Zama宣布与摩根大通的Kinexys合作，成功完成了基于全同态加密（FHE）技术的概念验证项目，该项目专注于金融领域的隐私保护。通过fhEVM，实现了在以太坊智能合约上的加密交易，确保投资者在基金认购、二级市场交易、原子结算和KYC/AML合规等场景中的数据隐私和安全。

本文介绍了Suffragium，一个利用零知识证明（ZKP）和全同态加密（FHE）构建的链上加密投票系统，该系统利用Zama的fhEVM来保护投票的隐私性、完整性和可验证性。Suffragium旨在通过加密技术，实现安全、私密且防篡改的投票过程，同时确保投票结果的透明和可信。

新加坡国立大学（NUS）的一组计算机科学学生在 TikTok TechJam 2024 上使用 Zama 的 Concrete ML 和全同态加密 (FHE) 技术，开发了一个广告服务系统，展示了 FHE 如何为在线广告开创一个尊重隐私的新时代。该项目名为 AnonymousAds，旨在保护用户隐私的前提下，实现个性化广告投放。

Concrete ML v1.7 版本发布，引入了多项新功能，包括在加密数据上微调 LLM 模型和神经网络，利用 GPU 加速提升加密推理的性能（最高可达 1-2 倍），以及展示了一个通过加密 DNA 预测祖源的 Hugging Face space 示例。此外，该版本还支持 Python 3.11 和 PyTorch 2。

Concrete v2.8版本发布，主要更新包括： Concrete与TFHE-rs的互操作性，允许开发者在两者之间转换整数，利用各自的优势；自动模块追踪功能，简化了模块编译的流程；以及新增了多个教程，展示了FHE和Concrete在实际应用中的用例。此外，新版本还包括各种优化和错误修复，尤其是在Concrete GPU运行时，提高了FHE评估的速度。

Zama 发布了 TFHE-rs (v0.8)、Concrete (v2.8) 和 Concrete ML (v1.7) 的新版本。

TFHE-rs v0.8版本发布，引入了加密数组类型，并增强了多GPU计算能力，开发者可以更轻松地处理向量和张量，同时大幅缩短GPU上算术运算的计算时间，此外，新版本还引入了诸多新特性，包括后同态计算密文压缩、更多基于GPU的同态运算、以及CPU运算的改进等。

Zama团队使用Concrete ML加速了同态加密（FHE）在机器学习中的应用，并成功超越了之前论文中的基准测试结果。他们通过改进编译器，分离了机器学习和密码学任务，并采用了MLIR框架，支持多种硬件加速器。实验结果表明，新的Concrete ML在执行速度上有了显著提升，例如NN-20模型比2021年的结果快21倍。

本文介绍了如何使用 Concrete ML 构建一个端到端加密的类似于 23andMe 的基因测试应用程序。文章重点介绍了 Zama Bounty Program Season 5 中两个获胜的解决方案，它们都使用了全同态加密（FHE）来保护敏感的 DNA 数据，并对这两种方案的实现原理、精度和性能进行了分析，展示了 FHE 在保护个人身份信息（PII）方面的价值。

Zama 团队发布了 TFHE-rs (v0.7)、Concrete (v2.7)、Concrete ML (v1.6) 和 fhEVM (v0.5) 的新版本。