Google 正通过同态加密让私有 AI 变得可行
Google 推动使用全同态加密（FHE）来实现“私有 AI”，目标是让云端模型在用户加密数据上运行，从而让提供方永远看不到明文，这可能为医疗、金融和其他敏感领域的受监管场景打开大门。评论者认可 FHE 的密码学正确性和小众价值，但强调其严重的性能开销——通常慢上几个数量级——并指出本地运行模型仍然是获得隐私最直接的方式。许多人也对一家广告驱动公司如 Google 是否会以真正优先考虑用户隐私而非数据收集和变现的方式部署这类技术持怀疑态度。
总体情绪
- 对 Google 作为守护者的看法偏中性到负面；对底层密码学则更积极。
- 很多人认为这在技术上令人印象深刻，但商业上很小众，而且可能把“私有 AI”包装得过头了，因为控制权仍在云端。
信任、动机与隐私表述
- 对 Google 这家广告公司存在强烈不信任；担心 FHE 会被用来为更广泛的数据使用辩护（“我们从不看你的数据，只看信号”）。
- 有人认为该项目是开源的，因此这项技术可以惠及其他人，不必依赖信任 Google。
- 也有几位指出，加密只解决机密性；如果你的账号被封或服务关闭，你仍然会失去可用性/控制权。
FHE 实际提供了什么（以及不提供什么）
- FHE 允许服务器在不看到明文的情况下对密文进行计算，前提是标准的困难性假设成立（例如 LWE/RLWE）。
- 它保证输入/输出的保密性，但不能保证服务器执行的是预期的计算。可验证/受认证计算是另一个独立问题。
- 有人澄清，正确的 FHE 仍然可以满足与噪声不可区分（IND-CPA）；多位评论者在这里纠正了误解。
性能与实用性
- 提到的开销大约从 ~10×–100×（针对调优过的 ML 来说算乐观）到在许多真实环境中达到 10³×–10⁶×；基准延迟从每次推理或操作几秒到几分钟不等。
- 排序、分支和除法尤其缓慢；线性代数以及简单的加/乘工作负载相对更友好。
- 有人提到 GPU 和 ASIC 加速方面仍在推进，但很多人仍认为它距离可用于大规模 LLM 还很远。
用例 vs. 本地计算
- 建议的应用包括：生物识别认证、密码泄露检查、医疗和 DNA 查询、金融欺诈检测、银行间转账、私密广告定向、“Have I Been Pwned” 风格的检查。
- 有人认为，这些大多数用例用本地计算、TEEs，或法律/合同控制来解决更好，尤其是在成本很高的情况下。
- 也有人指出，FHE 可以解锁受监管工作负载（医疗、金融），在这些场景中，本地或本地部署并不总是可行，或者需要多方数据聚合。
替代模型与生态
- 与安全飞地/TEE 的比较：更便宜、更快，但依赖硬件厂商和运营方的信任，而且经常会被侧信道攻破。
- 一些人认为，即使短期部署范围有限，这也是必要的“可编程密码学”研究。另一些人则把它斥为 Google 为了讨好 AI 导向的高管而做的“研究表演”。