一家银行的机器学习团队想用真实交易记录训练反欺诈模型，但每一次把数据导出到训练环境，都意味着把数百万条客户隐私暴露在新的攻击面上。一家医院的影像科拥有足以改进早期癌症筛查的临床数据，却因为去标识化会“洗掉”关键信号而无法用于模型开发。一家出版商看着 AI 公司用爬虫抓取自己的版权内容训练大模型，既无法阻止，也拿不到回报。这些场景指向同一个结构性矛盾：AI 对高质量数据的需求从未如此迫切，而最有价值的数据恰恰被锁在合规与安全的高墙之内。
密码学家为此努力了数十年。同态加密、安全多方计算、可信执行环境各有路径，但始终在灵活性、性能与安全性之间被迫取舍。2026 年 9 月 10 日，一家名为 Enigmata 的田纳西州纳什维尔公司宣布结束隐身模式，试图用一个不同的技术路线切入这个老问题。据公司披露，Enigmata 已完成 650 万美元种子轮融资，由 Blockchange Ventures 领投，资金将用于商业化其核心产品 Enigmata Cipher™——一种据称能让 AI 在数据保持加密的状态下直接进行训练、搜索和分析的密码学技术。
这不是又一个“隐私计算平台”的泛泛叙事。Enigmata 的切入点相当具体：它声称自己不是在同态加密或可信执行环境的延长线上做优化，而是通过“同时结构化和加密数据”的方式，让加密态数据在现有企业硬件上以生产速度运行 AI 工作负载。如果这一技术路径成立，它触碰的将是 AI 数据经济中最敏感的一根神经——数据所有者能否在不失去控制权的前提下，让自己的数据参与模型训练并从中分得价值。
| 字段 | 内容 |
|---|---|
| 公司 | Enigmata, Inc. |
| 轮次 | 种子轮 |
| 金额 | 650 万美元 |
| 投资方 | Blockchange Ventures（领投） |
| 总部 | 美国田纳西州纳什维尔 |
| 创始人 | Scott Searle（联合创始人兼 CEO） |
| 官网 | https://www.enigmata.xyz/ |
“加密数据上直接跑 AI”不是一个新口号，但 Enigmata 的技术路径避开了传统路线的死结
在加密数据上执行计算，密码学界有三条相对成熟的技术路线。同态加密允许在密文上直接做加法和乘法，理论上可以支持任意计算，但计算开销通常比明文高出几个数量级，在深度学习训练这种计算密集型场景中几乎不具备工程可行性。安全多方计算把数据分散到多个参与方之间，通过交互协议完成计算，但通信复杂度高，且要求各方同时在线，难以适配大规模 AI 训练流水线。可信执行环境依赖硬件 enclave 提供隔离计算环境，但需要信任芯片厂商，且 enclave 内存限制长期制约着大模型训练。
Enigmata 声称自己走的是第四条路。根据公司披露，Enigmata Cipher 是一种专利待批的密码学技术，它把记录、文档和数据集转换成加密形式，使 AI、分析和搜索工具可以在现有企业硬件上使用。关键在于“同时结构化和加密数据”——公司称这一设计不仅避免了明文暴露，还能提升性能。在其内部基准测试中，据公司披露，在 Cipher 保护数据上训练的模型准确率与原始数据训练的模型相当，训练完成速度快 8% 至 10%。
这里需要明确一个边界：上述基准测试结果完全来自 Enigmata 自述，没有独立第三方验证。新闻稿和官网均未披露测试所用的模型架构、数据集规模、硬件配置或对比基线。8% 至 10% 的速度提升在机器学习训练中可能来自多种因素——数据预处理方式、批大小调整、硬件差异——而非密码学技术本身的优势。在缺乏可复现实验细节的情况下，这一性能数据只能被视为公司口径，而非可核实的工程事实。
但 Enigmata 的技术叙事中有一个值得认真对待的细节：它强调 Cipher 运行在“现有企业硬件”上，而非依赖专用加速器或定制芯片。如果这一说法成立，意味着其技术路径的部署门槛显著低于需要重构硬件栈的机密计算方案。从已披露的信息看，Enigmata 将自身定位为“保护与执行层”，而非替代现有的身份管理、数据治理、DLP 或法律合同体系。这种“叠加而非替换”的定位，降低了企业试用的决策成本，但也意味着它必须证明自己能在已有的安全栈中提供增量价值，而非仅仅增加一层复杂性。
从加密训练到定向删除：Cipher 试图解决一个被忽视的模型治理难题
