IOSG Ventures : Très apprécié par Vitalik, quel est le potentiel du chiffrement homomorphe complet FHE ?

Original par Mustafa Hourani

Compilation originale : Équipe IOSG

Préambule

Présentation du chiffrement homomorphique complet (FHE) : explorez ses applications passionnantes, ses limites et les derniers développements à l’origine de sa popularité. **

Quand j’ai entendu parler pour la première fois du « chiffrement homomorphe complet » (FHE), j’ai pensé à la tendance de l’espace Blockchain à donner des noms longs aux concepts populaires. Au fil des ans, nous avons rencontré les mots à la mode les plus longs qui ont fait sensation dans l’industrie, le plus récent étant « zk-SNARKs » (ZKP).

Après avoir fait quelques recherches et exploré certaines des nouvelles entreprises qui créent des produits avec FHE, j’ai remarqué un horizon plein de nouveaux outils brillants. Dans les mois et les années à venir, FHE est susceptible d’être la prochaine grande technologie à prendre d’assaut l’industrie, tout comme ZKP. Les entreprises tirent parti des dernières avancées en matière de cryptographie et de cloud computing pour ouvrir la voie à un avenir solide et respectueux de la confidentialité des données. La question n’est pas de savoir si, mais quand, et je pense que la FHE pourrait être un catalyseur clé pour faire progresser la confidentialité et la propriété des données.

• "FHE est le Saint Graal de la cryptographie. Au fil du temps, FHE va remodeler la structure de toute l’informatique, qu’il s’agisse du web2 ou du web3. 」*

Qu’est-ce qu’un homomorphisme

Homomorphisme, comprenons d’abord le sens du mot « homomorphisme ». Remontant à ses racines, l’homomorphisme trouve son origine dans les mathématiques et est défini comme une correspondance entre deux structures algébriques du même type, qui conserve une composante centrale entre elles.

Si vous êtes comme moi et que vous préférez une définition pratique, le calcul derrière cela est que deux groupes n’ont pas besoin d’être exactement les mêmes pour avoir les mêmes propriétés de base. Par exemple, imaginez deux boîtes de fruits, chacune correspondant à un groupe différent :

• La boîte A contient des petits fruits.
• La boîte B contient de gros fruits.

Bien que les fruits individuels soient de taille différente, le jus de petites pommes et d’oranges ensemble dans la boîte A peut produire la même saveur de jus mélangé que le jus de grosses pommes et d’oranges ensemble dans la boîte B. L’extraction de jus pour produire la même saveur est similaire à la conservation d’un composant de base entre deux boîtes. En supposant que la même saveur soit notre principale préoccupation, peu importe la boîte dans laquelle nous pressons le jus, car la longue du jus n’est pas notre objectif. Dans un aspect important (goût), les deux groupes sont équivalents, de sorte que les différences entre eux (taille et quantité) n’affectent pas leur fonction principale telle que définie par nous, qui est de produire une saveur de jus spécifique.

Contrairement à l’analogie homomorphe, nous saisissons deux de ses principales caractéristiques :

• Cartographie : Nous avons fait un lien entre les fruits, où chaque petit fruit de la boîte A correspond à une version plus grande de la boîte B. Ainsi, la petite pomme de la case A correspond à la grosse pomme de la case B, et ainsi de suite.
• Maintien de l’opération : Si le pressage de deux petits fruits dans la boîte A produit une saveur spécifique, le pressage de leur version plus grande correspondante dans la boîte B devrait également produire la même saveur. Malgré les différences dans la taille et la quantité de jus obtenues, le « profil de saveur » est maintenu.

Qu’est-ce que le chiffrement homomorphe complet

En lien avec le sujet central de cet article, le chiffrement homomorphe complet (FHE) est une méthode de chiffrement de données spécifique qui permet aux utilisateurs d’effectuer des calculs sur des données de chiffrement sans exposer les données d’origine. Théoriquement, l’analyse et les calculs effectués sur les données de chiffrement devraient produire les mêmes résultats que ceux effectués sur les données originales. Avec FHE, nous créons une connexion un-à-un entre les données du jeu de données de chiffrement et les données du jeu de données d’origine. Dans ce cas, la rétention du composant principal est la capacité d’effectuer n’importe quel calcul sur les données de l’un ou l’autre jeu de données et de produire le même résultat.

