一、引言

1.1 背景与目的

随着区块链技术的不断发展，加密货币市场呈现出蓬勃的发展态势，吸引了全球投资者的广泛关注。从早期比特币的诞生开启去中心化数字货币的先河，到如今以太坊等多种加密货币百花齐放，加密货币市场的规模不断扩大，应用场景也日益丰富。然而，加密货币市场高度波动，且充满创新与变革，不断有新的项目和理念涌现。

Nillion 作为加密货币领域的新兴参与者，以其独特的技术和理念，试图在这个竞争激烈的市场中脱颖而出。它致力于解决当前加密货币市场中一些长期存在的问题，如隐私保护、数据安全和可扩展性等，为用户提供更加安全、高效和隐私保护的加密货币服务。其创新性的 “盲计算” 技术，结合了多种先进的加密技术，旨在实现数据在加密状态下的高效处理，这在隐私保护意识日益增强的今天，具有重要的现实意义。

二、Nillion 项目概述

2.1 基本介绍

Nillion 创立于 2022 年，是一个致力于解决加密货币领域隐私保护和数据安全问题的创新项目，旨在构建一个多计算机组成的去中心化网络，通过独特的 “盲计算” 技术，为用户提供前所未有的隐私保护方案。

“盲计算” 是 Nillion 的核心技术，它是多项先进加密技术的集成成果，包括多方计算（MPC）、同态加密（Homomorphic Encryption）和其他隐私增强技术（PET）。这种技术允许服务端（节点）对加密状态的数据片段执行计算任务，整个过程中数据内容不会被泄露，从而达到保护隐私的目的。

与其他加密技术相比，“盲计算” 具有独特的优势。例如，零知识证明（ZKP）生成证明需要巨大的开销，适合链下存储 + 计算、链上只验证的场景；可信执行环境（TEE）依赖硬件厂商在隔离环境下进行计算；全同态加密（FHE）虽然可以直接在加密数据上执行计算，但当下只支持特定运算。而 “盲计算” 是一种更加通用的计算框架，它有可能将 ZKP、TEE、FHE 等加密技术聚合应用起来，为隐私保护探索出一体化的工程实践方案。

在 Nillion 网络中，参与的计算机被称为节点。这些节点具备强大的功能，能够传输、存储和处理数据，且在执行任务时无需 “看到” 数据本身。节点们盲目地执行程序，忽略输入数据或结果输出。以节点代表用户签署交易为例，每个节点会获取交易和一段称为 “共享” 的密钥，其中不包含任何实际信息。通过运行加密协议，节点能够联合签署交易，而无需重建密钥，也无需访问用户的私钥，整个过程充分体现了 “盲计算” 技术的安全性和隐私保护性。

2.2 团队与融资情况

Nillion 的创始团队阵容堪称豪华，成员背景丰富，涵盖了区块链、金融、法律等多个领域，为项目的成功奠定了坚实的基础。首席战略官 Andrew Masanto 是 Hedera Hashgraph 的联合创始人，在区块链领域拥有丰富的经验和深厚的技术背景，他的加入为 Nillion 带来了宝贵的行业资源和战略眼光。首席商务官 Slava Rubin 是美国众筹网站 Indiegogo 的创始人，具备卓越的商业运营和市场开拓能力，能够有效地推动 Nillion 在市场中的发展和合作。总法律顾问 Lindsay Danas Cohen 曾是 Coinbase 的产品副总法律顾问，在加密货币法律合规方面有着丰富的经验，能够确保 Nillion 在合规的轨道上稳健发展。

在融资方面，Nillion 也取得了显著的成果。2022 年 12 月，Nillion 完成了 2000 万美元的融资，此次融资由 Distributed Global 领投，AU21、Big Brain Holdings、Chapter One、GSR、HashKey、OP Crypto 和 SALT Fund 等知名机构参投，充分显示了市场对 Nillion 项目的认可和信心。2024 年，Nillion 再次完成了 2500 万美元的融资，由 Hack VC 领投，这一轮融资进一步增强了 Nillion 的资金实力，为其技术研发、市场拓展和生态建设提供了有力的支持 。这些资金将被用于推动 “盲计算” 技术的研发和应用，扩大其在区块链和 AI 领域的影响力，加速实现其愿景和目标。