Enigmata 披露的另一项能力比性能数据更具产业含义：Cipher 支持定向删除单条记录，而无需从头重新训练模型。这一功能直接对应 GDPR 的删除权与被遗忘权，以及加州隐私法下的删除要求。在传统机器学习流程中，模型一旦训练完成，训练数据的影响被编码进数十亿个参数中，单条记录的删除几乎不可能精确实现。企业面临的选择通常是：要么冒着合规风险保留模型，要么花费高昂成本重新训练。
如果 Cipher 的定向删除能力能够在生产环境中验证，它解决的将是一个真实的、日益紧迫的治理问题。但同样需要指出，这一能力目前仅在公司新闻稿中被描述，没有披露技术实现方式、删除的精确性定义（是消除记录对模型参数的影响，还是仅从加密索引中移除该记录）、以及对模型性能的后续影响。在机器学习可解释性与遗忘（machine unlearning）领域，精确删除单条记录的影响本身就是一个开放研究问题，多家研究机构和大型实验室都在探索，尚未形成公认的工程标准。
Enigmata 官网将产品线划分为三个组件：Enigmata Anonymizer 将敏感数据转换为不可逆的匿名形式；Enigmata Cipher 提供加密态数据的可计算性；Enigmata Policy 将数据使用规则转为可执行控制并记录审计。三者构成一个从数据保护、计算到治理的闭环。其中 Anonymizer 与 Cipher 的区分值得注意：前者用于“永远不允许逆转”的场景，后者用于“需要授权揭示”的场景。这种产品分层说明 Enigmata 意识到不同合规场景对“保护”的定义截然不同——GDPR 的匿名化标准要求数据不可逆地失去个人属性，而企业内部的授权分析则需要保留在特定条件下恢复明文的能力。
商业模式仍是一张设计蓝图，设计合作伙伴阶段无法验证付费意愿
Enigmata 目前的商业模式可以概括为：向选定的企业设计合作伙伴提供 Enigmata Cipher 访问权限，通过合作验证技术可行性并打磨产品。公司未披露任何客户名称、合同金额、收入数据或定价策略。官网提到的目标客户横跨银行、保险、医疗系统、生命科学、出版商、数据提供方和模型所有者，但“目标客户”与“付费客户”之间的距离，在种子轮阶段往往比创始人预期的要远得多。
更值得关注的是 Enigmata 的长期愿景。公司称希望将 Cipher 扩展为“安全数据授权基础设施”，让机构在可执行使用条款下提供加密数据集用于 AI 训练，同时保留对底层资产的控制。这一愿景的产业逻辑是清晰的：版权争议正在重塑 AI 公司获取训练数据的方式，从新闻集团起诉 AI 公司到 Reddit 向 Google 收取数据授权费，数据所有者正在觉醒。如果有一种技术能让数据所有者在“不交出明文”的前提下授权 AI 训练，理论上可以创造一个新的数据授权市场。
但从愿景到基础设施之间隔着多重未经验证的假设。第一，技术假设：Cipher 是否真的能在大规模、多模态、异构数据集上保持其声称的性能与安全性？第二，商业假设：数据所有者是否愿意信任一种专利待批的密码学技术来处理其最敏感的资产？专利待批意味着技术细节尚未经过专利审查程序的公开检验，而密码学领域的信任通常建立在公开算法和同行评审之上。第三，生态假设：AI 公司是否有动力接入一个需要额外技术集成的数据授权层，而非继续通过爬虫、合成数据或现有数据经纪渠道获取训练语料？
Blockchange 的加密基因与 Enigmata 的 AI 叙事之间存在错位
本轮唯一的投资方 Blockchange Ventures 是一家成立于 2017 年的加密原生基金。据公司披露，该基金管理约 9 亿美元资产，已向投资者返还近 10 亿美元。Blockchange 的合伙人在新闻稿中将 Enigmata 定位为“AI 数据经济的核心支柱”，但这家基金的过往投资组合主要围绕区块链基础设施、数字资产和去中心化技术。一家加密原生基金领投一家 AI 数据基础设施公司的种子轮，这个组合本身值得解读。
一种可能的解释是，Blockchange 看到了 Enigmata 的“数据授权”愿景与区块链领域“数据主权”叙事的交集。在加密行业的话语体系中，让数据所有者控制自己的数据并从中获得经济回报，是一个被反复讲述但鲜有落地的故事。Enigmata 的技术路径并不依赖区块链——新闻稿和官网均未提及任何分布式账本或代币机制——但其“可执行使用条款下的数据授权”愿景，与加密行业长期鼓吹的数据主权叙事高度同构。Blockchange 的合伙人 Matt Immerso 在声明中使用了“licensed and monetized”这样的词汇，暗示其投资逻辑可能更接近数据资产化而非纯粹的 AI 基础设施。
