 跑在 FHE 下的现实核查。" image: "https://wavect.io/img/blog/headers/header_fully-homomorphic-encryption-practical-2026.png" --- [**返回**](/zh/blog/overview/) [![Kevin Riedl](/img/team/kevin.webp)](/zh/team/kevin-riedl/) [Kevin Riedl](/zh/team/kevin-riedl/) https://linkedin.com/in/wsdt 11 分钟 阅读 · 5 Jul 2026 [**下一篇**](/zh/blog/zk-vs-fhe-vs-mpc-vs-tee/) # 2026 年的全同态加密：什么能交付，什么还是炒作 要点速览 2026 年的 FHE 既不是圣杯，也不是雾件。凡是工作负载是一次窄小私有查询的地方，它就在生产环境里交付：Apple 的 Live Caller ID 和 Enhanced Visual Search、Microsoft Edge 的 Password Monitor，以及 Zama 在以太坊上每秒几十笔交易的加密交易主网。诚实的开销仍是相对明文约 1,000 倍到 10,000 倍，所以任何交互式或前沿模型尺寸的东西都不在范围内；广为流传的加密 LLM 每 token 数分钟的数字其实出自 MPC 研究，不是 FHE。方案选择是第一个决定：逻辑和比较用 TFHE，ML 和统计用 CKKS，精确查询用 BFV。GPU 加速真实且已交付；Intel 在 2026 年展示了 HERACLES 芯片，但它仍是研究原型。逻辑从 TFHE-rs 起步，PIR 从 Apple 的 Swift 库起步；选择 CKKS 技术栈前，对 Poulpy、Lattigo、SEAL、OpenFHE 和 FIDESlib 这类 GPU 原生选项跑真实基准。这些数字是 2026 年年中的快照；投入之前请重新核对。 全同态加密在应用密码学里的名声最古怪：既是“圣杯”，又“永远还差十年”。这两个名声现在都错了。FHE 今天跑在数亿部 iPhone 上，在 Microsoft Edge 里检查密码，在以太坊上结算加密交易。但它同时仍比明文慢三到四个数量级，这排除了人们想象中它的大部分用途。这篇文章把线画得清清楚楚： [FHE](/zh/glossary/homomorphic-encryption/) 在 2026 年的生产环境里做什么、诚实的数字是什么，以及哪些说法该打折扣。配套的 [务实指南](/zh/blog/building-real-applications-zero-knowledge-fhe-2026/) 讲的是 FHE 到底什么时候才是对的工具。 这是工程视角，不是供应商推销。凡是数字来自供应商、或者是路线图预测而非已交付结果，我们都会标注。参考点来自 Wavect 在 [前沿技术](/zh/services/bleeding-edge/) 与 [AI](/zh/services/artificial-intelligence/) 上的工作。 ## FHE 是什么，为什么突然变得有意思了？ FHE 让服务器在从不解密的前提下对加密数据做计算。客户端加密输入，服务器蒙着眼跑计算，只有客户端能解密结果。服务器什么都学不到，连答案都学不到。这是一个比静态加密强得多的类别性承诺，也比 [可信执行环境](/zh/blog/zk-vs-fhe-vs-mpc-vs-tee/) 更强，因为信任模型里没有硬件厂商。 它变得有意思，原因有二。第一是性能：一次 TFHE bootstrapping（自举）操作，也就是无限深度加密计算的基本单元，从 CPU 上的数十毫秒降到了 NVIDIA H100 上的不足 1 毫秒。第二是可信度：Apple 把它以消费级规模交付了，而 Zama 在 2025 年 6 月以超过 10 亿美元的估值完成 5,700 万美元 B 轮，成为该领域第一家独角兽 [(Zama)](https://www.zama.org/) 。钱和生产部署改变了这场对话。 ## 哪种方案干哪种活？ “FHE”是一个家族，选错成员是常见的第一个错误： | 方案 | 数据模型 | 强项 | 典型用途 | | --- | --- | --- | --- | | TFHE (CGGI) | 比特与小整数 | 快速可编程 bootstrapping，经查找表实现任意逻辑 | 比较、分支逻辑、加密智能合约 | | CKKS | 近似实数，SIMD 打包 | 数值负载下最佳的摊销吞吐 | 机器学习推理、统计、分析 | | BGV / BFV | 精确整数，SIMD 打包 | 规模化的精确算术 | 私有查询（PIR）、精确分析、计数 | 经验法则：逻辑和比较用 TFHE，ML 用 CKKS，精确查询用 BFV。想入门这些方案，2025 年的“Beginner's Textbook for Fully Homomorphic Encryption”是个好起点 [(arXiv 2503.05136)](https://arxiv.org/abs/2503.05136) 。现代技术栈越来越多地在计算中途切换方案，Google 的 HEIR 这类编译器项目干的正是这个。 ## 生产环境里到底交付了什么？ 生产清单很短、很真实，也很有教益： - Apple Live Caller ID Lookup（iOS 18+）。 你的 iPhone 用基于 BFV 的私有信息检索，在不向服务器透露电话号码的前提下，把陌生来电与来电识别服务商的数据库比对。Apple 把这套栈开源为 swift-homomorphic-encryption [(Swift.org, 2024)](https://www.swift.org/blog/announcing-swift-homomorphic-encryption/) 。加上下面的 Enhanced Visual Search，这很可能是现存最大的消费级 FHE 部署面。 - Apple Enhanced Visual Search。 