Een raamwerk voor het begrijpen van het vertrouwelijke rekenlandschap

Vertrouwelijke rekenen is een moment

De vertrouwelijke rekenruimte ervaart een golf van innovatie op meerdere fronten tegelijk. Trusted Execution Environments (TEEs) rijpen en worden gemakkelijker te implementeren. (Fully Homomorphic Encryption) FHE sluit de prestatiegap die het jarenlang theoretisch heeft gehouden. En het Web3-ecosysteem zet zero-knowledge proof-technologie met een opmerkelijk tempo voort, met algemene doel-zkVM’s die nu willekeurige berekeningen bewijzen met een snelheid die vele malen groter is dan twee jaar geleden.

Tegelijkertijd creëert de opkomst van agente AI nieuwe urgentie rond vertrouwen, privacy en verifieerbaarheid. Aangezien AI-systemen verder gaan dan het genereren van inhoud en beginnen met het nemen van acties namens gebruikers, vragen organisaties zich steeds vaker af of traditionele beveiligings- en compliance-controles voldoende zijn voor autonome software die op bedrijfsniveau werkt.

Bij DataTribe hebben we aanzienlijke tijd besteed aan deze ruimte, waarin we met startups praten, de technologie evalueren en proberen te begrijpen waar de meest duurzame kansen zullen ontstaan. Hier is hoe we erover nadenken.

Een raamwerk voor vertrouwelijke rekenen

Wanneer we naar het vertrouwelijke rekenlandschap kijken, vinden we het nuttig om het te verdelen in drie afzonderlijke pijlers. Elk vertegenwoordigt een onafhankelijke garantie. Belangrijk is dat ze niet overlappen: een oplossing die één pijler levert, levert de anderen niet automatisch.

• Beveiligde rekenen: invoer, verwerking en uitvoer blijven allemaal beveiligd van begin tot einde. Zelfs de operator die de berekening uitvoert, kan niets zien.

• Rekenintegriteit: cryptografische verificatie dat de juiste berekening daadwerkelijk is uitgevoerd, zelfs op potentieel vijandige hardware.

• Private samenwerking: meerdere partijen berekenen gezamenlijk over hun gecombineerde gegevens zonder dat een van de partijen hun invoer aan de anderen onthult.

Elke pijler correspondeert met verschillende kopersbehoeften, technologie-stacks en concurrentiedynamiek. Vandaag focussen we op de eerste twee: Beveiligde rekenen en Rekenintegriteit.

De AI-privacy-paradox en beveiligde rekenen

AI is een belangrijke katalysator geweest voor de interesse in Beveiligde rekenen. Bedrijven zijn steeds meer bezorgd over de gegevens die ze delen met LLM-aanbieders, en de vraag naar vertrouwelijke inferentie neemt toe.

Maar er is een paradox die de moeite waard is om te noteren. Hetzelfde bedrijf dat zich zorgen maakt over het verzenden van klanttranscripties naar een AI-aanbieder, routeert compensatiegegevens door ADP, voert zijn pijplijn in Salesforce (CRM ) en geeft patiëntrecords aan zijn EHR-leverancier. De bescherming in elk geval is hetzelfde: een contract met gegevensbeschermingsbeloften en compliance-rapporten. Geen cryptografische garanties. Waarom worden AI-aanbieders anders behandeld?

Er zijn echte redenen. De angst dat gegevens zullen worden gebruikt voor training, opgenomen in modelgewichten en kunnen verschijnen in de uitvoer van een andere klant, heeft geen equivalent in traditionele SaaS. De waarde-uitwisseling voelt asymmetrisch, met bedrijven die denken dat hun gegevens de producten van de aanbieder voor concurrerende bedrijven kunnen verbeteren. En regulators letten specifiek op AI-gegevensbeheer op manieren die ze niet hebben toegepast op de bestaande SaaS-stack. AI-aanbieders zijn begonnen met het aangaan van contracten met beschermingen die vergelijkbaar zijn met traditionele SaaS-overeenkomsten, maar de adoptiesnelheid en de angst voor “schaduw-AI”, waarbij medewerkers AI-diensten gebruiken die niet zijn gecontracteerd met het bedrijf, voegen urgentie toe die conventionele SaaS-inkoop nog niet heeft gezien.