三、Nillion 技术原理与创新

3.1 “盲计算” 技术解析

3.1.1 技术定义与构成

“盲计算” 是 Nillion crypto 的核心技术亮点，它是多方计算（MPC）、同态加密（Homomorphic Encryption）等多种先进加密技术融合集成的创新性成果。多方计算是一种密码学技术，允许多个参与方在不互相透露各自数据的前提下，协同计算一个目标函数。例如，在一个多方联合统计用户消费数据的场景中，各个参与方分别持有自己用户的消费记录，通过多方计算技术，他们可以共同计算出总的消费金额、平均消费等统计数据，而无需将各自的用户消费记录暴露给其他方。同态加密则是一种特殊的加密形式，它允许对密文进行特定的计算操作，其结果与对明文进行相同计算操作后再加密的结果一致。这意味着数据在加密状态下就可以被处理，无需解密，极大地增强了数据的安全性。

“盲计算” 正是巧妙地融合了这些技术的优势，构建出一个独特的隐私保护计算体系。它允许服务端（节点）对加密状态的数据片段执行计算任务，整个过程中数据内容不会被泄露，从而实现了数据处理的隐私性和安全性。这种集成并非简单的技术叠加，而是通过精心设计的算法和协议，使各项技术相互协作、优势互补，共同为 “盲计算” 的实现提供支撑。例如，在数据的预处理阶段，利用同态加密技术对数据进行加密，确保数据在传输和存储过程中的安全性；在计算阶段，借助多方计算技术，实现多个节点之间的协同计算，同时保证各个节点无法获取其他节点的数据内容。

3.1.2 工作流程与机制

在 Nillion 网络中，“盲计算” 的工作流程展现出高度的复杂性和精密性。当网络接收到数据传输处理需求时，首先会经由 Nada 特定语言执行编译预处理。Nada 语言是专门为 “盲计算” 设计的一种编程语言，它能够将原始数据拆分成多个片段，并对每个片段进行加密处理，使数据在后续的传输和处理过程中始终处于加密状态。这一步骤类似于将一份机密文件拆分成多个部分，然后分别对每个部分进行加密，即使某个部分被泄露，也不会导致整个文件的内容被暴露。

经过预处理的数据片段会进入 AIVM 虚拟机进行调度和分配。AIVM 虚拟机就像是一个智能的资源管理器，它会根据各个节点的负载情况、计算能力等因素，将数据片段随机分配到分布式节点中进行存储和计算。每个节点在接收到数据片段后，会在自身的环境中对其进行计算处理。由于数据是加密的，节点在计算过程中并不知道数据的具体内容，只能按照预设的算法对加密数据进行操作。这就好比节点在处理一个密封的包裹，虽然不知道包裹里装的是什么，但可以按照要求对包裹进行特定的操作。

当各个节点完成计算后，会将计算结果返回。这些结果会经过聚合和统一验证，以确保计算的准确性和完整性。在这个过程中，可能会运用到一些验证算法和技术，如零知识证明等，来验证计算结果的正确性，同时不泄露数据的内容。通过这样的流程，Nillion 网络实现了在节点不知道 “完整” 数据的前提下，有效地完成数据的加密传输、存储和计算工作，充分体现了 “盲计算” 技术的安全性和隐私保护性。

3.2 与其他加密技术对比

与零知识证明（ZKP）相比，ZKP 主要侧重于在不泄露任何具体内容的情况下，验证信息的真实性。在 Zcash 这种匿名币的转账场景中，当用户进行转账时，需要生成一个 ZK 证明，以证明自己拥有转账的权力，同时保证身份的匿名性。然而，ZKP 生成证明需要巨大的开销，这使得它更适合链下存储 + 计算、链上只验证的场景，比如 Rollup Layer2。而 “盲计算” 不仅仅关注信息的验证，更强调数据在整个处理过程中的加密和计算，是一种更加全面的隐私保护方案，且在计算过程中不需要生成如此巨大开销的证明。

可信执行环境（TEE）是一种依赖硬件厂商在隔离环境下进行计算的方法。它通过硬件提供的安全机制，在一个相对封闭的环境中执行计算任务，以保证数据的安全性。但是，TEE 的应用受到硬件的限制，不同的硬件厂商可能提供不同的 TEE 解决方案，且硬件的成本和兼容性也是需要考虑的问题。“盲计算” 则是基于软件层面的加密技术集成，不依赖特定的硬件，具有更好的通用性和可扩展性。

