Kerangka untuk Memahami Lanskap Komputasi Rahasia

Komputasi Rahasia Sedang Mengalami Momen

Ruangan komputasi rahasia sedang mengalami gelombang inovasi di berbagai front secara bersamaan. Lingkungan Eksekusi Tepercaya (TEEs) matang dan menjadi lebih mudah diterapkan. (Enkripsi Homomorfik Penuh) FHE menutup celah kinerja yang telah menjadikannya teoretis selama bertahun-tahun. Dan ekosistem Web3 terus mendorong teknologi bukti tanpa pengetahuan ke depan dengan kecepatan yang luar biasa, dengan zkVM umum yang sekarang membuktikan perintah komputasi sewenang-wenang beberapa kali lipat lebih cepat daripada dua tahun yang lalu.

Pada saat yang sama, munculnya AI agenik menciptakan urgensi baru seputar kepercayaan, privasi, dan verifiabilitas. Ketika sistem AI bergerak melampaui pembuatan konten dan mulai mengambil tindakan atas nama pengguna, organisasi semakin bertanya-tanya apakah kontrol keamanan dan kepatuhan tradisional cukup untuk perangkat lunak otonom yang beroperasi pada skala perusahaan.

Di DataTribe, kami telah menghabiskan waktu yang signifikan di ruangan ini, berbicara dengan startup, mengevaluasi teknologi, dan mencoba memahami di mana peluang yang paling tahan lama akan muncul. Berikut adalah bagaimana kami memikirkannya.

Kerangka untuk Komputasi Rahasia

Ketika kami melihat lanskap komputasi rahasia, kami menemukan bahwa memecahnya menjadi tiga pilar yang berbeda sangat berguna. Masing-masing mewakili jaminan independen. Penting untuk diingat bahwa mereka tidak tumpang tindih: solusi yang memberikan satu pilar tidak secara otomatis memberikan yang lain.

• Komputasi Terlindungi: Input, pemrosesan, dan output semua tetap terlindungi dari ujung ke ujung. Bahkan operator yang menjalankan komputasi tidak dapat melihat apa pun.

• Integritas Komputasi: Verifikasi kriptografis bahwa komputasi yang benar sebenarnya dijalankan, bahkan pada perangkat keras yang potensial bersifat musuh.

• Kolaborasi Pribadi: Beberapa pihak secara bersama-sama menghitung data gabungan tanpa satu pihak pun mengungkapkan inputnya kepada yang lain.

Masing-masing pilar memetakan kebutuhan pembeli yang berbeda, tumpukan teknologi, dan dinamika kompetitif. Hari ini kami fokus pada dua yang pertama: Komputasi Terlindungi dan Integritas Komputasi.

Paradoks Privasi AI dan Komputasi Terlindungi

AI telah menjadi katalis utama untuk minat pada Komputasi Terlindungi. Perusahaan semakin cemas tentang data yang mereka bagikan dengan penyedia LLM, dan permintaan untuk inferensi rahasia tumbuh.

Tapi ada paradoks yang patut dicatat. Perusahaan yang sama yang mengkhawatirkan mengirim transkrip pelanggan ke penyedia AI dengan senang hati mengalihkan data kompensasi melalui ADP, memasukkan pipa mereka ke Salesforce (CRM ), dan menyerahkan catatan pasien ke vendor EHR mereka. Perlindungan dalam setiap kasus adalah sama: kontrak dengan janji perlindungan data dan laporan kepatuhan. Tidak ada jaminan kriptografis. Jadi mengapa penyedia AI diperlakukan berbeda?

Ada alasan yang nyata. Ketakutan bahwa data akan digunakan untuk pelatihan, diserap ke dalam bobot model, dan bisa muncul dalam output pelanggan lain tidak memiliki analog dalam SaaS tradisional. Pertukaran nilai terasa asimetris, dengan perusahaan merasa bahwa data mereka mungkin memperbaiki produk penyedia untuk pesaing. Dan regulator memperhatikan secara khusus penanganan data AI dengan cara yang tidak mereka lakukan pada tumpukan SaaS yang ada. Penyedia AI telah mulai memasuki kontrak dengan perlindungan serupa dengan perjanjian SaaS tradisional, tetapi kecepatan adopsi dan ketakutan akan “bayangan AI”, di mana karyawan menggunakan layanan AI yang tidak berada di bawah kontrak dengan perusahaan, menambah urgensi yang tidak dihadapi oleh proses pengadaan SaaS konvensional.