À cet égard, Xu long a pris des précautions pour protéger les données des utilisateurs et maintenir une confidentialité différentielle. Les entreprises stockent rarement des données brutes et non chiffrées dans le cloud ou dans leurs bases de données. Ainsi, même si un attaquant prend le contrôle des serveurs d’une entreprise, il doit toujours contourner le chiffrement pour lire et accéder aux données. Cependant, lorsque les données ne sont que du chiffrement et ne sont pas utilisées, elles ne sont pas intéressantes. Lorsque les entreprises souhaitent analyser des données pour obtenir des informations précieuses, elles n’ont pas d’autre choix que de les déchiffrer. Lorsque les données sont déchiffrées, elles deviennent vulnérables. Cependant, avec le chiffrement de bout en bout, FHE devient très utile car nous n’avons plus long besoin de déchiffrer les données pour les analyser ; ce n’est que la pointe de l’iceberg.

Une considération clé est de savoir si les entreprises devraient être autorisées à lire et à stocker nos informations personnelles en premier lieu. La réponse standard de Xu Longs à cela est que les entreprises doivent voir nos données dans l’ordre pour mieux nous servir.

Si YouTube ne stocke pas de données telles que mon historique de visionnage et de recherche, l’algorithme ne peut pas atteindre son plein potentiel et me montrer des vidéos qui m’intéressent. En conséquence, Xu longs estime que le compromis entre la confidentialité des données et l’accès à de meilleurs services en vaut la peine. Cependant, avec FHE, nous n’avons plus long à faire ce compromis. Des entreprises comme YouTube peuvent entraîner leurs algorithmes sur des données de chiffrement et produire les mêmes résultats pour les utilisateurs finaux sans violer la confidentialité des données. Plus précisément, ils peuvent chiffrer homomorphique des informations telles que mon historique de visionnage et de recherche, les analyser sans les visualiser, puis me montrer les vidéos qui m’intéressent en fonction de l’analyse.

FHE est une étape majeure vers la construction d’un avenir où nos données ne sont pas plus long une marchandise précieuse que nous donnons librement à nos organisations.

Applications du chiffrement homomorphe complet

Le chiffrement entièrement homomorphe (FHE), s’il est appliqué correctement, constituerait une percée pour toutes les industries qui stockent des données utilisateur. Nous sommes à la recherche d’une technologie qui pourrait changer notre attitude globale à l’égard de la confidentialité des données et des limites de ce qui est acceptable pour les entreprises.

Commençons par explorer comment la FHE peut transformer les pratiques en matière de données dans le domaine de la santé. Les hôpitaux les plus longs conservent des dossiers privés de patients dans leurs bases de données, qui doivent rester confidentielles pour des raisons éthiques et juridiques. Cependant, ces informations sont très précieuses pour les chercheurs médicaux externes qui peuvent analyser les données pour en dériver des informations importantes sur la maladie et les traitements potentiels. L’un des principaux obstacles au ralentissement de l’avancement d’une étude est le maintien d’une confidentialité totale des données des patients lors de l’externalisation des données aux chercheurs. Il existe des moyens plus longs d’anonymiser ou de pseudo-anonymiser les dossiers des patients, mais aucun d’entre eux n’est parfait et peut révéler les informations de quelqu’un trop longues pour les rendre identifiables, ou peut ne pas révéler suffisamment d’informations sur le cas pour rendre difficile l’obtention d’informations précises sur la maladie.

Avec FHE, les hôpitaux peuvent utiliser le chiffrement homomorphe des données des patients, ce qui facilite la protection de la vie privée des patients dans le cloud. Les chercheurs médicaux peuvent effectuer des calculs et des analyses sur les données de chiffrement sans compromettre la vie privée des patients. Étant donné qu’il existe un mappage un-à-un entre les données de chiffrement et les données brutes, les résultats obtenus à partir du jeu de données de chiffrement fournissent des informations réelles qui peuvent être appliquées à des scénarios réels. FHE peut rapidement faire progresser le secteur de la santé.