全同态加密（FHE）虽然可以直接在加密数据上执行计算，但当下只支持特定运算。在一些简单的数学运算场景中，FHE 可以发挥其优势，实现数据的加密计算。而 “盲计算” 是一种更加通用的计算框架，它有可能将 ZKP、TEE、FHE 等加密技术聚合应用起来，为隐私保护探索出一体化的工程实践方案。它不仅能够支持多种类型的运算，还能整合不同加密技术的优势，适应更广泛的应用场景 。

3.3 技术创新点与优势

“盲计算” 的创新点首先体现在它聚合多种加密技术的能力上。它打破了传统加密技术各自为政的局面，将多方计算、同态加密、零知识证明等多种先进加密技术有机地结合在一起，形成了一个协同工作的整体。这种集成创新为隐私保护提供了更强大的解决方案，能够满足不同场景下对数据隐私和安全的严格要求。

分布式节点的增强也是 “盲计算” 的一大创新。它让单个节点同时具备分段存储 + 计算的能力，再加上一个可验证的开放治理网络，使得节点能够在不知道 “完整” 数据的前提下有效工作。这种设计有效地解决了传统数据处理模式中数据传输成本高、隐私易泄露的问题。在传统模式下，保护数据隐私需要在不同的节点之间进行多次数据的加密、传输和解密，这个过程不仅成本高昂，而且存在数据暴露的风险。而 “盲计算” 通过分布式节点的设计，将数据处理任务分散到各个节点，减少了数据传输的次数和风险，提高了数据处理的效率和安全性。

在隐私保护方面，“盲计算” 具有显著的优势。它能够确保数据在整个处理过程中始终保持加密状态，甚至参与计算的节点也无法看到数据本身，真正实现了端到端的隐私保护。这对于处理敏感数据，如金融数据、医疗数据等，具有重要的意义。

在数据处理成本方面，“盲计算” 通过优化数据处理流程，减少了数据传输和多次加密解密的操作，降低了计算资源的消耗和时间成本。在云计算场景中，用户可以将加密后的数据上传到 Nillion 网络进行处理，无需担心数据在计算过程中的安全问题，同时也减少了因数据传输和处理带来的成本。

从应用领域来看，“盲计算” 的通用性使其能够在多个领域得到广泛应用。除了加密货币领域，它在人工智能、医疗、金融等领域都具有巨大的应用潜力。在人工智能领域，“盲计算” 可以保护用户的隐私数据，同时为模型训练提供安全的数据支持；在医疗领域，它可以确保患者的医疗记录在共享和分析过程中的隐私安全；在金融领域，它可以保障金融交易数据的安全和隐私，防止数据泄露和欺诈行为的发生。

四、Nillion 应用场景与合作生态

4.1 主要应用领域

4.1.1 Web3 隐私保护

在 Web3 的世界中，数据的公开透明虽然增强了区块链的信任度，但也牺牲了用户的隐私。区块链上的交易信息和数据实时公开，任何拥有互联网连接和相关工具的人都可以访问存储在公共区块链上的敏感信息。这对于那些对隐私敏感的用户来说，是一个巨大的障碍。例如，在去中心化金融（DeFi）应用中，用户的交易记录、资产信息等都是公开可见的，这可能导致用户的隐私泄露，甚至引发安全风险。

Nillion 的 “盲计算” 技术为 Web3 引入了私密计算能力，有效地解决了这一问题。它允许用户在链上处理敏感数据而不必公开，确保数据在整个处理过程中保持加密状态，甚至参与计算的节点也无法看到数据本身。在智能合约的执行过程中，“盲计算” 可以对合约中的数据进行加密处理，使得合约的执行更加安全和隐私保护。通过这种方式，“盲计算” 扩展了区块链应用的设计空间，让隐私保护和去中心化同时成为可能，不再是相互排斥的。这为那些有着更高隐私需求的用户提供了进入 Web3 世界的新方案，也为 Web3 应用的发展开辟了更广阔的空间。

4.1.2 AI 领域

随着人工智能技术的飞速发展，其在为人们工作生活提供便利的同时，也带来了隐私泄露的风险。人工智能在训练和推理过程中需要大量的数据，这些数据往往包含用户的敏感信息，如交易信息、密码、身份、商业秘密等。一旦这些数据暴露在某个中心化的大公司，将带来巨大的社会隐患。在人脸识别技术的应用中，如果数据被泄露，可能会导致用户的身份被盗用；在智能医疗诊断中，患者的医疗记录如果被泄露，可能会对患者的隐私和安全造成严重威胁。

