銀行想用AI篩查盜刷,卻不敢把敏感帳單發給雲端;醫生想靠模型輔診,又摸不清算法下的結論到底靠不靠譜。南洋理工大學(NTU)數學系教授Thomas Peyrin創辦的初創團隊Implicant,正試圖用密碼學與顯式邏輯改寫這種兩難局面。
密文直接跑預測:伺服器全程看不到原始數據
許多金融和醫療機構不敢把數據接入強大的公有雲,根源在於解密過程中的泄露風險。Implicant選用的核心底層技術是全同態加密(FHE)。在數學定義中,同態映射能讓密文計算後的解密結果,與直接在明文上計算的結果完全一致。這意味著算法可以直接在密文狀態下做推演,遠程計算伺服器自始至終接觸不到原始信息。
整個作業鏈路十分清晰:機構在本地用私鑰給數據加密打包,上傳給雲端模型;模型直接在密文上運行並輸出同樣帶鎖的預測結果;最後機構在本地用私鑰解密查看。比如銀行排查信用卡欺詐時,交易流水全程加鎖,雲端AI在「完全不知情」的狀態下就能交出判定。

告別黑盒:把神經網絡直接拆成規則表
護住數據隱私只是第一步,更深層的瓶頸在於傳統模型不講邏輯。深度學習網絡通常像個密不透風的黑盒,當貸款申請被拒或醫療診斷出現偏差時,風控專家和醫生很難向監管或患者解釋背後的判斷依據。為此,Peyrin教授把團隊研發的真值表網絡(TTnet)融入了系統。
TTnet將模型結構直接建立在邏輯學中的真值表之上,把輸入特徵映射為可讀的顯式規則。面對貸款違約風險評估,風控人員能調出清晰的規則分支,核查負債水平、還款歷史等指標究竟是如何一步步推導到最終評級的,每一次決策都有據可查。

最終孕育出Implicant的研究始於2019年,當時神經網絡開始成為密碼分析的潛在工具。但這些模型都是黑盒子,而在密碼學中,我們必須搞清楚一種方法為何有效。這促使我們去設計一種本質上可解釋的神經網絡,這項工作最終促成了TTnet的誕生。 從密碼學論文,走向高敏感行業實戰
TTnet最初亮相於Peyrin教授與合作團隊在2024年發表的可驗證神經網絡論文。隨著Implicant的成立,這套源自南洋理工大學實驗室的研究成果,被整合為涵蓋數據加密、規則審查與密文推理的一體化工具鏈。
在高敏行業合規監管日趨嚴格的當下,純理論研究正加速向產業實戰過渡。讓機構既能放心地調用算力,又能向監管清楚交代每一項決策的推導邏輯,或許正是AI技術深水區落地的必要基石。
我一直對實際應用以及能產生直接影響的數學問題充滿興趣。通過Implicant,我們把這些研究與全同態加密技術結合在了一起,實現了在加密數據上進行預測。
📌 要點總結
✦ NTU數學系教授Thomas Peyrin創辦AI初創公司Implicant,主攻隱私保護與可解釋機器學習。
✦ 採用全同態加密(FHE)技術,伺服器無需解密即可直接對密文數據運行AI推演。
✦ 引入2024年發表的真值表網絡(TTnet),將黑盒神經網絡轉化為清晰可見的顯式邏輯規則。
對於這種全程加密、邏輯公開的AI方案,你怎麼看?歡迎在評論區交流。