Of deze zorgen volledig rationeel zijn of gedeeltelijk worden gedreven door de nieuwheid van AI, ze creëren echte koopurgentie. De interessantere vraag is of deze urgentie beperkt blijft tot AI of zich uitbreidt. Als bedrijven beginnen met het eisen van cryptografische gegevensbescherming van hun LLM-aanbieders en vervolgens realiseren dat de logische inconsistentie bestaat bij het niet eisen van dezelfde bescherming van iedereen anders, breidt de totale adresbare markt voor Beveiligde rekenen zich dramatisch uit voorbij AI-inferentie.

FHE vs. TEE’s voor beveiligde rekenen

Twee primaire technologiebenaderingen concurreren voor Beveiligde rekenen, en ze vertegenwoordigen fundamenteel verschillende vertrouwensmodellen.

TEE’s zoals AMD SEV-SNP, Intel TDX en NVIDIA’s (NVDA ) vertrouwelijke GPU’s zijn de pragmatische keuze van vandaag. Ze leveren Beveiligde rekenen met minimale prestatie-overhead en zijn al beschikbaar als native aanbod van de grote cloud-aanbieders. Het vertrouwensvermoeden ligt bij de siliciumleverancier en, in verschillende mate, bij de cloud-aanbieder die de hardware exploiteert.

FHE neemt een puur wiskundige benadering. Gegevens blijven versleuteld gedurende de hele berekening, en de beveiligingsgarantie hangt niet af van het vertrouwen in enige hardware of operator. De afweging was historisch gezien prestatie: FHE-bewerkingen waren vele ordes van grootte langzamer dan plaintext-bewerkingen, waardoor ze werden beperkt tot smalle use cases.

Die kloof sluit sneller dan veel mensen beseffen. Hardwareversnelling is een belangrijke drijvende kracht. Niobium’s purpose-built FHE-acceleratorkaarten leveren meerdere ordes van grootte verbetering ten opzichte van software-only FHE. Cornami, wiens hoofdwetenschapper Craig Gentry is (die breed wordt erkend als de uitvinder van FHE), heeft “bijna plaintextsnelheden” geclaimd voor LLM-inferentie met FHE, hoewel onafhankelijke benchmarks nog niet zijn gepubliceerd. Een ander bedrijf heeft FHE-gebaseerde LLM-inferentie op een Llama 3 70b-model gedemonstreerd met snelheden die dichtbij ongecodeerde prestaties komen. Deze claims verdienen onderzoek, maar de trend is duidelijk: de prestatiekloof die FHE theoretisch hield, sluit snel.

Als FHE snel genoeg wordt voor productieworkloads, zijn de implicaties diepgaand. U hoeft niet langer te vertrouwen op de siliciumleverancier, de cloud-aanbieder of iemand met fysieke toegang tot de hardware. Uw beveiligingsgarantie wordt wiskundig, niet operationeel.

Voor investeerders creëert dit een belangrijke strategische vraag: wedden ze op hardware-vertrouwen dat meer betrouwbaar wordt (de TEE-pad), of op cryptografische prestaties die verbeteren tot het punt waarop wiskunde-only-oplossingen praktisch zijn (de FHE-pad)? De meeste nabije inkomsten liggen aan de TEE-zijde. Het lange-termijndefensieargument kan de wiskundige benadering bevororden, tenminste voor sommige rekengebieden.

Rekenintegriteit: van insiderdreiging tot vijandige omgevingen

Rekenintegriteit lost een ander probleem op: hoe weet u of de juiste berekening daadwerkelijk is uitgevoerd?

In gecontroleerde omgevingen zoals ondernemingsdatacenters en hyperscaler-clouds behandelen TEE’s dit redelijk goed. Attestatiemechanismen laten u verifiëren dat de verwachte code is geladen in een echte TEE voordat u gegevens verstuurt. Dit is waardevol voor het beschermen tegen insiderdreigingen, gecompromitteerde infrastructuur of implementatieproblemen. Voor de meeste ondernemingsgevallen is TEE-gebaseerde attestatie voldoende.

Maar “voldoende” hangt af van uw dreigingsmodel. In echt vijandige omgevingen, waar u geen controle heeft over de hardware en de operator mogelijk actief vijandig is, degraderen TEE-garanties. Recent onderzoek heeft praktische aanvallen op TEE-attestatie gedemonstreerd met behulp van goedkope hardware-interposers, en de belangrijkste chipfabrikanten hebben erkend dat fysieke aanvallen buiten hun dreigingsmodel vallen. In een goed beheerd datacenter met fysieke beveiliging is dit resterende risico beheersbaar. Op een onbekende knooppunt in een gedecentraliseerd reken-netwerk is het dat niet.

