# NTU數學系教授創辦AI公司：數據全程加密，模型告別黑盒

URL: https://www.shicheng.news/zh-hant/v/8Xkem
Published: 2026-11-18
Source: 獅城新聞

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。

![NTU數學系教授創辦AI公司：數據全程加密，模型告別黑盒](https://www.shicheng.news/images/image/1801/18013754.avif?1794906003)





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。

![NTU數學系教授創辦AI公司：數據全程加密，模型告別黑盒](https://www.shicheng.news/images/image/1801/18013755.avif?1794906003)





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。