Apakah kekhawatiran ini sepenuhnya rasional atau sebagian didorong oleh kebaruan AI, mereka menciptakan urgensi nyata. Pertanyaan yang lebih menarik adalah apakah urgensi ini tetap terkungkung dalam AI atau menyebar. Jika perusahaan mulai menuntut perlindungan data kriptografis dari penyedia LLM mereka dan kemudian menyadari inkonsistensi logis tidak menuntutnya dari semua orang lain, pasar yang dapat ditargetkan untuk Komputasi Terlindungi berkembang secara dramatis melampaui inferensi AI.

FHE vs. TEE untuk Komputasi Terlindungi

Dua pendekatan teknologi utama bersaing untuk Komputasi Terlindungi, dan mereka mewakili model kepercayaan yang secara fundamental berbeda.

TEE seperti AMD SEV-SNP, Intel TDX, dan GPU rahasia NVIDIA (NVDA ) adalah pilihan pragmatis saat ini. Mereka memberikan Komputasi Terlindungi dengan overhead kinerja minimal dan sudah tersedia sebagai penawaran asli dari penyedia cloud utama. Asumsi kepercayaan ada pada vendor silikon dan, sampai tingkat tertentu, pada penyedia cloud yang mengoperasikan perangkat keras.

FHE mengambil pendekatan murni matematis. Data tetap terenkripsi sepanjang komputasi, dan jaminan keamanan tidak bergantung pada mempercayai perangkat keras atau operator. Pertukaran telah secara historis menjadi kinerja: operasi FHE telah beberapa kali lipat lebih lambat daripada komputasi plaintext, membatasi pada kasus penggunaan yang sempit.

Celah itu menutup lebih cepat daripada yang banyak orang sadari. Percepatan perangkat keras adalah penggerak utama. Kartu akselerator FHE khusus Niobium memberikan beberapa kali lipat perbaikan dibandingkan dengan FHE perangkat lunak saja. Cornami, yang ilmuwan utamanya adalah Craig Gentry (yang secara luas diakui sebagai penemu FHE), telah mengklaim “kecepatan hampir plaintext” untuk inferensi LLM menggunakan FHE, meskipun benchmark independen belum dipublikasikan. Perusahaan lain telah mendemonstrasikan inferensi LLM berbasis FHE pada model Llama 3 70b dengan kecepatan mendekati kinerja tanpa enkripsi. Klaim ini memerlukan pemeriksaan, tetapi trajektori jelas: celah kinerja yang menjadikan FHE teoretis menutup dengan cepat.

Jika FHE menjadi cukup cepat untuk beban kerja produksi, implikasinya sangat mendalam. Anda tidak perlu lagi mempercayai vendor silikon, penyedia cloud, atau siapa pun dengan akses fisik ke perangkat keras. Jaminan keamanan Anda menjadi matematis, bukan operasional.

Bagi investor, ini menciptakan pertanyaan strategis penting: apakah Anda bertaruh pada kepercayaan perangkat keras menjadi lebih dapat dipercaya (jalur TEE), atau pada kinerja kriptografis yang memadai untuk membuat solusi matematis saja praktis (jalur FHE)? Sebagian besar pendapatan jangka pendek ada di sisi TEE. Argumen keamanan jangka panjang mungkin mendukung pendekatan matematis, setidaknya untuk beberapa domain komputasi.

Integritas Komputasi: Dari Ancaman Dalam ke Lingkungan Musuh

Integritas Komputasi menangani masalah yang berbeda: bagaimana Anda tahu komputasi yang benar sebenarnya dijalankan?

Di lingkungan yang terkendali seperti pusat data perusahaan dan cloud hyperscaler, TEE menangani ini dengan cukup baik. Mekanisme attestasi memungkinkan Anda untuk memverifikasi bahwa kode yang diharapkan dimuat ke dalam TEE yang asli sebelum mengirim data. Ini berharga untuk melindungi terhadap ancaman dari dalam, infrastruktur yang dikompromikan, atau masalah penerapan. Untuk sebagian besar kasus penggunaan perusahaan, attestasi berbasis TEE cukup memadai.

Tapi “cukup memadai” bergantung pada model ancaman Anda. Di lingkungan yang benar-benar musuh, di mana Anda tidak memiliki kontrol atas perangkat keras dan operator mungkin bersifat musuh, jaminan TEE memburuk. Penelitian baru-baru ini telah mendemonstrasikan serangan praktis terhadap attestasi TEE menggunakan interposer perangkat keras berbiaya rendah, dan vendor chip utama telah mengakui bahwa serangan fisik berada di luar model ancaman mereka. Di pusat data yang dikelola dengan baik dengan keamanan fisik, risiko residu ini dapat dikelola. Pada node yang tidak diketahui dalam jaringan komputasi terdesentralisasi, tidak demikian.