但这里存在一个需要警惕的叙事风险：如果 Enigmata 被资本市场归入“加密数据经济”的叙事框架，它可能面临与加密行业相同的信任赤字。银行、医院和保险公司是 Enigmata 的目标客户，这些机构对“加密”一词的敏感度远高于硅谷。Enigmata 需要让自己的技术被理解为“密码学”而非“加密货币”，否则可能在企业采购流程的第一步就遭遇阻力。从公司目前的对外表述看，它刻意避免使用任何区块链相关词汇，官网和新闻稿中“cryptographic”出现多次，而“blockchain”完全缺席。这种措辞选择是刻意的，也反映了创始团队对目标客户认知边界的清醒判断。
650 万美元在 AI 基础设施赛道是一笔小钱，但资金用途的模糊性比金额更值得追问
650 万美元种子轮在 2026 年的 AI 基础设施赛道并不算大。Enigmata 这笔钱需要支撑技术研发、企业设计合作伙伴的部署支持、合规认证准备以及团队扩张。公司披露的资金用途只有一句话：“将 Enigmata Cipher™ 商业化。”没有研发、销售、合规或团队的具体分配明细。这种模糊性在早期融资中并不罕见，但考虑到 Enigmata 面对的是强监管行业客户，合规认证和第三方安全审计的成本可能远超一般企业软件。GDPR 匿名标准、HIPAA 去标识化框架、NYDFS 网络安全法规、GLBA 金融隐私规则、SR 11-7 模型风险管理指引、EU AI Act 高风险系统要求——Enigmata 官网列出的每一项合规对齐都意味着需要法律意见书、技术评估报告和持续的审计投入。650 万美元中能有多少真正用于产品迭代，是一个未披露但关键的问题。
另一个值得注意的细节是，Enigmata 成立于 2024 年，到 2026 年 9 月宣布融资时已经运营约两年。这意味着公司在隐身模式下已经完成了相当程度的技术开发和初步产品化。两年的隐身期在 AI 基础设施领域不算异常，但也意味着早期验证阶段已经消耗了一部分时间。公司未披露员工人数、团队规模或除 Scott Searle 外的其他联合创始人信息，这使得外界难以评估其技术团队的深度和工程能力。
竞争格局的空白恰恰是最大的风险信号
Enigmata 的新闻稿和官网均未提及任何竞争对手。这在企业软件领域几乎是不可能的——隐私增强技术是一个拥挤的赛道，从微软的 Azure Confidential Computing 到 Google 的 Confidential VMs，从 Duality Technologies 到 Zama 的全同态加密方案，从 Habu 的数据协作平台到 TripleBlind 的隐私保护数据交换，每个细分方向都有获得可观融资的玩家。Enigmata 选择不提及竞争对手，可能是出于叙事聚焦的考虑，也可能是因为其技术路径确实难以找到直接对标。
但竞争格局的空白描述给潜在客户和投资者都带来了信息缺口。一家企业设计合作伙伴在评估 Enigmata 时，必然要将其与现有的数据脱敏工具、机密计算平台、联邦学习框架或数据洁净室方案进行比较。如果 Enigmata 不能清晰地说明自己在这些替代方案之间的定位差异，客户的评估周期将被拉长。从已披露的信息看，Enigmata 的差异化主张集中在三点：加密态数据上直接运行 AI 而无需解密、在现有硬件上达到生产速度、支持定向删除而无需重新训练。这三点中的每一点，都有其他技术路线在部分场景下能够实现——可信执行环境支持加密态计算但受限于硬件信任模型，联邦学习支持不共享明文但无法处理集中式训练，差分隐私支持统计保护但会损失精度。Enigmata 的真正对手不是某一家公司，而是企业客户“什么都不做”的惯性——继续使用脱敏数据、合成数据或干脆放弃高敏感数据的 AI 应用。
强监管行业的采用周期将决定 Enigmata 是基础设施还是实验室项目
Enigmata 的目标客户名单读起来像一份合规压力最大的行业清单：银行、保险公司、医疗系统、生命科学组织。这些机构有一个共同特征：它们的采购周期以年为单位，安全审查流程涉及多个利益相关方，任何涉及敏感数据的新技术都需要经过法律、合规、信息安全、模型风险管理等多个部门的层层审批。对于一家种子轮公司而言，这种销售周期的长度本身就是一种生存风险。
Enigmata 官网提供了一个“60 天验证”的承诺：选择卡在隐私审查最久的 AI 项目，Enigmata 声称能在 60 天内达到客户关心的基准并产出审计工件。这个承诺如果能够兑现，将显著缩短企业客户的评估周期。但需要指出，60 天验证的前提是客户已经有一个明确的、被合规部门反复拒绝的 AI 项目——这意味着客户内部已经积累了足够的挫败感和推动力。对于还没有走到这一步的机构，Enigmata 需要更长的教育周期。