Une autre application passionnante du chiffrement homomorphe complet (FHE) dans la formation en intelligence artificielle (IA) mérite également une attention particulière. À l’heure actuelle, le secteur de l’IA est confronté à des préoccupations en matière de protection de la vie privée, ce qui entrave la capacité des entreprises à accéder à des ensembles de données volumineux et étendus qui sont essentiels à l’affinement des algorithmes d’IA. Les entreprises qui entraînent l’IA doivent choisir entre l’utilisation d’un ensemble de données public limité, le paiement de beaucoup d’argent pour acheter un ensemble de données privé ou la création d’un ensemble de données, ce qui est particulièrement difficile pour les petites entreprises ayant moins d’utilisateurs. FHE devrait être en mesure de répondre aux préoccupations en matière de protection de la vie privée qui empêchent les fournisseurs de jeux de données longues d’entrer sur ce marché. Par conséquent, les améliorations apportées à l’enseignement supérieur sont susceptibles d’entraîner une augmentation du nombre d’ensembles de données disponibles pour entraîner l’IA. Cela rendra l’apprentissage de l’IA plus économiquement réalisable et plus raffiné, compte tenu de l’augmentation de la longueur des ensembles de données disponibles.

Avec FHE, les entreprises peuvent entraîner des modèles d’apprentissage automatique sur des données de chiffrement sans révéler les données d’origine. Cela signifie que les propriétaires de données peuvent partager en toute sécurité leurs données de chiffrement sans se soucier des violations de la vie privée ou de l’utilisation abusive des données. Dans le même temps, les formateurs de modèles d’IA peuvent améliorer leur algorithme avec des ensembles de données plus longs et plus complets qui ne seraient peut-être pas disponibles sans FHE. Par conséquent, le chiffrement homomorphe complet améliore non seulement la sécurité des données, mais élargit également les possibilités de recherche et de développement de l’IA, rendant l’application de la technologie de l’IA plus étendue et plus efficace.

Défauts de chiffrement homomorphe complet dans le passé

Alors que le chiffrement homomorphe complet (FHE) promet de transformer le Big Data contemporain, pourquoi n’avons-nous pas vu plus d’applications pratiques longues ?

Bien que l’HE soit un sujet de discussion et de recherche depuis de très longues années, la réalité est qu’il est très difficile de mettre en œuvre l’HE dans la pratique. Le principal défi est la puissance de calcul nécessaire à la réalisation de l’EFH. Un jeu de données entièrement homomorphe peut produire les mêmes résultats analytiques que dans sa forme de données d’origine. Il s’agit d’un exploit difficile qui nécessite beaucoup de vitesse et de puissance de calcul, où le long n’est pas pratique à mettre en œuvre sur les ordinateurs existants. Les opérations qui prennent généralement quelques secondes sur les données brutes peuvent prendre des heures, voire des jours, sur les jeux de données de chiffrement homomorphique. Ce défi informatique a créé un cycle auto-entretenu, avec des ingénieurs longs retardant l’entreprise du projet FHE, ralentissant son développement et limitant la pleine réalisation de ses avantages.

Un problème de calcul spécifique auquel les ingénieurs sont confrontés sur FHE est le traitement des « erreurs de bruit ». Lors du calcul des jeux de données de chiffrement homomorphe, les ingénieurs de Xu longs ont rencontré des situations où chaque calcul génère du bruit ou des erreurs supplémentaires. C’est tolérable lorsque seuls quelques calculs sont nécessaires, mais après de longues analyses, le bruit peut devenir si important que les données brutes deviennent difficiles à comprendre. Les données sont presque perdues.

Pourquoi maintenant

Tout comme l’IA générative, qui était autrefois considérée comme limitée et primitive, jusqu’à ce qu’elle devienne courante, le chiffrement homomorphe complet (FHE) était sur une trajectoire de progrès similaire. Les longs leaders de l’industrie, et même ceux au-delà de la Blockchain, se sont réunis pour organiser beaucoup de recherche et développement sur FHE. Cela a conduit à plusieurs développements récents de l’industrie qui ont alimenté le récit convaincant de cette avancée technologique.

PROJET DPRIVE

En mars 2021, Microsoft, Intel et la Defense Advanced Research Projects Agency (DARPA) ont convenu de lancer le plus long programme visant à accélérer le développement du chiffrement homomorphe complet (FHE). L’initiative, baptisée Protection des données dans les environnements virtuels (DPRIVE), marque une avancée significative pour FHE. Il présente deux géants de l’industrie axés sur le cloud computing et le matériel informatique qui unissent leurs forces pour s’attaquer aux problèmes de confidentialité des données. Ils ont lancé le programme pour construire des ordinateurs et des logiciels capables de gérer la vitesse des calculs FHE et pour établir long wick bougies pour mettre en œuvre avec précision FHE afin d’éviter les violations de données causées par une mauvaise utilisation.