照片应用用 FHE 加差分隐私，把你照片里的地标和服务器索引比对。密码学上无可挑剔，却依然是一堂用户同意课：Apple 默认开启、没有询问，2025 年 1 月吃了一场理所应当的公开反弹 [(The Register)](https://www.theregister.com/2025/01/03/apple_enhanced_visual_search/) 。隐私技术不是跳过 opt-in 的借口。 - Microsoft Edge Password Monitor。 用同态方式把你的凭证与泄露库比对，Microsoft 永远看不到密码。与 Apple 的部署同一个架构形状：一次私有集合查询。 - 以太坊上的 Zama Protocol。 2025 年 12 月上主网，通过 TFHE 在公链上实现加密代币余额和机密转账 [(Zama docs)](https://docs.zama.org/) 。目前吞吐是每秒几十笔交易；已公布的经 FPGA 和 ASIC 通往数千笔的路线图是预测，不是已交付的结果。 - 企业数据协作。 Duality Technologies 与包括 Dana-Farber 在内的医疗伙伴运行同态与联邦分析，通常是把 HE 与联邦学习结合，而不是把一切都放在 FHE 下跑。 注意每个消费级部署的共同点：都是针对服务器数据集的私有查询，文献里叫私有信息检索（PIR）。小查询、有界的计算、能容忍异步的延迟。这就是能交付的模式。没有人把后端跑在 FHE 下，包括地球上最有钱的那几家公司。 ![Kevin Riedl](/img/team/kevin.webp) "每一个真正交付了的 FHE 部署都是一次窄小的私有查询。失败的团队，都是想把整个后端加密的那些。" ## FHE 到底有多慢？ 截至 2026 年年中的诚实数字： - 总体开销：约 1,000 倍到 10,000 倍 ，相对同一计算的明文版本，视方案和负载而定。加法便宜，乘法和比较昂贵。 - TFHE bootstrapping： 现代 CPU 单核上个位数毫秒，H100 级 GPU 上不足 1 毫秒，有报告称一台 8 GPU 节点上每秒约 189,000 次 bootstrap（供应商数字）。 - 小模型 ML 推理： 逻辑回归、决策树和小型神经网络在 CKKS 下或经 Zama 的 Concrete ML 数秒内跑完；后者转换量化模型，4 比特量化下精度与明文相差不过几个点 [(Hugging Face / Zama)](https://huggingface.co/blog/encrypted-llm) 。 - 规模化 PIR： 今天就实用。Apple 以可接受的延迟和服务器成本，为全球相当大一部分 iPhone 回答加密查询。 用 1,000 倍规则来规划：明文计算要 1 微秒，加密版本要 1 毫秒，大概率可行。明文版本要 1 秒，加密版本就要 15 分钟往上，那不是产品。 ## 能在 FHE 下跑 LLM 吗？ 不能，至少不能交互式地跑。这一节之所以存在，是因为最常被引来证明相反结论的数字，错得很有教育意义。广为流传的“GPT-2 每 token 8.2 分钟、25.3 GB 通信量”出自安全两方计算研究，不是 FHE [(arXiv 2410.13060)](https://arxiv.org/abs/2410.13060) 。数 GB 网络流量就是那个破绽：MPC 在参与方之间烧带宽，FHE 烧的是本地算力、几乎没有通信。把这两者混为一谈，是关于私有 AI 的内容里最常见的技术错误。 FHE 的真实画面：GPU 加速的研究把 GPT-2 级前向计算跑得比 CPU 基线快约 200 倍（ICML 2025），但离交互式聊天仍然很远。混合方案（注意力层明文跑、敏感层加密跑）拿隐私换速度，仍属研究。以生产标准衡量真正可行的，是在真正敏感数据上的小模型推理：信用评分、医疗预筛、欺诈信号，这些场景里有界模型上几秒的延迟可以接受。如果你今天就需要私有的前沿模型推理，务实答案是机密 GPU（NVIDIA H100 级 TEE），这些信任模型的对比在 [决策框架那篇](/zh/blog/zk-vs-fhe-vs-mpc-vs-tee/) 里。 ## 硬件会修好这个开销吗？ 会修好一部分，时间表还算可信： - 今天就能买到的：GPU。 上面不足 1 毫秒的 bootstrap 数字今天真实且可复现，而 Zama 的主网 coprocessor 仍跑在 CPU 上、每秒几十笔交易，GPU 迁移在 2026 年路线图上。GPU 加速带来一到两个数量级，而且是你现在唯一买得到的加速。 - 原型芯片：Intel HERACLES。 Intel 于 2026 年 2 月在 ISSCC 展示了一颗已制造的 8192 路 SIMD FHE 加速器，并报告其在七种基础操作上比 Xeon 快 1,074 到 5,547 倍 [(IEEE Spectrum)](https://spectrum.ieee.org/fhe-intel) 。这纠正了两个相反的错误：HERACLES 并未停止，也不再只是仿真。但它仍是研究原型，尚未宣布商用。因此今天仍应围绕可部署的 GPU 做架构，把 ASIC 当成未来上行空间。 ## 该从哪个库开始？ | 库 | 方案侧重 | 语言 | 什么时候选它 | | --- | --- | --- | --- | | TFHE-rs / Concrete (Zama) | TFHE | Rust、Python | 加密逻辑与整数；事实上的 TFHE 标准，社区最大 | | Concrete ML (Zama) | TFHE | Python，类 scikit-learn API | 小模型私有 ML 推理；没有官方弃用声明，但新生产项目投入前应核对发布节奏和支持是否匹配 [(官方文档)](https://docs.zama.org/concrete-ml/get-started/getting-started) | | OpenFHE（联盟） | 所有主流方案 | C++ | 多方案研究、互操作和高级功能；不应默认视为 CKKS 分析的性能首选 | | Poulpy | CKKS、二进制 FHE | Rust | 面向 CPU 的新兴 CKKS 选项，提供 AVX2、AVX-512 和 ARM 后端；v0.7 加入完整 CKKS bootstrapping，但公共 API 仍在演进 [(v0.7 发布)](https://github.com/poulpy-fhe/poulpy/releases/tag/v0.7.0) | | FIDESlib | CKKS | C++ / CUDA | 在 NVIDIA GPU 上运行、性能敏感的服务端 CKKS；与 OpenFHE 客户端互操作，论文报告 bootstrapping 至少比 AVX 优化的 OpenFHE 快 70 倍 [(论文)](https://arxiv.org/abs/2507.04775) | | swift-homomorphic-encryption (Apple) | BFV | Swift | PIR 式私有查询，尤其在 Apple 生态内 | | Lattigo (Tune Insight) | CKKS、BGV、多方 | Go | Go 团队与多方 HE 场景 | | Microsoft SEAL | BFV、CKKS | C++ | 已有集成和紧凑 C++ 技术栈；没有弃用，4.3.3 于 2026 年 5 月发布。Microsoft 只停止发布新的 NuGet 包，因此.NET 团队需从源码构建新版包 [(官方仓库)](https://github.com/microsoft/SEAL) | | HEIR (Google) | 跨方案编译器 | 基于 MLIR | 把高层代码编译到 FHE 后端；最可能的长期抽象层 [(heir.dev)](https://heir.dev/) | 默认选择：逻辑用 TFHE-rs，PIR 用 Apple 的库，而任何 CKKS 技术栈都先跑真实工作负载基准。CPU 侧从 Poulpy、Lattigo、SEAL 和 OpenFHE 开始对比；如果可以部署 NVIDIA，再加入 FIDESlib 这类 GPU 原生库。OpenFHE 的广度和互操作价值仍很高，但专用库在关键 CKKS 路径上可能快一到两个数量级。不要照搬通用排行榜；环大小、深度、精度、bootstrapping 频率、批量和目标硬件都要与真实负载一致。 ## 常见问题 ### 2026 年全同态加密实用吗？ 对窄负载，实用：私有查询（Apple 和 Microsoft 的模式）、小模型 ML 推理，以及每秒几十笔交易的加密逻辑。对通用或交互式计算，不实用：1,000 倍到 10,000 倍的开销仍然把它排除在外。范围界定就是整场比赛。 ### FHE 和 Intel TDX 或机密 GPU 这类 TEE 的区别是什么？ TEE 在硬件隔离内以接近原生的速度跑明文计算，但你要信任芯片厂商，还要指望侧信道攻击不存在。FHE 彻底移除了这层硬件信任，代价是三到四个数量级的性能。今天大多数需要规模化机密计算的产品选 TEE；FHE 赢在任何硬件信任根都不可接受的地方。 ### FHE 能私密地跑 ChatGPT 式的模型吗？ 2026 年不能交互式地跑。GPU 加速的研究让加密的 GPT-2 级推理提速显著，但前沿规模的加密推理离实时仍然很远。常被引用的每 token 数分钟、数 GB 流量的数字，实际描述的是 MPC 系统，不是 FHE。今天要做私有 LLM 推理，机密 GPU 是务实选项。 ### TFHE 和 CKKS 是什么关系？ TFHE 在比特和小整数上计算，bootstrapping 很快，最适合比较、分支和精确逻辑。CKKS 在近似实数上计算，SIMD 打包密集，是机器学习和统计的首选方案。认真的应用常常通过方案切换把两者结合起来。 ### 新项目应该选哪一个 FHE 库？ 按方案和实测负载选，不要按厂商名气选。TFHE 逻辑可把 TFHE-rs 作为成熟默认项，BFV 私有查询适合 Apple 的 Swift 库；CKKS 必须对比：CPU 上测 Poulpy、Lattigo、SEAL 和 OpenFHE，合适时再加入 FIDESlib 这类 GPU 原生选项。OpenFHE 功能广度出色，但并不自动等于最快的 CKKS 实现。 ## 最终思考 2026 年的 FHE 既不是圣杯，也不是雾件。它是一个有着已验证生产模式的专用工具：客户端加密一个小查询，服务器蒙眼计算，除了用户本人没有任何人看到数据。Apple、Microsoft 和 Zama 交付的都正是这个形状，而强工程团队今天已能用有人维护的开源技术栈构建它。 纪律体现在你拒绝构建什么上：任何交互式的东西、任何前沿模型尺寸的东西、任何一个数据库加访问控制就已满足信任模型的东西。把 FHE 的范围收窄到那一个必须蒙眼进行的计算，在精确的负载与目标硬件上测试各个库，让 TEE 去扛 FHE 扛不动的负载。这样，你才能把密码学里最强的隐私保证装进产品，而产品不至于死于延迟。 ## 你可能也喜欢.. [**ZK vs FHE vs MPC vs TEE：怎么选** 2026 年的决策框架：信任模型、开销、成熟度，以及把每项技术拉进生产的欧盟监管。](/zh/blog/zk-vs-fhe-vs-mpc-vs-tee/) [**Wavect vs 一家通用型开发外包** 通用型卖产能，我们卖产品判断，加上把前沿技术安全交付的工程能力。](/zh/compare/wavect-vs-dev-agencies/) 隐私与密码学 ## 继续浏览此集群 超越炒作的零知识、FHE 与隐私保护计算。 [从核心文章开始**2026 年的零知识证明：什么真正达到了生产就绪**](/zh/blog/zero-knowledge-proofs-production-2026/) - [面向 AI 智能体的 zkTLS：验证网页数据而不泄露秘密](/zh/blog/zktls-ai-agents/) - [在 2026 年用 ZK 和 FHE 构建真实应用：一份务实指南](/zh/blog/building-real-applications-zero-knowledge-fhe-2026/) - [2026 年的零知识证明：什么真正达到了生产就绪](/zh/blog/zero-knowledge-proofs-production-2026/) - [ZK vs FHE vs MPC vs TEE：2026 年怎么选](/zh/blog/zk-vs-fhe-vs-mpc-vs-tee/) - [加密之外的零知识应用](/zh/blog/zero-knowledge-use-cases-outside-crypto/) 只收重要内容 ## 关注与你相关的内容 每当我们发布新文章，你会收到一封简短邮件。你可以关注整个博客，也可以只选感兴趣的主题。 [**返回**](/zh/blog/overview/) [![Kevin Riedl](/img/team/kevin.webp)](/zh/team/kevin-riedl/) [Kevin Riedl](/zh/team/kevin-riedl/) https://linkedin.com/in/wsdt 11 分钟 阅读 · 5 Jul 2026 [**下一篇**](/zh/blog/zk-vs-fhe-vs-mpc-vs-tee/) 邮件订阅新文章 × × 通过邮件获取新文章 我们发布时给你一封简短邮件。免费，不做跟踪。 ## Structured Data ```json { "@context": "https://schema.org", "@graph": [ { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ], "employee": [ { "@id": "https://wavect.io/team/kevin-riedl/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Kevin Riedl", "url": "https://wavect.io/team/kevin-riedl/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } }, { "@id": "https://wavect.io/team/christof-jori/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Christof Jori", "url": "https://wavect.io/team/christof-jori/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } } ], "founder": [ { "@id": "https://wavect.io/team/kevin-riedl/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Kevin Riedl", "url": "https://wavect.io/team/kevin-riedl/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } }, { "@id": "https://wavect.io/team/christof-jori/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Christof Jori", "url": "https://wavect.io/team/christof-jori/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } } ], "legalRepresentative": [ { "@id": "https://wavect.io/team/kevin-riedl/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Kevin Riedl", "url": "https://wavect.io/team/kevin-riedl/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } }, { "@id": "https://wavect.io/team/christof-jori/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Christof Jori", "url": "https://wavect.io/team/christof-jori/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } } ], "name": "Wavect GmbH", "subjectOf": { "@id": "https://wavect.io/verified-claims.json#dataset", "@type": "Dataset", "creator": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] }, "description": "A machine-readable registry of quantitative and qualitative claims published by Wavect, with review dates, localized page appearances and public third-party citations where available.", "inLanguage": "en", "isAccessibleForFree": true, "license": "https://creativecommons.org/licenses/by/4.0/", "name": "Wavect verified publication