Dit is precies waarom de Web3-wereld de belangrijkste drijvende kracht is geweest achter zero-knowledge proof-innovatie. ZK-bewijzen bieden wiskundige zekerheid over rekenintegriteit, ongeacht de hardware-omgeving. Als het bewijs verifieert, was de berekening correct, of de bewezen berekening nu in een beveiligde faciliteit of in iemands garage is uitgevoerd.

Het tempo van verbetering hier is opmerkelijk geweest. Algemene doel-zkVM’s laten ontwikkelaars nu normale Rust-code schrijven en bewijzen automatisch genereren, zonder handmatig cryptografische circuits te schrijven. Succinct’s SP1 Hypercube bewijst Ethereum-blokken in minder dan 12 seconden op 16 GPU’s. ZKsync’s Airbender rapporteert meer dan 21 miljoen cycli per seconde op een enkele H100.

Voor AI-werklasten in het bijzonder maakt zkML vorderingen, maar blijft duur. Het bewijzen van LLM-inferentie loopt nog steeds duizenden keren trager dan de inferentie zelf. Kleinere modellen zoals classificatoren en embedding-modellen naderen nu praktische ZK-bewijsbaarheid, en frontier LLM-bewijs is waarschijnlijk twee tot drie jaar uit. Een interessante tussenpositie is “optimistische” verificatie, waarbij bewijzen alleen worden gegenereerd wanneer resultaten worden uitgedaagd, in plaats van voor elke berekening, waardoor de gemiddelde kosten aanzienlijk worden verlaagd.

Waar dit heen gaat

De vertrouwelijke rekenruimte staat op een kantelpunt. Innovatie gebeurt tegelijkertijd op TEE’s, FHE en ZK, elk gedreven door verschillende gemeenschappen met verschillende prioriteiten, maar convergerend op een gedeelde set problemen.

De dynamiek rond wat kopers het meest urgent vinden, zal bepalen welke benaderingen het eerste tractie krijgen. Ondernemingen die zich richten op regelgevingsconformiteit en clouddataprotectie zullen waarschijnlijk TEE-gebaseerde oplossingen naar voren trekken. De AI-golf kan de vraag naar FHE versnellen als de prestaties blijven verbeteren. Gedecentraliseerde rekenen en Web3-toepassingen zullen ZK-technologie blijven stimuleren naar bredere toepasbaarheid.

We verwachten ook hybride architectuur te zien ontstaan als een praktische tussenweg. TEE’s voor privacy in combinatie met ZK-bewijzen voor integriteit geven u sterke vertrouwelijkheid met wiskundige zekerheid over correctheid. Deze combinatie werkt goed voor scenario’s waarin de hardware-omgeving gedeeltelijk wordt vertrouwd, maar niet volledig gecontroleerd.

Dit raamwerk wordt vooral relevant rondom de Confidential Computing Summit van de Linux Foundation in San Francisco van de week, waar een centraal thema was of vertrouwelijke rekenen kan dienen als de beveiligingslaag die agente AI op ondernemingsniveau inzetbaar maakt. Aangezien organisaties beginnen met het geven van toegang tot gevoelige systemen, gegevens en workflows aan AI-agents, verplaatsen de vragen over beveiligde rekenen, rekenintegriteit en verifieerbaar vertrouwen zich van theoretische architectuurdiscussies naar operationele vereisten.

Voor startups zijn de kansen aanzienlijk over de hele stack: het makkelijker maken van TEE-gebaseerde vertrouwelijke rekenen voor SaaS-bedrijven, het bouwen van de tooling die FHE van onderzoek naar productie brengt, het creëren van de infrastructuur voor ZK-gebaseerde rekenintegriteit in ondernemingscontexten en het ontwikkelen van de trust broker- en attestatielagen die tussen klanten en cloud-aanbieders zitten. We blijven deze ruimte bestuderen en zijn enthousiast over de oprichters die we ontmoeten. Verschillende workloads, dreigingsmodellen en regelgevingsregimes zullen verschillende combinaties van de drie pijlers vereisen. De bedrijven die winnen, zullen degene zijn die een pijler kiezen, die beslissend oplossen en het makkelijk maken voor ondernemingen om over te stappen.