Dans le cadre de l’initiative DPRIVE, les ingénieurs ont entrepris d’atténuer les « erreurs de bruit » susmentionnées en explorant des moyens de réduire le bruit au niveau des données originales. Une solution prometteuse consiste à concevoir des représentations de données de grande taille de mot arithmétique (LAWS). Alors que les processeurs informatiques traditionnels (CPU) utilisent généralement des mots de 64 bits, les ingénieurs développent un nouveau matériel LAWS capable de gérer des mots de 1024 bits ou plus de longs bits. Cette méthode fonctionne parce que des études ont montré que les mots plus longs affectent directement le rapport signal / bruit. En termes simples, les mots plus longs produisent moins de bruit pour chaque étape supplémentaire de la FHE, ce qui permet d’effectuer des calculs plus longs jusqu’à ce que le seuil de perte de données soit atteint. En construisant du nouveau matériel pour relever ces défis, les ingénieurs impliqués dans le programme DPRIVE ont considérablement réduit la charge de calcul requise pour réaliser le PHE.

Afin d’accélérer les calculs et de se rapprocher de l’objectif de rendre FHE 100 000 fois plus rapide, l’équipe de DPRIVE s’est lancée dans un voyage continu pour concevoir de nouveaux systèmes de traitement des données qui vont au-delà des capacités des unités de traitement et de traçage conventionnelles. Ils ont mis au point un nouveau système de données de nostalgie (MIMD) capable de gérer simultanément les instructions de nostalgie et les ensembles de données. Le MIMD est similaire à la construction d’une nouvelle autoroute, plutôt que d’utiliser une route existante inadaptée pour s’adapter au débit requis par les calculs rapides et en temps réel de FHE.

L’une des choses intéressantes à propos du programme DPRIVE est son utilisation intensive du « parallélisme » dans les calculs mathématiques computationnels. Cela permet aux développeurs d’effectuer des calculs de grand nombre les plus longs en même temps. Vous pouvez considérer le parallélisme comme le déploiement d’un groupe de mathématiciens en même temps pour travailler sur différentes parties d’un énorme problème mathématique, plutôt que de les faire faire leurs tâches respectives l’une après l’autre. Bien que les calculs de durée en même temps puissent aider à résoudre les problèmes rapidement, les ordinateurs doivent être refroidis plus rapidement pour éviter la surchauffe.

En septembre 2022, un an et demi après le lancement du programme, Microsoft, Intel et la DARPA ont annoncé qu’ils avaient achevé avec succès la première phase du programme DPRIVE. Ils travaillent actuellement sur la deuxième phase du DPRIVE.

SDK et bibliothèques Open Source

Alors que la plus ancienne des grandes entreprises est pionnière du chiffrement homomorphe complet (FHE), le nombre de kits de développement logiciel (SDK) et de bibliothèques Open Source disponibles a proliféré, permettant aux développeurs de s’appuyer sur le travail des autres.

Microsoft a annoncé Microsoft Seal, une bibliothèque Open Source qui fournit aux développeurs des outils pour effectuer un chiffrement homomorphe sur des jeux de données. Cela permet à un plus large éventail de développeurs d’explorer FHE, démocratisant le chiffrement de bout en bout et l’accès aux services de calcul. La bibliothèque fournit des exemples de programmes de chiffrement homomorphique avec des notes détaillées pour guider les développeurs sur une utilisation correcte et sûre.

Intel a également lancé sa propre boîte à outils de chiffrement homomorphique pour fournir aux développeurs des outils permettant d’implémenter le chiffrement homomorphique plus rapidement dans le cloud. Intel a conçu la boîte à outils pour qu’elle soit flexible et compatible avec les dernières avancées en matière de traitement des données et d’informatique. Il inclut des fonctions spécialement conçues pour la cryptographie en treillis, une intégration opérationnelle transparente avec Microsoft Seal, des exemples de schémas de chiffrement homomorphique et de la documentation technique pour guider les utilisateurs.

