# NTU数学系教授创办AI公司：数据全程加密，模型告别黑盒

URL: https://www.shicheng.news/v/8Xkem
Published: 2026-11-18
Source: 狮城新闻

银行想用AI筛查盗刷，却不敢把敏感账单发给云端；医生想靠模型辅诊，又摸不清算法下的**结论**到底靠不靠谱。南洋理工大学（NTU）数学系教授Thomas Peyrin创办的初创团队Implicant，正试图用密码学与显式逻辑改写这种两难局面。

密文直接跑预测：服务器全程看不到原始数据 

许多金融和医疗机构不敢把**数据**接入强大的公有云，根源在于解密过程中的泄露**风险**。Implicant选用的核心底层技术是全同态加密（FHE）。在数学定义中，同态映射能让密文计算后的解密结果，与直接在明文上计算的结果完全一致。这意味着算法可以直接在密文状态下做推演，远程计算服务器自始至终接触不到原始信息。

整个作业链路十分清晰：机构在本地用私钥给**数据**加密打包，上传给云端模型；模型直接在密文上运行并输出同样带锁的预测结果；最后机构在本地用私钥解密查看。比如银行排查信用卡欺诈时，交易流水全程加锁，云端AI在“完全不知情”的状态下就能交出判定。

![NTU数学系教授创办AI公司：数据全程加密，模型告别黑盒](https://www.shicheng.news/images/image/1801/18013754.avif?1794906003)





告别黑盒：把神经网络直接拆成规则表 

护住**数据**隐私只是第一步，更深层的瓶颈在于传统模型不讲逻辑。深度学习网络通常像个密不透风的黑盒，当贷款申请被拒或医疗诊断出现偏差时，风控专家和医生很难向监管或患者解释背后的判断依据。为此，Peyrin教授把团队研发的真值表网络（TTnet）融入了系统。

TTnet将模型结构直接建立在逻辑学中的真值表之上，把输入特征映射为可读的显式规则。面对贷款违约**风险**评估，风控人员能调出清晰的规则分支，核查负债水平、还款历史等指标究竟是如何一步步推导到最终评级的，每一次决策都有据可查。

![NTU数学系教授创办AI公司：数据全程加密，模型告别黑盒](https://www.shicheng.news/images/image/1801/18013755.avif?1794906003)





最终孕育出Implicant的研究始于2019年，当时神经网络开始成为密码分析的潜在工具。但这些模型都是黑盒子，而在密码学中，我们必须搞清楚一种方法为何有效。这促使我们去设计一种本质上可解释的神经网络，这项工作最终促成了TTnet的诞生。 从密码学论文，走向高敏感行业实战 

TTnet最初亮相于Peyrin教授与合作团队在2024年发表的可验证神经网络论文。随着Implicant的成立，这套源自南洋理工大学实验室的研究成果，被整合为涵盖**数据**加密、规则审查与密文推理的一体化工具链。

在高敏行业合规监管日趋严格的当下，纯理论研究正加速向产业实战过渡。让机构既能放心地调用算力，又能向监管清楚交代每一项决策的推导逻辑，或许正是AI技术深水区落地的必要基石。

我一直对实际应用以及能产生直接影响的数学问题充满兴趣。通过Implicant，我们把这些研究与全同态加密技术结合在了一起，实现了在加密数据上进行预测。 

📌 要点总结

✦ NTU数学系教授Thomas Peyrin创办AI初创公司Implicant，主攻隐私保护与可解释机器学习。 

✦ 采用全同态加密（FHE）技术，服务器无需解密即可直接对密文数据运行AI推演。 

✦ 引入2024年发表的真值表网络（TTnet），将黑盒神经网络转化为清晰可见的显式逻辑规则。 

对于这种全程加密、逻辑公开的AI方案，你怎么看？欢迎在评论区交流。