从已披露的信息看，Enigmata 尚未公布任何完成 60 天验证的案例。设计合作伙伴阶段的意义在于积累第一批可引用的成功案例，而案例的质量——客户是谁、解决了什么问题、审计工件是否被监管机构接受——将决定 Enigmata 能否从“有趣的技术”跨越到“可采购的解决方案”。在强监管行业，一个被 CISO 和法律团队认可的成功案例，比十篇技术白皮书更有说服力。
专利待批是一把双刃剑：保护商业利益的同时牺牲了密码学的信任基础
Enigmata Cipher 被描述为“专利待批”的技术。在密码学领域，这是一个微妙的选择。传统密码学社区的核心信任机制是公开算法和同行评审：AES、RSA、SHA 等标准算法之所以被广泛信任，正是因为它们经受了全球密码学家长达数十年的公开攻击。相比之下，专利保护的密码学技术意味着算法细节不公开，外界无法独立验证其安全性。企业客户——尤其是金融机构和医疗机构——在面对一个无法独立审计的加密方案时，通常会要求第三方安全评估或形式化验证。
Enigmata 尚未披露是否已经或计划进行第三方安全审计。官网提到的合规对齐——GDPR 匿名标准、HIPAA 去标识化框架——如果仅基于公司自述，在监管审查面前的说服力有限。在 HIPAA 的语境下，去标识化需要满足专家认定或安全港方法的具体标准；在 GDPR 的语境下，匿名化需要达到“不可逆”的标准，且监管机构对“匿名化”的认定极为严格。Enigmata 需要证明其 Anonymizer 的输出确实满足这些法律标准，而不仅仅是“设计时考虑了这些标准”。
从已披露的信息看，Enigmata 的技术路径中存在一个需要澄清的核心问题：Cipher 保护的数据在训练过程中，模型看到的是什么？如果模型看到的是某种结构化加密表示，那么这种表示是否可能泄露明文信息？如果模型在加密数据上训练出的参数与明文训练的参数在统计上不可区分，那么这种加密是否本质上等同于一种可逆的编码而非真正的密码学保护？这些问题的答案将决定 Cipher 的安全性主张在密码学意义上是否成立，还是仅仅在工程意义上增加了逆向难度。在缺乏公开技术细节和第三方评估的情况下，这些问题没有答案。
Enigmata 的故事之所以值得被认真对待，不在于它声称解决了加密计算的老问题——这个声称需要时间和第三方验证来检验——而在于它把这个问题重新放回了 AI 数据经济的核心位置。当 AI 公司为训练数据支付越来越高的价格，当监管机构对数据使用的审查越来越严格，当数据所有者开始意识到自己的数据资产正在被无偿使用，一个能让数据“被使用但不被暴露”的技术层，其潜在价值不证自明。但从潜在价值到可验证的商业现实之间，Enigmata 需要跨越的鸿沟比 650 万美元所能覆盖的距离要宽得多。它需要公开足够的技术细节让密码学界认真对待，需要拿出经得起监管审查的合规证据，需要在强监管行业积累可引用的成功案例，需要证明自己的性能数据在独立测试中依然成立。在所有这些验证完成之前，Enigmata 仍然是一个值得关注的假设，而非一个已被证明的答案。
验证边界与可复核指标
本文涉及的“首个、唯一、最大、领先”、订单、出货、性能等表述，如无另行说明，均是公司、创始人或投资方在现有公开材料中的披露口径；RecodeX未在本次采集材料中找到独立审计或第三方测试结论，因而不将其视为已经独立确认的事实。文中的产业协同、竞争位置和商业路径属于基于已披露产品与融资用途的编辑分析，不代表相关结果已经实现。
- 技术侧应核验第三方测试条件、样本规模、良率、稳定性及与可比方案一致口径的结果；
- 商业侧应核验去重后的付费客户、可执行合同、收入确认、复购率以及订单转化；
- 资本与产业协同应以工商股权、关联交易、联合开发、采购或量产文件为准。
RecodeX 极客视：加密数据上直接训练 AI 的承诺，密码学界追了几十年，Enigmata 用“结构化加密”的路径绕开了同态加密的性能死结，也绕开了可信硬件的信任困境。但专利待批意味着算法不公开，内部基准意味着数据不可复现，设计合作伙伴意味着商业验证尚未开始。650 万美元买到的是一张进入 AI 数据经济牌桌的门票，而牌桌上坐着的对手，是那些宁可继续用脱敏数据和合成数据也不愿冒险的合规部门。Enigmata 真正的挑战不是证明加密计算可行，而是证明企业愿意为“不暴露”买单。
信息来源
本文在采集与核验阶段引用了以下公开来源，按站点去重列出；来源内容归原发布方所有，其口径不代表 RecodeX 的核实结论。