FHE（全同态加密）

传统 AI 推理需要将数据发送给模型服务方，存在隐私泄露风险。FHE 提供根本性解决方案：用户将输入数据加密后发送给服务端，服务端在密文上执行模型推理，返回加密结果，用户在本地解密。整个过程中服务端无法看到输入数据和推理结果。主要应用场景包括医疗 AI（患者数据不出院）、金融风控（客户财务数据加密评估）和政府合规（敏感数据密文处理）。

FHE 在生产环境中面临严峻挑战：性能开销——比明文推理慢 1000-10000 倍，复杂模型（如 GPT 级别）在 FHE 下推理目前不可行。密文膨胀——密文比明文大 100-10000 倍。噪声管理——每次运算引入噪声，需定期执行'自举'（bootstrapping）降低噪声，但自举本身计算代价高昂。2026 年 reported 的 CIFAR-10 推理 200ms 突破（HN 68 pts）尚未经过广泛同行评审验证。当前 FHE 最适合小型模型（线性回归、简单 CNN）和高隐私场景。