同态加密，说白了就是：把数据锁进保险柜寄给加工厂，工厂不开柜子就能帮你加工，加工好的成品仍然锁在柜子里寄回来——全世界只有你手里有钥匙。
听起来有点反直觉：数据都加密了，云端看不见原文，它怎么帮你算？但恰恰是这个"加密了还能算"的魔法，让它被称为密码学界的"圣杯"，也让它在AI时代突然站上了风口——因为你既想让大模型帮你分析体检报告、简历、合同，又打死不想让这些数据在别人的服务器上"裸奔"。
密码学家Craig Gentry（就是2009年发明全同态加密的那位）给过一个经典比喻：
银行收到一件需要修理的传家宝（你的数据），老板舍不得让工匠（云端服务器）直接碰。于是做了一个带手套孔的密封箱子（加密）：工匠把手伸进箱子里的固定手套，能隔着箱壁操作珠宝，但看不见、摸不着、也拿不走。他只能按照银行给的图纸（程序）干活，成品始终锁在箱子里。最后箱子寄回银行，钥匙只有银行有。
在这个比喻里，工匠干得再起劲，从头到尾没"看见"过珠宝一眼。同态加密干的就是这件事：允许别人在看不见你数据的前提下，用你的数据完成计算。
"同态"来自希腊语：homo（相同）+ morph（形态），意思是运算前后的数学结构保持一致。
写成大白话就是：
在密文上做运算，再解密，结果 = 先解密，再做同样的运算。
比如你要算 3 + 5。传统做法是把明文的 3 和 5 发出去算。同态加密的做法是：把 3 和 5 加密成两坨"乱码"，云端把这两坨乱码直接"相加"，得到第三坨乱码——你拿回来用自己的钥匙一解密，出来的正好是 8。
这不是巧合，而是数学结构的巧妙安排。历史上第一个公钥加密算法RSA（就是https网址里那个RSA）天然带一点这种性质：两段密文相乘再解密，等于两段原文相乘。1978年，RSA的三位发明人里的两位（Rivest和Adleman）就在论文里畅想：能不能让密文支持任意运算？这个问题一悬就是三十年，被称为"密码学的圣杯"。
普通加密可以理解为"把数字彻底打乱"，打乱之后就什么规律都没了，自然没法运算。同态加密的思路完全不同：它把数据藏进一个天生保留运算规律的数学结构里（目前主流方案用的是"格密码"——一种基于高维格点难题的加密方式，恰好被认为连量子计算机也难以破解）。
数据藏进去之后，加法在这个结构上的表现，恰好对应明文的加法；减乘除也有类似安排。所以云端根本不需要"知道原文"，它只需要按规矩搬动这些结构，规律就自动把正确的计算结果"带"出来。
按"能算多少"，同态加密分三档，火力逐级递增：
| 档位 | 能做什么 | 生活类比 | 代表方案 |
|---|---|---|---|
| 部分同态PHE | 只支持一种运算（加或乘） | 只会炒一个菜的厨子 | Paillier（加法）、RSA（乘法） |
| 层次同态SHE | 加减乘都行，但有次数上限 | 用一次少一截的电池 | BGV、BFV的早期形态 |
| 全同态FHE | 任意次数加减乘，理论上能跑任何程序 | 全能大厨 | Gentry方案及后续TFHE、CKKS等 |
其中CKKS方案（2017年提出）特别值得点名：它支持近似实数运算，正好对上机器学习里满屏的小数，成了"加密状态下跑AI"的主力选手。TFHE则擅长逻辑判断，自举（下面讲）特别快。
天下没有免费的午餐。同态加密每做一次运算，密文里就会积累一点"噪声"——可以想象成在一张照片上反复盖毛玻璃，盖得层数太多，照片就没法看了（解密失败）。
Gentry的天才贡献"自举"（bootstrapping），就是让密文在加密状态下给自己洗一次澡，把噪声洗掉，然后接着算。有了它，理论上运算次数不再受限——这一步，把"层次同态"升级成了"全同态"。
一个1978年提出、2009年才破题的技术，为什么最近两年突然霸榜科技新闻？四个原因叠加：
这是最直接的自变量。你现在想用云端大模型做这些事：分析体检报告、改简历、审合同、总结客户资料……每做一次，原始数据就完整地躺在别人的服务器上一次。企业更纠结：把客户数据喂给第三方API，出了泄露谁负责？
同态加密给出的答案简单粗暴：上传密文，让AI在密文上推理。模型"读过"你的数据，但从头到尾没见过原文。这类"密文上的机器学习推理"是近两年学术界和产业界最热的研究方向之一。
