原文作者：YBB Capital Researcher Ac-Core

图源：Ika

Ika 上线后，有可能拓展 Sui 区块链的能力边界，也会给整个 Sui 生态的基础设施带来一些支持。Sui 的原生代币 SUI 和 Ika 的代币 $IKA 将协同使用，$IKA 会被用来支付 Ika 网络的签名服务费，同时也作为节点的质押资产。

Ika 对 Sui 生态最大的影响是给 Sui 带来了跨链互操作能力，它的 MPC 网络支持把比特币、以太坊等链上的资产，以比较低的延迟和较高的安全性接入到 Sui 网络，从而实现像流动性挖矿、借贷这类跨链 DeFi 操作，有助于提升 Sui 在这块的竞争力。因为确认速度快、扩展性强，Ika 目前已经被多个 Sui 项目接入，也在一定程度上推动了生态的发展。

在资产安全方面 Ika 提供的是去中心化的托管机制。用户和机构可以通过它的多方签名方式来管理链上资产，相比传统的中心化托管方案更灵活更安全。哪怕是链下发起的交易请求，也能在 Sui 上被安全执行。

Ika 还设计了链抽象层，让 Sui 上的智能合约可以直接操作其他链上的账户和资产，无需经过繁琐的桥接或资产封装流程算得上是简化了整个跨链交互的过程。而原生比特币的接入， 也让 BTC 能直接在 Sui 上参与 DeFi 和托管操作。

在最后一个方面，我还认为 Ika 还为 AI 自动化应用提供了多方验证机制，能避免未经授权的资产操作，提升 AI 执行交易时的安全性和可信度，也为 Sui 生态未来在 AI 方向的拓展提供了一种可能。

1.3 lka 面临的挑战

虽然 Ika 跟 Sui 紧密绑定，但如果想成为跨链互操作的“通用标准”，还得看其他区块链和项目是否愿意接纳。现在市场上已经有不少跨链方案，比如 Axelar、LayerZero，分别在不同场景中被广泛使用。Ika 想要突围，就得在“去中心化”和“性能”之间找到一个更好的平衡点，吸引更多开发者愿意接入，也让更多资产愿意迁移进来。

说到 MPC 但也存有不少争议，常见问题是签名权限很难撤销。就像传统的 MPC 钱包，一旦把私钥拆分发出去了，即便重新分片，拿到旧片段的人理论上还是有可能恢复出原始私钥。虽然 2PC-MPC 方案通过用户持续参与提高了安全性，但我觉得目前在“怎么安全、高效地更换节点”这一块，还没有特别完善的解决机制，这可能是一个潜在的风险点。

Ika 本身也依赖于 Sui 网络的稳定性和它自己的网络状况。如果未来 Sui 做了重大升级，比如将 Mysticeti 共识更新为 MVs 2 版本，Ika 也必须做出适配。Mysticeti 这个基于 DAG 的共识，虽然支持高并发、低手续费，但因为没有主链结构，可能会让网络路径更复杂、交易排序变得更难。再加上它是异步记账，虽然效率高，但也带来新的排序和共识安全问题。而且 DAG 模型对活跃用户的依赖非常强，如果网络使用度不高，就容易出现交易确认延迟、安全性下降等情况。

图源：biblicalscienceinstitute

不同的隐私计算技术各有侧重，关键在于场景需求。拿跨链签名来说，它需要多方协同、避免单点私钥暴露，这种时候 MPC 就比较实用。像门限签名（Threshold Signature），多个节点各自保存一部分密钥碎片，一起完成签名，没人能单独控制私钥。现在还有些更进阶的方案，比如 Ika 网络它把用户当一方系统节点当另一方，用2PC-MPC 并行签名，一次能处理上千笔签名，而且可以横向扩展，越多节点越快。但 TEE 也能完成跨链签名，可通过 SGX 芯片运行签名逻辑，速度快，部署方便，但问题是一旦硬件被攻破，私钥也跟着泄露，信任完全寄托在芯片和制造商身上。FHE 在这块比较弱，因为签名计算不属于它擅长的“加法乘法”模式，虽然理论上能做，但开销太大，基本上没人在真实系统里这么干。

再说 DeFi 场景，如多签钱包、金库保险、机构托管，多签本身是安全的，但问题在于私钥怎么保存签名怎么分担风险。MPC 是现在比较主流的方式，如 Fireblocks 这类服务提供商，把签名拆分成几份，不同节点参与签名，任何一个节点被黑了也不会出问题。Ika 的设计也挺有意思，通过两方模型实现私钥的“不可合谋”，减少了传统 MPC 那种“大家商量好一起作恶”的可能。TEE 这方面也有应用，像硬件钱包或云钱包服务，用可信执行环境来保障签名隔离，但还是绕不开硬件信任问题。FHE 在托管层面目前没太大直接作用，更多是在保护交易细节和合约逻辑，比如你做一笔隐私交易，别人看不到金额和地址，但这和私钥托管没太大关系。所以这个场景下，MPC 更注重分散信任，TEE 强调性能，FHE 则主要用在更上层的隐私逻辑上。

在 AI 和数据隐私方面，情况又会有不同 FHE 的优势在这里就比较明显。它可以让数据从头到尾都处于加密状态，比如你把医疗数据丢到链上做 AI 推理，FHE 能让模型在看不到明文的前提下完成判断，然后把结果输出出来，整个过程中没人能看清数据。这种“加密中计算”的能力非常适合敏感数据处理，尤其是在跨链或跨机构协作的时候。像 Mind Network 就在探索让 PoS 节点通过 FHE 在互不知情的状态下完成投票验证，防止节点抄答案，保证整个过程的私密性。MPC 也能用来做联合学习，比如不同机构合作训练模型，各自保有本地数据不共享，只交换中间结果。但这种方式一旦参与方多了，通信成本和同步就成了问题，目前还主要是实验性项目居多。TEE 虽然能直接在受保护的环境里跑模型，也有联邦学习平台用它做模型聚合，但它的限制也明显，比如内存限制、侧信道攻击。所以 AI 相关场景里，FHE 的“全程加密”能力是最突出的，MPC 和 TEE 可以作为辅助工具，但还需要具体方案配合。