Nillion 的 “盲计算” 技术为 AI 领域提供了一种有效的隐私保护解决方案。通过 “盲计算”，AI 模型可以在不暴露原始数据的情况下进行安全的训练和推理。在数据预处理阶段，利用同态加密等技术对数据进行加密，然后将加密后的数据输入到 AI 模型中进行训练。在训练过程中，节点对加密数据进行计算，而无需解密数据，从而保护了数据的隐私。在推理阶段，同样可以使用 “盲计算” 技术，确保输入数据和输出结果的隐私性。这使得 AI 技术在处理敏感数据时更加安全可靠，为 AI 的发展提供了更坚实的隐私保护基础。

4.1.3 金融与医疗行业

金融和医疗行业是两个对数据隐私和安全要求极高的行业。在金融行业，客户的交易记录、账户信息、信用数据等都属于敏感信息，一旦泄露，可能会导致客户的财产损失和信用风险。在医疗行业，患者的病历、诊断结果、基因数据等涉及个人隐私，泄露这些信息可能会对患者的生活和健康造成严重影响。

“盲计算” 技术为这两个行业提供了安全处理敏感数据的新方式。在金融领域，银行等金融机构可以利用 “盲计算” 技术在不暴露客户隐私的情况下，进行风险评估、信贷审批等业务操作。在信贷审批过程中，银行可以将客户的加密数据发送给多个节点进行计算，节点根据预设的算法对加密数据进行分析，判断客户的信用风险，而无需了解客户的具体信息。在医疗领域，医疗机构可以通过 “盲计算” 技术实现医疗数据的共享和分析，同时保护患者的隐私。不同医疗机构之间可以共享加密后的医疗数据，进行联合研究和诊断，而不必担心数据泄露的风险。这不仅有助于提高医疗服务的质量和效率，还能推动医疗科研的发展，为患者提供更好的医疗服务。

4.2 合作项目与生态建设

Nillion 在生态建设方面积极布局，与众多知名项目展开合作，共同推动 “盲计算” 技术的应用和发展。在区块链领域，Nillion 与 NEAR、Aptos、Arbitrum 等加密知名项目完成了结合。2024 年 9 月 13 日，Nillion 的隐私功能完成与 NEAR 的集成，超过 750 个 NEAR 生态的项目可以访问 “盲计算”。这种合作使得 Nillion 的隐私保护技术能够融入到更多的区块链应用中，为这些应用提供更强大的隐私保护能力，同时也扩大了 Nillion 的用户群体和市场影响力。

在 AI 领域，Nillion 与 Ritual、Rainfall、Skillful AI、Nuklai、Virtuals、io.net、Capx、Dwinity、Brainstems 等项目建立了合作关系。这些合作旨在探索 “盲计算” 技术在 AI 模型训练、推理以及数据隐私保护方面的应用。通过与这些 AI 项目的合作，Nillion 能够将其技术优势与 AI 的发展需求相结合，为 AI 行业提供更安全、隐私保护的解决方案，推动 AI 技术的健康发展。

在医疗领域，Nillion 也积累了如 Agerate、Naitur、MonadicDNA 等多个合作伙伴。通过与这些医疗项目的合作，Nillion 致力于解决医疗数据的隐私保护和安全共享问题，为医疗行业的数据处理和分析提供更可靠的技术支持，促进医疗行业的数字化转型和创新发展。

这些合作项目对于 Nillion 的生态建设和业务拓展具有重要意义。通过与不同领域的项目合作，Nillion 能够将其 “盲计算” 技术应用到更广泛的场景中，验证技术的可行性和有效性，不断优化和完善技术。合作也有助于 Nillion 吸引更多的开发者和用户，形成一个良性循环的生态系统，共同推动隐私保护技术的发展和应用，实现互利共赢的局面。

五、Nillion 代币经济学

5.1 代币分配

$NIL是Nillion网络的实用代币，总供应量为10亿，分配如下：

5.2 代币用途

• 确保协调层：质押NIL代币可获得投票权，用于保护网络并通过委托权益证明机制决定有效验证者集。

• 管理网络资源：用户支付NIL代币以使用协调层或进行盲计算请求，从而促进高效的资源管理。

• Petnet集群经济：基础设施提供商加入集群以促进盲计算。他们为网络提供安全存储和资源而获得NIL代币奖励。

• 网络治理：NIL持有者可以质押他们的代币对协调层内的链上提案进行投票，或将他们的投票权委托给他人。

六、Nillion 市场表现与发展趋势

6.1 市场数据与指标分析

截至目前，Nillion 虽然尚未进行 TGE（Token Generation Event，代币生成事件），但其在技术验证和生态建设方面已经取得了一系列显著成果，这些成果可以通过一些关键数据和指标进行量化分析，从而评估其发展态势。

