---
title: "全同態加密（FHE）"
slug: fhe
language: zh-TW
source: https://aiterms.tw/terms/fhe
updated_at: 2026-06-22
tags: [FHE, 全同態加密, 隱私AI, 格密碼學, 隱私計算]
ipas_term: false
---

# 全同態加密（FHE）

允許在不解密的情況下直接對密文執行任意計算，計算結果解密後等同於對明文運算的密碼學技術。

## 完整說明

FHE（Fully Homomorphic Encryption，全同態加密）是密碼學的一個重要分支，實現了「在加密資料上直接計算」的能力。傳統加密方案需要先解密才能計算，而 FHE 允許雲端或第三方在從未接觸明文的情況下，對加密資料執行加法與乘法的任意組合，解密後的結果與直接對明文計算完全一致，從而從根本上解決將敏感資料委外處理的隱私問題。

## 常見問題

### FHE 現在實用了嗎？有哪些真實案例？

FHE 目前處於「可演示但部署受限」的階段。計算效率已從 Gentry 2009 年提出時慢幾百萬倍縮短到慢幾百到幾千倍，IBM 的 HELib、Microsoft 的 SEAL、Zama 的 TFHE-rs 等開源庫已可用於實際開發。實際部署案例包括：Intel 與 Microsoft 合作的加密基因組分析（對加密 DNA 資料進行疾病風險預測）、金融機構的加密信用評分、以及 Zama 推出的面向 AI 推論的 Concrete ML 框架。限制在於，目前能實際部署的主要是較小規模的模型（如邏輯迴歸、淺層決策樹）或網路架構經過精心設計以減少非線性層的神經網路。大型深度神經網路的 FHE 推論在商業可接受的延遲內仍然困難，但隨著 FHE 專用硬體加速器的研發（如 FAB 計畫、Cornami 等），預計未來幾年內適用範圍會持續擴大。

### FHE 和其他隱私計算技術（差分隱私、MPC、TEE）應該如何選擇？

四種技術的適用場景不同，選擇應依據威脅模型與實際需求。差分隱私（Differential Privacy）適合「公開發布聚合統計資料或機器學習模型」的場景，能有效防止成員推斷攻擊，但允許引入噪聲，不適合要求精確輸出的場景。安全多方計算（MPC）適合「多個互不信任的參與方協同計算」，延遲相對 FHE 低，但需要多輪通訊，適合參與方數量有限且網路條件好的場景。可信執行環境（TEE / Intel SGX）適合「信任硬體製造商但不信任雲端服務商」的場景，效能接近明文，但存在側通道攻擊的研究疑慮。FHE 適合「單一不可信第三方執行計算」且對延遲容忍度高的場景。實務上常組合使用：MPC 搭配 FHE 可降低 FHE 的單點計算瓶頸；TEE 搭配差分隱私可兼顧硬體保護與統計隱私。

### 為什麼 FHE 難以支援 ReLU 等非線性激活函數？

FHE 的同態運算建立在代數結構（環、群）上，天然支援加法與乘法（多項式運算）。ReLU（max(0, x)）這類分段線性函數涉及條件判斷（x 與 0 的大小比較），無法直接用有限次加法和乘法精確表達，需要用高次多項式近似。問題在於：近似所需的多項式次數越高（如 Degree-59 近似 ReLU），同態乘法的次數越多，噪聲累積越快，所需的加密參數越大，計算成本呈指數級上升。針對這個限制，研究者採用兩種策略：一是設計「FHE 友好型」網路架構，用平方激活函數（x²）替代 ReLU；二是採用混合協議，在 FHE 難以處理的非線性步驟切換到 MPC 或 TEE，兼顧效率與安全性。

---

來源：https://aiterms.tw/terms/fhe
快查頁：https://aiterms.tw/terms/fhe
最後更新：2026/06/22
深度解說：https://aiterms.tw/learning/what-is-fhe