Google गोपनीय AI को होमोमॉर्फिक एन्क्रिप्शन के साथ व्यावहारिक बना रहा है
Google का fully homomorphic encryption (FHE) के साथ “private AI” की ओर धक्का cloud models को user-encrypted data पर चलाने देना चाहता है ताकि providers plaintext न देख सकें, जिससे healthcare, finance, और अन्य संवेदनशील क्षेत्रों में regulated use cases संभव हो सकते हैं। Commenters FHE की cryptographic soundness और niche value को स्वीकारते हैं, लेकिन इसके भारी performance overhead — अक्सर कई orders of magnitude धीमा — पर ज़ोर देते हैं, और नोट करते हैं कि privacy पाने का सबसे सीधा तरीका अभी भी models को locally चलाना है। कई लोग इस बात को लेकर भी संशय में हैं कि क्या विज्ञापन-आधारित कंपनी Google ऐसी technology को वास्तव में user privacy को data collection और monetization से ऊपर रखने के तरीके से deploy करेगी।
समग्र भावना
- Google को संरक्षक के रूप में लेकर मिश्रित से नकारात्मक, जबकि अंतर्निहित क्रिप्टोग्राफी के प्रति अधिक सकारात्मक।
- कई लोगों को यह तकनीकी रूप से प्रभावशाली लगता है, लेकिन वाणिज्यिक रूप से सीमित और संभवतः “private AI” के रूप में गलत ढंग से प्रस्तुत किया गया, जबकि नियंत्रण अब भी क्लाउड में रहता है।
विश्वास, उद्देश्य, और गोपनीयता की प्रस्तुति
- Google को एक विज्ञापन कंपनी के रूप में लेकर मजबूत अविश्वास; डर है कि FHE का उपयोग अधिक सर्वव्यापी डेटा-उपयोग को正当 ठहराने के लिए किया जाएगा (“हम आपका डेटा कभी नहीं देखते, सिर्फ़ signals देखते हैं”)।
- कुछ का तर्क है कि यह प्रोजेक्ट open source है, इसलिए तकनीक दूसरों के लिए भी लाभकारी हो सकती है और Google पर भरोसा करने की आवश्यकता नहीं है।
- कई लोग नोट करते हैं कि encryption केवल confidentiality हल करता है; यदि आपका account block हो जाए या service बंद हो जाए, तो आप availability/control फिर भी खो देते हैं।
FHE वास्तव में क्या प्रदान करता है (और क्या नहीं)
- FHE servers को ciphertext पर plaintext देखे बिना computation करने देता है, बशर्ते मानक hardness assumptions हों (जैसे LWE/RLWE)।
- यह inputs/outputs की secrecy की गारंटी देता है, लेकिन यह नहीं कि server ने इरादे के अनुसार computation ही चलाया। Verifiable/attested compute एक अलग समस्या है।
- स्पष्ट किया गया कि सही FHE फिर भी indistinguishability-from-noise (IND-CPA) संतुष्ट कर सकता है; कई commenters यहाँ गलतफहमियों को सुधारते हैं।
प्रदर्शन और व्यावहारिकता
- उद्धृत overhead लगभग ~10×–100× (tuned ML के लिए आशावादी) से लेकर कई वास्तविक setups में 10³–10⁶× तक; benchmarked latencies inference या operation प्रति seconds से minutes तक।
- sorting, branching, और division विशेष रूप से धीमे हैं; linear algebra और simple add/mul workloads अपेक्षाकृत अधिक अनुकूल हैं।
- GPU और ASIC acceleration पर चल रहे काम का उल्लेख है, लेकिन कई लोग अब भी इसे बड़े LLMs के लिए व्यवहार्य होने से बहुत दूर मानते हैं।
Use cases बनाम local compute
- सुझाए गए अनुप्रयोग: biometric auth, password leak checking, medical और DNA queries, financial fraud detection, inter-bank transfers, private ad targeting, “have I been pwned”-style checks।
- कुछ का तर्क है कि इनमें से अधिकांश समस्याएँ local compute, TEEs, या legal/contractual controls से बेहतर सुलझाई जाती हैं, खासकर लागत को देखते हुए।
- अन्य लोग नोट करते हैं कि FHE regulated workloads (healthcare, finance) को सक्षम कर सकता है, जहाँ local या on-prem compute हमेशा संभव नहीं होता, या जहाँ multi-party data aggregation की आवश्यकता होती है।
वैकल्पिक मॉडल और ecosystem
- secure enclaves/TEEs के साथ तुलना: सस्ते और तेज़, लेकिन hardware vendor और operator trust पर निर्भर, और अक्सर side channels के माध्यम से टूट जाते हैं।
- कई लोग इसे आवश्यक “programmable cryptography” research मानते हैं, भले ही near-term deployment सीमित हो। अन्य इसे Google का AI-केंद्रित executives को प्रभावित करने के लिए “research theater” मानकर खारिज करते हैं।