La bibliothèque Open Source Private Join and Compute de Google fournit aux développeurs des outils de calcul plus long (MPC). Cette méthode de calcul permet aux parties de combiner leurs ensembles de données disparates afin d’obtenir des informations partagées sans exposer les données brutes les unes aux autres. Private Join and Compute combine la technologie cryptographique de FHE avec Private Set Intersection (PSI) pour optimiser les pratiques de confidentialité des données. PSI est une autre méthode cryptographique qui permet aux parties ayant différents ensembles de données d’identifier des éléments communs ou des points de données sans révéler leurs données. L’approche de Google pour faire progresser la confidentialité des données ne se concentre pas seulement sur FHE ; elle donne la priorité au concept plus large de MPC en intégrant FHE à d’autres pratiques de données influentes.

Notamment, la disponibilité de la bibliothèque de Open Source réputée de Long wick bougie pour FHE augmente. Cependant, cela devient encore plus remarquable lorsque des entreprises bien connues sont observées en train d’expérimenter ces bibliothèques dans leurs opérations. En avril 2021, Nasdaq, une entité technologique mondiale de premier plan pour les bourses et le marché des capitaux, a intégré FHE dans ses opérations. Le Nasdaq tire parti des outils FHE et des processeurs haute vitesse d’Intel pour lutter contre la criminalité financière grâce aux efforts de lutte contre le AML et à la détection des fraudes. Ceci est réalisé en utilisant le chiffrement homomorphe pour identifier les informations précieuses et les activités potentiellement illégales dans les ensembles de données contenant des informations sensibles.

Levées de fonds récentes

En plus de la recherche et du développement effectués par les sociétés susmentionnées, plusieurs autres sociétés ont récemment reçu un funding important pour des initiatives axées sur le chiffrement homomorphe complet (FHE).

Cornami est une grande entreprise technologique connue pour développer des technologies de cloud computing évolutives conçues spécifiquement pour le chiffrement homomorphe. Ils ont été impliqués dans des efforts de longue date visant à créer des systèmes informatiques qui support FHE plus efficacement que les processeurs traditionnels. Ils guident également les initiatives visant à protéger les données de chiffrement contre les menaces de l’informatique quantique. En mai 2022, Cornami a annoncé la clôture réussie de son tour de table funding de série C, levant 68 millions de dollars dirigé par SoftBank, portant son capital total à 150 millions de dollars.

Zama, une autre entreprise du secteur Blockchain, développe des outils Open Source Chiffrement homomorphique que les développeurs peuvent exploiter pour créer des applications passionnantes à l’aide de FHE, de Blockchain et de l’IA. Zama a construit une Ethereum Virtual Machine (fhEVM) entièrement homomorphe dans le cadre de son offre de produits. Cette smart contracts protocole conserve off-chain données de transaction chiffrement pendant le traitement. Les développeurs de diverses applications explorant la bibliothèque Zama ont été impressionnés par ses performances, même dans des cas d’utilisation complexes. Zama a clôturé avec succès un tour de funding de série A de 42 millions de dollars mené par Protocol Labs en février 2022, portant son capital total à 50 millions de dollars.

Fhenix est également un projet émergent qui apporte FHE à la Blockchain. Leur objectif est d’étendre les applications FHE au-delà des paiements privés, ouvrant la porte à des cas d’utilisation passionnants pour FHE dans des domaines tels que la DeFi (finance décentralisée), le bridge, le vote de gouvernance et les jeux Web3. En septembre 2023, Fhenix a annoncé la clôture d’un tour de table de 7 millions de dollars mené par Multicoin Capital et Collider Ventures.

Que se passe-t-il ensuite ?

Depuis des années, le chiffrement homomorphe complet (FHE) est une idée qui promet un chiffrement fort de bout en bout, annonçant un avenir de confidentialité des données forte. Des développements récents commencent à faire passer l’enseignement supérieur de l’enseignement supérieur d’un rêve théorique à une application dans le monde réel. Alors que les entreprises rivalisent pour être les premières à mettre en œuvre une version puissante et complète de FHE, les entreprises longues Xu collaborent pour naviguer dans les complexités de cette technologie puissante. Cet esprit de collaboration est évident à travers la mise en œuvre de divers projets inter-équipes et le développement de bibliothèques Open Source qui s’intègrent à d’autres bibliothèques.