中国的《个人信息保护法》、欧盟GDPR和数据跨境新规、欧盟《人工智能法案》……都在给"数据交给别人处理"加码。企业的合规部门发现：与其操心合作方会不会泄露数据，不如从源头就让数据以密文形态流通。同态加密天然满足"数据可用不可见"，成了合规工具箱里的硬通货。它和联邦学习（数据不动、模型动）、差分隐私（给统计结果加噪声）合称隐私计算"三件套"，分工互补——这一栏目之前已经专门写过前两位，同态加密是三件套里"数学味最浓、保护最彻底"的那一位。
微软的SEAL、社区接棒的OpenFHE、Zama的TFHE-rs……这些开源库把"格密码"这种数学硬骨头封装成了普通工程师能调用的接口。2018年起，微软、IBM等机构还联合发起了社区标准组织HomomorphicEncryption.org，推动方案标准化。从"实验室玩具"到"拿来就能编译运行的库"，是产业爆发的信号。
先看工作流程——数据全程上锁：
flowchart TD
A["你的原始数据<br/>病历、简历、合同"] --> B["在本机加密上锁<br/>变成密文"]
B --> C["只上传密文<br/>平台全程见不到原文"]
C --> D["云端在密文上直接计算<br/>AI照样分析"]
D --> E["计算结果仍是密文<br/>原样寄回"]
E --> F["你用私钥在本机解锁<br/>只有你能看到结果"]
再看它在隐私计算"三件套"里的位置——三兄弟分工不同：
flowchart TD
P["数据要用又怕泄露<br/>怎么选？"] --> A["联邦学习<br/>数据不动，模型动"]
P --> B["差分隐私<br/>加噪声，只看整体"]
P --> C["同态加密<br/>数据上锁，照样随便算"]
现在你对语音助手说"帮我看看这份体检报告有没有问题"，心里多少会打鼓。等同态加密大规模落地，你的敏感数据可以全程以密文形态躺在云端，AI帮你算完、结果只回你手里。类似的应用方向还包括：多家医院在不交换病历的前提下联合研究疾病、银行在不看对方客户名单的前提下联合反欺诈、你在不暴露浏览记录的前提下拿到个性化推荐。
会写SEAL/OpenFHE/TFHE-rs代码的工程师目前极为稀缺，金融、政务、医疗大厂的隐私计算团队常年招人。入行路径相对清晰：先补一点数论和格密码的直觉（不用先啃证明），再直接上手开源库跑通"加密状态下做个线性回归"的Demo。密码学、隐私合规、FHE编译器优化，都是未来几年有溢价的技能点。
同态加密目前最大的短板仍然是慢——复杂运算的开销常被形容为万倍级，密文体积膨胀也很大（一个数字加密后可能膨胀成几万个字节）。但这个短板正被三股力量同时夹击：算法改良、GPU/FHE专用芯片、以及把数据打包并行计算的"批处理"技巧。性能每降低一个数量级，可商用的场景就多一片。关注FHE芯片公司、拥有隐私计算平台的企业、以及标准落地进度，是观察这个赛道的三条线索。当然，它离"人人日常可用"还有距离，别把它当短期爆点，它是长坡厚雪型技术。
本文由「51学通信」技术团队出品。51学通信由通信行业18年老兵爱卫生（微信ID： gprshome201101）维护，聚焦5G/6G核心网、3GPP标准解读、通信前沿技术深度分析。 出版作品有《5G核心网原理与实践》《IMS原理与实践》等4本通信专业书籍。知识星球「51学通信」提供深度技术答疑和行业洞察。
[!tip] 51学通信知识星球 星主：爱卫生（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 星球定位：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 当前规模：5200 篇主题 / 990 个回答，198 元/年。 加入福利：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 AI 加持：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。