关键词：密态推理/训练、可验证计算、隐私计算

人工智能的快速发展带来了新的隐私与信任挑战：数据不能出域，模型不能泄露，计算结果需要可验证，访问权限需要细粒度控制。传统“先解密再计算”的模式无法满足这些需求。因此，这一方向研究基于全同态加密 FHE、零知识证明 ZKP 和 函数加密 FE的隐私保护 AI 算法与模型，推动“数据可用不可见、模型可用不可见、计算可验证”的落地。

具体研究包括：面向 FHE 的密码学友好神经网络设计与密态推理；基于 ZKP 的模型推理可验证性与完整性证明；基于函数加密的细粒度访问控制与隐私保护机器学习；隐私保护训练与联邦学习中的密码协议优化；以及算法—协议—硬件协同加速。目标是在精度、隐私、效率和可验证性之间取得平衡，让隐私保护 AI 从理论走向实用。

这一方向适合对机器学习、密码学、系统优化和硬件加速感兴趣的学生。你将站在 AI 与密码学的交叉点，既理解模型与算法，也理解协议与芯片，成为下一代隐私计算系统的设计者。