本文探讨了私募股权通证化面临的挑战，尤其是在保护投资者隐私方面的需求。文章介绍了Zama的fhevm解决方案，该方案使用全同态加密（FHE）技术，能够在链上对加密数据进行计算，从而在保护敏感信息的同时，实现基金份额、资本召集、二级市场交易和分红等操作的通证化，最终将传统金融的合规性与区块链的自动化和透明度相结合。

本文介绍了在同态加密中进行转密码的概念，即同态应用加密或解密算法。Zama举办的TFHE-rs Bounty Season 7 就是关于同态应用 AES 加密算法的挑战。最终“sharkbot”的提交方案因其高效的 S-box 处理方法而获胜，该方案将 S-box 视为可计算的位级电路，并使用多种优化策略实现了最佳性能。其他参赛者也使用了类似方法，但性能略逊。

Zama 团队发布了一个基于阈值密码学的阈值密钥管理系统 (TKMS)，旨在解决同态加密 (FHE) 应用中的密钥管理问题。该系统将密钥分成多个片段分发给多个参与方，且在密码学操作期间不进行重组，类似于区块链中的多方计算 (MPC) 钱包。Zama 同时开源了 MPC 库，并发布了详细的密码学报告，以促进 FHE 领域的合作和进步。

Zama 发布了 Concrete v2.10，引入了对 Rust 的支持，通过 concrete-macro 和 concrete 这两个 crates，可以直接在 Rust 中使用 FHE（全同态加密) 功能，使得开发者能够更容易地将 Python 原型移植到生产环境。此外，新版本还增强了与 TFHE-rs 的互操作性。

Zama 发布了 TFHE-rs v1.1 版本，该版本在 GPU 和 CPU 后端都有重大改进和新特性。GPU 方面，升级了后端，采用了与 CPU 相同的默认加密参数，显著提高了多 GPU 的支持，CPU 方面，通过支持更多的标量案例扩展了算子集，该版本还引入了分块引导密钥生成，以更好地支持内存受限环境中的操作。

Concrete v2.10 发布，引入了对 Rust 的支持，通过 concrete-python 将 Python 程序编译为 FHE 等效程序，然后在 Rust 项目中使用，以便在生产环境中部署。新版本还增强了与 TFHE-rs 的互操作性，可以更轻松地结合两者的优势。

Concrete ML v1.9 版本发布，引入了对 TFHE-rs 密文格式的支持，使 Concrete ML 模型能够无缝集成到基于 Rust 的 FHE 管道中。

Zama 发布了 TFHE-rs (v1.1)、Concrete (v2.10) 和 Concrete ML (v1.9) 的新版本。

Zama 发布了 TFHE-rs v1.1 版本，GPU 后端升级，采用与 CPU 相同的默认加密参数，降低了计算错误的概率。多 GPU 支持也得到了显著改善，开发者可以选择要使用的 GPU，在 8×H100 GPU 上每秒可进行接近 500 次加密的 64 位加法。CPU 方面，此版本通过支持更多标量情况扩展了运算符集，从而使同态计算更加通用和高效。

Zama发布 Concrete ML v1.9 版本，该版本支持 TFHE-rs 密文格式，支持开发者使用 Rust 生态系统进行加密机器学习工作流程，能够将 Concrete ML 模型无缝集成到基于 Rust 的 FHE 管道中。同时，LoRA LLM 微调协议也得到了性能上的改进，并推出了新的 SDK，旨在构建支持 FHE 的浏览器和移动应用程序，使移动用户能够安全地处理敏感数据。