claims", "url": "https://wavect.io/verified-claims.json" }, "url": "https://wavect.io/" }, { "@id": "https://wavect.io/team/kevin-riedl/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Kevin Riedl", "sameAs": [ "https://www.wikidata.org/wiki/Q139796365", "https://www.linkedin.com/in/wsdt", "https://github.com/wsdt" ], "url": "https://wavect.io/team/kevin-riedl/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } }, { "@id": "https://wavect.io/team/christof-jori/#person", "@type": "Person", "jobTitle": "Managing Director", "name": "Christof Jori", "sameAs": [ "https://www.wikidata.org/wiki/Q139796367", "https://www.linkedin.com/in/jocr77/", "https://github.com/jo-chris" ], "url": "https://wavect.io/team/christof-jori/", "worksFor": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] } }, { "@id": "https://wavect.io/#website", "@type": "WebSite", "inLanguage": [ "en", "de", "es", "zh" ], "name": "Wavect", "potentialAction": { "@type": "SearchAction", "query-input": "required name=search_term_string", "target": { "@type": "EntryPoint", "urlTemplate": "https://wavect.io/search/?q={search_term_string}" } }, "publisher": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] }, "url": "https://wavect.io/" }, { "@id": "https://wavect.io/zh/blog/fully-homomorphic-encryption-practical-2026/#webpage", "@type": "WebPage", "dateModified": "2026-07-07", "inLanguage": "zh", "isPartOf": { "@id": "https://wavect.io/#website", "@type": "WebSite" }, "lastReviewed": "2026-07-07", "url": "https://wavect.io/zh/blog/fully-homomorphic-encryption-practical-2026/" } ] } ``` ```json { "@context": "https://schema.org", "@type": "BlogPosting", "abstract": "2026 年的 FHE 既不是圣杯，也不是雾件。凡是工作负载是一次窄小私有查询的地方，它就在生产环境里交付：Apple 的 Live Caller ID 和 Enhanced Visual Search、Microsoft Edge 的 Password Monitor，以及 Zama 在以太坊上每秒几十笔交易的加密交易主网。诚实的开销仍是相对明文约 1,000 倍到 10,000 倍，所以任何交互式或前沿模型尺寸的东西都不在范围内；广为流传的加密 LLM 每 token 数分钟的数字其实出自 MPC 研究，不是 FHE。方案选择是第一个决定：逻辑和比较用 TFHE，ML 和统计用 CKKS，精确查询用 BFV。GPU 加速真实且已交付；Intel 在 2026 年展示了 HERACLES 芯片，但它仍是研究原型。逻辑从 TFHE-rs 起步，PIR 从 Apple 的 Swift 库起步；选择 CKKS 技术栈前，对 Poulpy、Lattigo、SEAL、OpenFHE 和 FIDESlib 这类 GPU 原生选项跑真实基准。这些数字是 2026 年年中的快照；投入之前请重新核对。", "articleBody": " 博客概览/Web3 与隐私/隐私与密码学 2026 年的全同态加密：什么能交付，什么还是炒作 要点速览 2026 年的 FHE 既不是圣杯，也不是雾件。凡是工作负载是一次窄小私有查询的地方，它就在生产环境里交付：Apple 的 Live Caller ID 和 Enhanced Visual Search、Microsoft Edge 的 Password Monitor，以及 Zama 在以太坊上每秒几十笔交易的加密交易主网。诚实的开销仍是相对明文约 1,000 倍到 10,000 倍，所以任何交互式或前沿模型尺寸的东西都不在范围内；广为流传的加密 LLM 每 token 数分钟的数字其实出自 MPC 研究，不是 FHE。方案选择是第一个决定：逻辑和比较用 TFHE，ML 和统计用 CKKS，精确查询用 BFV。GPU 加速真实且已交付；Intel 在 2026 年展示了 HERACLES 芯片，但它仍是研究原型。逻辑从 TFHE-rs 起步，PIR 从 Apple 的 Swift 库起步；选择 CKKS 技术栈前，对 Poulpy、Lattigo、SEAL、OpenFHE 和 FIDESlib 这类 GPU 原生选项跑真实基准。