主要观点：

• 作者从事同态加密（HE 或 FHE）工作，在博客上有相关内容，本文是对关于 FHE 问题的简短回答集。
• 详细解答了关于 FHE 的多个问题，包括能否看到加密查询、如何在不查看数据的情况下操作加密数据、排序在 FHE 中的实现、FHE 的速度、对量子计算机的安全性、应用场景、是否需加密所有内容、训练 LLM 处理加密数据等方面。
• 还表达了关于 FHE 的一些观点，如尚未找到杀手级应用、为何不本地计算、是否有对隐私服务的市场需求、公司为何不放弃分析用户数据、信任与 FHE 开销比较、FHE 能否处理 LLM 以及与其他硬件解决方案的比较等。

关键信息：

• FHE 可响应加密查询但不会看到查询内容，通过设计加密方案实现。
• 排序在不同 FHE 方案中有不同实现方式，需注意近似质量和性能影响。
• 2025 年 FHE 在某些方面性能提升，如单 GPU 上的面部识别。
• FHE 对量子计算机安全，基于与 NIST 标准 PQC 方法相同的假设。
• 应用场景包括生产中的一些案例，也有非 FHE 技术用于数据库私有查询。
• 训练 LLM 处理加密数据时不直接在加密数据上训练。
• 对于 FHE 的一些观点，如尚未找到杀手级应用、本地计算是较好隐私增强选项等。

重要细节：

• 在 FHE 中，“添加”和“乘法”在加密值上更复杂，通常一个加密方案会免费获得其中一个同态操作。
• 比较操作可通过多项式近似实现，不同 FHE 方案实现方式不同。
• 关于 FHE 的市场需求，在某些非法或特殊情况下有需求，长期来看成本可能不高。
• 信任虽重要但不能防止诚实错误导致的泄露，FHE 可对此提供保护。
• 对于与其他硬件解决方案的比较，作者更信任数学问题的难度而非硬件设计师的技能。