在节点参与方面，Nillion 的验证者数量呈现出快速增长的趋势。截至 9 月 24 日，Nillion 验证者数量达到 75841，这一数据反映了市场对 Nillion 项目的关注度和参与度较高。众多的验证者参与到 Nillion 网络中，不仅有助于维护网络的稳定性和安全性，还能促进网络的去中心化发展。大量的验证者意味着网络的计算和存储能力得到了有效扩展，能够处理更多的数据和任务，为 Nillion 的应用场景拓展提供了坚实的基础。

从数据处理能力来看，总秘密被挑战次数和受保护数据量是两个重要的指标。截至特定时间，总秘密被挑战 3733 万次，受保护的总数据量 513GB。总秘密被挑战次数反映了 Nillion 网络在隐私保护计算方面的活跃度和应用需求。大量的挑战次数表明，Nillion 的 “盲计算” 技术在实际应用中得到了广泛的尝试和应用，市场对其隐私保护能力有较高的需求。受保护数据量则直接体现了 Nillion 网络的实际应用价值。513GB 的受保护数据量说明 Nillion 已经在数据隐私保护领域发挥了重要作用，能够为用户提供安全可靠的数据存储和处理服务。

这些数据之间存在着紧密的关联。验证者数量的增加为处理更多的数据提供了可能，从而使得总秘密被挑战次数和受保护数据量得以增长。而总秘密被挑战次数和受保护数据量的增加，又进一步证明了 Nillion 网络的实用性和可靠性，吸引更多的验证者参与其中，形成一个良性循环。从发展趋势来看，随着 Nillion 生态建设的不断推进，其验证者数量有望继续增长，数据处理能力也将进一步提升，总秘密被挑战次数和受保护数据量也将随之增加，这将为 Nillion 在市场中的发展奠定更加坚实的基础 。

6.2 未来发展趋势预测

随着技术的不断发展和市场需求的不断变化，Nillion 有望在多个方面实现突破和发展。在技术应用拓展方面，Nillion 的 “盲计算” 技术具有广泛的应用潜力。除了目前已经涉及的 Web3 隐私保护、AI 领域以及金融和医疗行业，未来还有望在更多领域得到应用。在物联网领域，随着物联网设备的大量普及，设备之间的数据交互和隐私保护成为重要问题。Nillion 的 “盲计算” 技术可以确保物联网设备在进行数据传输和处理时，数据始终保持加密状态，保护用户的隐私安全。在供应链金融领域，“盲计算” 技术可以实现供应链数据的隐私保护，同时确保各方能够在不泄露敏感信息的前提下进行有效的合作和交易。

从市场份额扩大的角度来看，Nillion 通过与众多项目的合作，已经在多个领域建立了良好的生态基础。未来，随着其技术的不断成熟和应用场景的不断拓展，Nillion 有望吸引更多的用户和合作伙伴，进一步扩大其市场份额。在区块链领域，与 NEAR、Aptos、Arbitrum 等项目的合作，使得 Nillion 的隐私保护技术能够融入到更多的区块链应用中，为这些应用提供更强大的隐私保护能力，从而吸引更多的用户使用这些应用，间接扩大 Nillion 的用户群体。在 AI 领域，与 Ritual、Rainfall 等项目的合作，有助于 Nillion 将其技术应用到 AI 模型训练和推理中，满足 AI 行业对数据隐私保护的需求，进而在 AI 市场中占据一席之地。

在行业标准制定方面，Nillion 作为隐私保护领域的创新者，有可能在未来参与甚至主导行业标准的制定。随着隐私保护需求的不断增长，行业对于统一的隐私保护标准的需求也日益迫切。Nillion 凭借其先进的技术和丰富的实践经验，有望在行业标准的制定过程中发挥重要作用，推动整个隐私保护行业的规范化和健康发展。通过制定行业标准，Nillion 不仅能够提升自身在行业中的地位和影响力，还能为其技术和产品的推广提供有力支持，进一步巩固其市场竞争优势 。

结语

Nillion 以其创新的 “盲计算” 技术，在隐私保护和数据安全领域展现出显著的优势。这种技术通过聚合多方计算、同态加密等多种先进加密技术，实现了数据在加密状态下的高效处理，为用户提供了前所未有的隐私保护方案。