这些数字是 2026 年年中的快照；投入之前请重新核对。 全同态加密在应用密码学里的名声最古怪：既是“圣杯”，又“永远还差十年”。这两个名声现在都错了。FHE 今天跑在数亿部 iPhone 上，在 Microsoft Edge 里检查密码，在以太坊上结算加密交易。但它同时仍比明文慢三到四个数量级，这排除了人们想象中它的大部分用途。这篇文章把线画得清清楚楚：FHE 在 2026 年的生产环境里做什么、诚实的数字是什么，以及哪些说法该打折扣。配套的务实指南讲的是 FHE 到底什么时候才是对的工具。 这是工程视角，不是供应商推销。凡是数字来自供应商、或者是路线图预测而非已交付结果，我们都会标注。参考点来自 Wavect 在前沿技术与 AI 上的工作。 FHE 是什么，为什么突然变得有意思了？ FHE 让服务器在从不解密的前提下对加密数据做计算。客户端加密输入，服务器蒙着眼跑计算，只有客户端能解密结果。服务器什么都学不到，连答案都学不到。这是一个比静态加密强得多的类别性承诺，也比可信执行环境更强，因为信任模型里没有硬件厂商。 它变得有意思，原因有二。第一是性能：一次 TFHE bootstrapping（自举）操作，也就是无限深度加密计算的基本单元，从 CPU 上的数十毫秒降到了 NVIDIA H100 上的不足 1 毫秒。第二是可信度：Apple 把它以消费级规模交付了，而 Zama 在 2025 年 6 月以超过 10 亿美元的估值完成 5,700 万美元 B 轮，成为该领域第一家独角兽 (Zama)。钱和生产部署改变了这场对话。 哪种方案干哪种活？ “FHE”是一个家族，选错成员是常见的第一个错误： 方案数据模型强项典型用途 TFHE (CGGI)比特与小整数快速可编程 bootstrapping，经查找表实现任意逻辑比较、分支逻辑、加密智能合约 CKKS近似实数，SIMD 打包数值负载下最佳的摊销吞吐机器学习推理、统计、分析 BGV / BFV精确整数，SIMD 打包规模化的精确算术私有查询（PIR）、精确分析、计数 经验法则：逻辑和比较用 TFHE，ML 用 CKKS，精确查询用 BFV。想入门这些方案，2025 年的“Beginner's Textbook for Fully Homomorphic Encryption”是个好起点 (arXiv 2503.05136)。现代技术栈越来越多地在计算中途切换方案，Google 的 HEIR 这类编译器项目干的正是这个。 生产环境里到底交付了什么？ 生产清单很短、很真实，也很有教益： Apple Live Caller ID Lookup（iOS 18+）。你的 iPhone 用基于 BFV 的私有信息检索，在不向服务器透露电话号码的前提下，把陌生来电与来电识别服务商的数据库比对。Apple 把这套栈开源为 swift-homomorphic-encryption (Swift.org, 2024)。加上下面的 Enhanced Visual Search，这很可能是现存最大的消费级 FHE 部署面。 Apple Enhanced Visual Search。照片应用用 FHE 加差分隐私，把你照片里的地标和服务器索引比对。密码学上无可挑剔，却依然是一堂用户同意课：Apple 默认开启、没有询问，2025 年 1 月吃了一场理所应当的公开反弹 (The Register)。隐私技术不是跳过 opt-in 的借口。 Microsoft Edge Password Monitor。用同态方式把你的凭证与泄露库比对，Microsoft 永远看不到密码。与 Apple 的部署同一个架构形状：一次私有集合查询。 以太坊上的 Zama Protocol。2025 年 12 月上主网，通过 TFHE 在公链上实现加密代币余额和机密转账 (Zama docs)。目前吞吐是每秒几十笔交易；已公布的经 FPGA 和 ASIC 通往数千笔的路线图是预测，不是已交付的结果。 企业数据协作。Duality Technologies 与包括 Dana-Farber 在内的医疗伙伴运行同态与联邦分析，通常是把 HE 与联邦学习结合，而不是把一切都放在 FHE 下跑。 注意每个消费级部署的共同点：都是针对服务器数据集的私有查询，文献里叫私有信息检索（PIR）。小查询、有界的计算、能容忍异步的延迟。这就是能交付的模式。没有人把后端跑在 FHE 下，包括地球上最有钱的那几家公司。 \"每一个真正交付了的 FHE 部署都是一次窄小的私有查询。失败的团队，都是想把整个后端加密的那些。\" FHE 到底有多慢？ 截至 2026 年年中的诚实数字： 总体开销：约 1,000 倍到 10,000 倍，相对同一计算的明文版本，视方案和负载而定。加法便宜，乘法和比较昂贵。 TFHE bootstrapping：现代 CPU 单核上个位数毫秒，H100 级 GPU 上不足 1 毫秒，有报告称一台 8 GPU 节点上每秒约 189,000 次 bootstrap（供应商数字）。 小模型 ML 推理：逻辑回归、决策树和小型神经网络在 CKKS 下或经 Zama 的 Concrete ML 数秒内跑完；后者转换量化模型，4 比特量化下精度与明文相差不过几个点 (Hugging Face / Zama)。 规模化 PIR：今天就实用。Apple 以可接受的延迟和服务器成本，为全球相当大一部分 iPhone 回答加密查询。 用 1,000 倍规则来规划：明文计算要 1 微秒，加密版本要 1 毫秒，大概率可行。明文版本要 1 秒，加密版本就要 15 分钟往上，那不是产品。 能在 FHE 下跑 LLM 吗？ 不能，至少不能交互式地跑。这一节之所以存在，是因为最常被引来证明相反结论的数字，错得很有教育意义。广为流传的“GPT-2 每 token 8.2 分钟、25.3 GB 通信量”出自安全两方计算研究，不是 FHE (arXiv 2410.13060)。数 GB 网络流量就是那个破绽：MPC 在参与方之间烧带宽，FHE 烧的是本地算力、几乎没有通信。