盲计算揭秘：Nillion融资2500万美元及其与ZKP、FHE的差异

什么是盲计算？Nillion的2500万美元融资背后的秘密

最近，Nillion宣布完成2500万美元的融资，这让很多人开始好奇：什么是“盲计算”？在我们刚刚熟悉了MPC、ZKP、FHE、TEE这些概念之后，又冒出了一个新的术语。接下来，我来分享一下我对盲计算的理解。

盲计算的基本概念

盲计算是一种让服务器（节点）在不知道完整数据的情况下，对加密状态的数据片段执行计算任务，从而保护隐私的安全计算方法。和ZKP、TEE、MPC、FHE等加密算法一样，盲计算的目标也是保护隐私，但它的方法有些不同。

ZKP（零知识证明）生成证明的成本很高，适合在链下存储和计算，链上只进行验证的场景，比如Rollup Layer2；TEE（可信执行环境）依赖硬件厂商在隔离环境下进行计算；FHE（全同态加密）虽然可以直接在加密数据上执行计算，但目前只支持特定运算。盲计算则是一种更通用的计算框架，因为它可以将ZKP、TEE、FHE等技术整合在一起，形成一个一体化的隐私保护方案。

盲计算的核心逻辑

盲计算的核心逻辑是通过分布式节点增强，让单个节点具备分段存储和计算的能力，再加上一个可验证的开放治理网络，从而在节点不知道“完整”数据的情况下有效工作。通常情况下，保护数据隐私需要在A节点存储数据，然后加密后交由B节点计算，再解密后由C节点验证。这不仅增加了数据传输的成本，还存在数据暴露的风险，节点之间的互信成本也高，很难保证隐私不泄漏。

Nillion的业务逻辑恰好解决了这个问题。其工作流程大致如下（仅供理解）：Nillion构建了一个分布式节点网络，每个节点都具备存储和计算的能力。当网络收到数据传输处理需求时，首先通过Nada特定语言进行编译预处理，将原始数据拆分成许多加密片段。然后，AIVM虚拟机调度和分配这些数据片段，分布式节点随机存储并计算这些片段，最终完成聚合和统一验证。在整个过程中，单一节点无法知道全部数据内容，但拼凑在一起却能完成整体数据的加密传输和计算。

盲计算之所以能整合ZKP、TEE、FHE等技术，逻辑很简单：在数据预处理阶段可以应用FHE同态加密技术，节点存储和计算数据时可以在TEE可信执行环境下进行，而在聚合和验证节点工作成果时则可以使用ZKP提升验证效率。

盲计算的潜力

在我看来，ZKP、TEE、FHE、MPC等技术在工程化落地方面都存在一些缺陷。目前，Crypto领域的项目大多在进行成本和效率优化，且聚焦于特定应用场景。Nillion提出的盲计算框架虽然尚未大规模应用，但其一体化的加密解决方案有可能在AI可验证计算、机器学习等更广泛的数据保护领域得到通用化采纳。