Inilah tepatnya mengapa dunia Web3 telah menjadi penggerak utama inovasi bukti tanpa pengetahuan. Bukti ZK menyediakan kepastian matematis tentang integritas komputasi terlepas dari lingkungan perangkat keras. Jika bukti memverifikasi, komputasi benar, apakah komputasi yang dibuktikan dilakukan di fasilitas yang aman atau di garasi seseorang.

Kecepatan perbaikan di sini telah luar biasa. ZkVM umum sekarang memungkinkan pengembang menulis kode Rust normal dan menghasilkan bukti secara otomatis, tanpa menulis sirkuit kriptografis. SP1 Hypercube Succinct membuktikan blok Ethereum dalam waktu kurang dari 12 detik pada 16 GPU. Airbender ZKsync melaporkan lebih dari 21 juta siklus per detik pada satu H100.

Untuk beban kerja AI secara khusus, zkML membuat kemajuan tetapi tetap mahal. Membuktikan inferensi LLM masih berjalan ribuan kali lebih lambat daripada inferensi itu sendiri. Model yang lebih kecil seperti klasifikasi dan model penyematan mendekati kemampuan ZK yang praktis sekarang, dan pembuktian LLM frontier kemungkinan dua hingga tiga tahun ke depan. Titik tengah yang menarik adalah verifikasi “optimis”, di mana bukti dibuat hanya ketika hasilnya dipertanyakan bukan untuk setiap komputasi, secara dramatis mengurangi biaya amortisasi.

Arah Ini Menuju

Ruangan komputasi rahasia sedang berada pada titik infleksi. Inovasi terjadi di seluruh TEE, FHE, dan ZK secara bersamaan, masing-masing didorong oleh komunitas yang berbeda dengan prioritas yang berbeda tetapi berkumpul pada serangkaian masalah yang sama.

Dinamika seputar apa yang pembeli anggap paling mendesak akan menentukan pendekatan mana yang mendapatkan traksi pertama. Perusahaan yang fokus pada kepatuhan regulasi dan perlindungan data cloud kemungkinan akan mendorong solusi berbasis TEE ke depan. Gelombang AI mungkin mempercepat permintaan untuk FHE jika kinerja terus membaik. Aplikasi komputasi terdesentralisasi dan Web3 akan terus mendorong teknologi ZK menuju aplikabilitas yang lebih luas.

Kami juga mengharapkan arsitektur hibrida muncul sebagai titik tengah yang praktis. TEE untuk privasi dikombinasikan dengan bukti ZK untuk integritas, misalnya, memberikan konfidensialitas yang kuat dengan kepastian matematis tentang kebenaran. Kombinasi ini bekerja dengan baik untuk skenario di mana lingkungan perangkat keras sebagian dipercaya tetapi tidak sepenuhnya dikendalikan.

Kerangka ini menjadi sangat relevan sekitar Konferensi Komputasi Rahasia Yayasan Linux di San Francisco minggu lalu, di mana tema utama adalah apakah komputasi rahasia dapat berfungsi sebagai lapisan keamanan yang membuat AI agenik dapat diterapkan pada skala perusahaan. Ketika organisasi mulai memberikan akses AI agen ke sistem, data, dan alur kerja yang sensitif, pertanyaan tentang komputasi terlindungi, integritas komputasi, dan kepercayaan yang dapat diverifikasi berpindah dari diskusi arsitektur teoretis ke persyaratan operasional.

Bagi startup, peluangnya sangat substansial di seluruh tumpukan: membuat komputasi rahasia berbasis TEE lebih mudah bagi perusahaan SaaS untuk diadopsi, membangun tooling yang membawa FHE dari penelitian ke produksi, menciptakan infrastruktur untuk integritas komputasi berbasis ZK dalam konteks perusahaan, dan mengembangkan lapisan broker kepercayaan dan attestasi yang berada di antara pelanggan dan penyedia cloud. Kami terus mempelajari ruangan ini dan terkesan dengan pendiri yang kami temui. Beban kerja, model ancaman, dan rezim regulasi yang berbeda akan menuntut kombinasi yang berbeda dari tiga pilar. Perusahaan yang menang akan menjadi mereka yang memilih pilar, menyelesaikannya dengan tegas, dan membuatnya mudah bagi perusahaan untuk mengadopsi.