把这两者混为一谈，是关于私有 AI 的内容里最常见的技术错误。 FHE 的真实画面：GPU 加速的研究把 GPT-2 级前向计算跑得比 CPU 基线快约 200 倍（ICML 2025），但离交互式聊天仍然很远。混合方案（注意力层明文跑、敏感层加密跑）拿隐私换速度，仍属研究。以生产标准衡量真正可行的，是在真正敏感数据上的小模型推理：信用评分、医疗预筛、欺诈信号，这些场景里有界模型上几秒的延迟可以接受。如果你今天就需要私有的前沿模型推理，务实答案是机密 GPU（NVIDIA H100 级 TEE），这些信任模型的对比在决策框架那篇里。 硬件会修好这个开销吗？ 会修好一部分，时间表还算可信： 今天就能买到的：GPU。上面不足 1 毫秒的 bootstrap 数字今天真实且可复现，而 Zama 的主网 coprocessor 仍跑在 CPU 上、每秒几十笔交易，GPU 迁移在 2026 年路线图上。GPU 加速带来一到两个数量级，而且是你现在唯一买得到的加速。 原型芯片：Intel HERACLES。Intel 于 2026 年 2 月在 ISSCC 展示了一颗已制造的 8192 路 SIMD FHE 加速器，并报告其在七种基础操作上比 Xeon 快 1,074 到 5,547 倍 (IEEE Spectrum)。这纠正了两个相反的错误：HERACLES 并未停止，也不再只是仿真。但它仍是研究原型，尚未宣布商用。因此今天仍应围绕可部署的 GPU 做架构，把 ASIC 当成未来上行空间。 该从哪个库开始？ 库方案侧重语言什么时候选它 TFHE-rs / Concrete (Zama)TFHERust、Python加密逻辑与整数；事实上的 TFHE 标准，社区最大 Concrete ML (Zama)TFHEPython，类 scikit-learn API小模型私有 ML 推理；没有官方弃用声明，但新生产项目投入前应核对发布节奏和支持是否匹配 (官方文档) OpenFHE（联盟）所有主流方案C++多方案研究、互操作和高级功能；不应默认视为 CKKS 分析的性能首选 PoulpyCKKS、二进制 FHERust面向 CPU 的新兴 CKKS 选项，提供 AVX2、AVX-512 和 ARM 后端；v0.7 加入完整 CKKS bootstrapping，但公共 API 仍在演进 (v0.7 发布) FIDESlibCKKSC++ / CUDA在 NVIDIA GPU 上运行、性能敏感的服务端 CKKS；与 OpenFHE 客户端互操作，论文报告 bootstrapping 至少比 AVX 优化的 OpenFHE 快 70 倍 (论文) swift-homomorphic-encryption (Apple)BFVSwiftPIR 式私有查询，尤其在 Apple 生态内 Lattigo (Tune Insight)CKKS、BGV、多方GoGo 团队与多方 HE 场景 Microsoft SEALBFV、CKKSC++已有集成和紧凑 C++ 技术栈；没有弃用，4.3.3 于 2026 年 5 月发布。Microsoft 只停止发布新的 NuGet 包，因此 .NET 团队需从源码构建新版包 (官方仓库) HEIR (Google)跨方案编译器基于 MLIR把高层代码编译到 FHE 后端；最可能的长期抽象层 (heir.dev) 默认选择：逻辑用 TFHE-rs，PIR 用 Apple 的库，而任何 CKKS 技术栈都先跑真实工作负载基准。CPU 侧从 Poulpy、Lattigo、SEAL 和 OpenFHE 开始对比；如果可以部署 NVIDIA，再加入 FIDESlib 这类 GPU 原生库。OpenFHE 的广度和互操作价值仍很高，但专用库在关键 CKKS 路径上可能快一到两个数量级。不要照搬通用排行榜；环大小、深度、精度、bootstrapping 频率、批量和目标硬件都要与真实负载一致。 常见问题 2026 年全同态加密实用吗？ 对窄负载，实用：私有查询（Apple 和 Microsoft 的模式）、小模型 ML 推理，以及每秒几十笔交易的加密逻辑。对通用或交互式计算，不实用：1,000 倍到 10,000 倍的开销仍然把它排除在外。范围界定就是整场比赛。 FHE 和 Intel TDX 或机密 GPU 这类 TEE 的区别是什么？ TEE 在硬件隔离内以接近原生的速度跑明文计算，但你要信任芯片厂商，还要指望侧信道攻击不存在。FHE 彻底移除了这层硬件信任，", "articleSection": "Engineering", "author": { "@id": "https://wavect.io/team/kevin-riedl/#person", "@type": "Person", "name": "Kevin Riedl", "sameAs": [ "https://www.wikidata.org/wiki/Q139796365", "https://www.linkedin.com/in/wsdt", "https://github.com/wsdt" ], "url": "https://wavect.io/team/kevin-riedl/" }, "dateModified": "2026-07-07", "datePublished": "2026-07-05", "description": "2026 年的 FHE 既不是圣杯，也不是雾件。凡是工作负载是一次窄小私有查询的地方，它就在生产环境里交付：Apple 的 Live Caller ID 和 Enhanced Visual Search、Microsoft Edge 的 Password Monitor，以及 Zama 在以太坊上每秒几十笔交易的加密交易主网。诚实的开销仍是相对明文约 1,000 倍到 10,000 倍，所以任何交互式或前沿模型尺寸的东西都不在范围内；广为流传的加密 LLM 每 token 数分钟的数字其实出自 MPC 研究，不是 FHE。方案选择是第一个决定：逻辑和比较用 TFHE，ML 和统计用 CKKS，精确查询用 BFV。