D’après ce que j’ai trouvé, la discussion autour de l’HE semble avoir une grande portée. Au cours des prochaines semaines, j’ai hâte d’approfondir et de partager mes idées sur la recherche sur l’EH. Plus précisément, j’ai hâte d’explorer le contenu le plus long sur les sujets suivants :

Applications émergentes de l’EHE :

• Interaction entre les zk-SNARKs (ZKPs) et FHE.
• Intégrer FHE à Private Collection Intersection (PSI) pour faciliter le calcul plus long sécurisé (MPC).
• De nouvelles entreprises comme Zama et Fhenix sont leading le chemin dans l’espace FHE.

Référence:

Arampatzis, Anastasios. « Derniers développements en matière de chiffrement homomorphe. » Venafi, 1 févr. 2022, venafi.com/blog/what-are-latest-developments-homomorphic-encryption-ask-experts/.

Arampatzis, Anastasios. « Qu’est-ce que le chiffrement homomorphe et comment est-il utilisé. » Venafi, 28 avr. 2023, venafi.com/blog/homomorphic-encryption-what-it-and-how-it-used/.

« Construire du matériel pour permettre une protection continue des données. » DARPA, 2 mars 2020, www.darpa.mil/news-events/2020-03-02.

Cristobal, Samuel. « Fully Chiffrement homomorphique : The Holy Grail of Cryptographie. » Datascience.Aero, 7 janv. 2021, datascience.aero/fully-homomorphic-encryption-the-holy-grail-of-cryptography/.

« Chiffrement homomorphe : qu’est-ce que c’est et pourquoi est-ce important ? » Internet Society, 9 mars 2023, www.internetsociety.org/resources/doc/2023/homomorphic-chiffrement/.

Hunt, James. « FHENIX lève 7 millions de dollars dans le Seed Round mené par Multicoin Capital. » The Bloc, The Bloc, 26 sept. 2023, www.theblock.co/post/252931/fhenix-seed-multicoin-capital.

« Intel® Chiffrement homomorphique Toolkit. » Intel, consulté le 8 octobre 2023, www.intel.com/content/www/us/en/developer/tools/homomorphic-chiffrement/overview.html#gs.fu 55 im.

« Intel va collaborer avec Microsoft sur le programme DARPA. » Intel, 8 mars 2021, www.intel.com/content/www/us/en/newsroom/news/intel-collaborate-microsoft-darpa-program.html#gs.ftusxq.

« Intel Xeon fait progresser la R&D sur le chiffrement homomorphe du NASDAQ. » Intel, 6 avr. 2021,www.intel.com/content/www/us/en/newsroom/news/xeon-advances-nasdaqs-homomorphic-chiffrement-rd.html#gs.6 mpgme.

Johnson, Rick. « Intel franchit la première étape de la phase DARPA DPRIVE pour une plate-forme de chiffrement homomorphe. » Intel, 14 sept. 2022, community.intel.com/t 5/Blogs/Products-and-Solutions/HPC/Intel-Completes-DARPA-DPRIVE-Phase-One-Milestone-for-a-Fully/post/1411021.

« Microsoft Seal : Bibliothèque de chiffrement homomorphe rapide et facile à utiliser. » Microsoft Research, 4 janvier 2023,www.microsoft.com/en-us/research/project/microsoft-seal/.

Paillier, Dr Pascal. « Chiffrement homomorphe : le Saint Graal de la cryptographie. » Business Age, 9 mars 2023, www.businessage.com/post/fully-homomorphic-chiffrement-the-holy-grail-of-cryptography.

Samani, Kyle. « L’aube de l’EHE on-chain ». Multicoin Capital, 26 septembre 2023, multicoin.capital/2023/09/26/the-dawn-of-off-chain-fhe/.

Walker, Amanda, et al. « Aider les organisations à en faire plus sans collecter plus de données. » Google Online Security Blog, 19 juin 2019, security.googleblog.com/2019/06/helping-organizations-do-more-without-collecting-more-data.html.

« Qu’est-ce que le chiffrement homomorphe ? » Inpher, 11 avr. 2021, inpher.io/technology/what-is-fully-homomorphic-encryption/.

White, Matt. « Une brève histoire de l’IA générative. » Moyen, 8 juillet 2023, matthewdwhite.medium.com/a-brief-history-of-generative-ai-cb 1837 e 67106 # :~ :text=Bien que% 20 la plupart% 20 personnes% 20 vont%20 admettre, of% 20 Stabilité% 20 AI’s% 20 Stable% 20 Diffusion.