GPU 加速真实且已交付；Intel 在 2026 年展示了 HERACLES 芯片，但它仍是研究原型。逻辑从 TFHE-rs 起步，PIR 从 Apple 的 Swift 库起步；选择 CKKS 技术栈前，对 Poulpy、Lattigo、SEAL、OpenFHE 和 FIDESlib 这类 GPU 原生选项跑真实基准。这些数字是 2026 年年中的快照；投入之前请重新核对。", "headline": "2026 年的全同态加密：什么能交付，什么还是炒作", "image": "https://wavect.io/img/blog/headers/header_fully-homomorphic-encryption-practical-2026.svg", "inLanguage": "zh", "mainEntityOfPage": { "@id": "https://wavect.io/zh/blog/fully-homomorphic-encryption-practical-2026/", "@type": "WebPage" }, "publisher": { "@id": "https://wavect.io/#organization", "@type": [ "Organization", "ProfessionalService", "LocalBusiness" ] }, "url": "https://wavect.io/zh/blog/fully-homomorphic-encryption-practical-2026/", "wordCount": 631 } ``` ```json { "@context": "https://schema.org", "@type": "BreadcrumbList", "itemListElement": [ { "@type": "ListItem", "item": "https://wavect.io/zh/", "name": "首页", "position": 1 }, { "@type": "ListItem", "item": "https://wavect.io/zh/blog/overview/", "name": "博客概览", "position": 2 }, { "@type": "ListItem", "item": "https://wavect.io/zh/blog/topics/web3-privacy/", "name": "Web3 与隐私", "position": 3 }, { "@type": "ListItem", "item": "https://wavect.io/zh/blog/clusters/privacy-cryptography/", "name": "隐私与密码学", "position": 4 }, { "@type": "ListItem", "item": "https://wavect.io/zh/blog/fully-homomorphic-encryption-practical-2026/", "name": "2026 年的全同态加密：交付 vs 炒作 | ", "position": 5 } ] } ``` ```json { "@context": "https://schema.org", "@type": "FAQPage", "mainEntity": [ { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "对窄负载，实用：私有查询（Apple 和 Microsoft 的模式）、小模型 ML 推理，以及每秒几十笔交易的加密逻辑。对通用或交互式计算，不实用：1,000 倍到 10,000 倍的开销仍然把它排除在外。范围界定就是整场比赛。" }, "name": "2026 年全同态加密实用吗？" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "TEE 在硬件隔离内以接近原生的速度跑明文计算，但你要信任芯片厂商，还要指望侧信道攻击不存在。FHE 彻底移除了这层硬件信任，代价是三到四个数量级的性能。今天大多数需要规模化机密计算的产品选 TEE；FHE 赢在任何硬件信任根都不可接受的地方。" }, "name": "FHE 和 Intel TDX 或机密 GPU 这类 TEE 的区别是什么？" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "2026 年不能交互式地跑。GPU 加速的研究让加密的 GPT-2 级推理提速显著，但前沿规模的加密推理离实时仍然很远。常被引用的每 token 数分钟、数 GB 流量的数字，实际描述的是 MPC 系统，不是 FHE。今天要做私有 LLM 推理，机密 GPU 是务实选项。" }, "name": "FHE 能私密地跑 ChatGPT 式的模型吗？" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "TFHE 在比特和小整数上计算，bootstrapping 很快，最适合比较、分支和精确逻辑。CKKS 在近似实数上计算，SIMD 打包密集，是机器学习和统计的首选方案。认真的应用常常通过方案切换把两者结合起来。" }, "name": "TFHE 和 CKKS 是什么关系？" }, { "@type": "Question", "acceptedAnswer": { "@type": "Answer", "text": "按方案和实测负载选，不要按厂商名气选。TFHE 逻辑可把 TFHE-rs 作为成熟默认项，BFV 私有查询适合 Apple 的 Swift 库；CKKS 必须对比：CPU 上测 Poulpy、Lattigo、SEAL 和 OpenFHE，合适时再加入 FIDESlib 这类 GPU 原生选项。OpenFHE 功能广度出色，但并不自动等于最快的 CKKS 实现。" }, "name": "新项目应该选哪一个 FHE 库？" } ] } ```