AI ของคุณรู้มากเกินไป: Confidential AI ไม่ใช่ทางเลือกอีกต่อไป

โมเดลที่สร้างขึ้นกำลังเปลี่ยนจากห้องปฏิบัติการวิจัยไปสู่กระบวนการทางธุรกิจปกติ — และจุดอ่อนที่ซ่อนอยู่กำลังเติบโตขึ้นพร้อมกับพวกมัน

ให้พิจารณาตัวอย่างนี้: Microsoft Copilot เข้าถึงเกือบสามล้านบันทึกที่มีความละเอียดอ่อนต่อองค์กรในครึ่งแรกของปี 2025 ตัวเลขเหล่านี้หมายความว่ามีปัญหาเชิงโครงสร้างในการเข้าถึง AI ของบริษัท พวกเขาได้สร้างเครื่องมือที่มีประสิทธิภาพสำหรับการประมวลผลข้อมูล แต่ไม่ได้สร้างการป้องกันที่เพียงพอสำหรับข้อมูลที่ใช้

โมเดลภาษาขนาดใหญ่และเครื่องมือช่วยเหลือมักจะคำนวณเอกสาร ข้อความ และฐานข้อมูลโดยไม่มีการป้องกันทางฮาร์ดแวร์ ช่องว่างนี้ซึ่งแสดง “ข้อมูลที่ใช้” ระหว่างการอนุมาน ตอนนี้เป็นภัยคุกคามโดยตรงต่อธุรกิจที่ให้ความสำคัญกับความเป็นส่วนตัว การปฏิบัติตามกฎระเบียบ และความไว้วางใจของลูกค้า

ที่นี่คือที่มาของการประมวลผลที่มีการรักษาความลับ กระบวนการนี้ใช้ สภาพแวดล้อมการประมวลผลที่เชื่อถือได้ (TEEs) ที่ได้รับการช่วยเหลือจากฮาร์ดแวร์ในการรักษาความปลอดภัยของโค้ดและข้อมูลในขณะที่ใช้งาน TEEs คือพื้นที่หน่วยความจำที่แยกออกมาและได้รับการคุ้มครองจากระบบปฏิบัติการและฮิปเปอร์ไวเซอร์ของโฮสต์

การป้องกันนี้เปลี่ยนแบบจำลองความปลอดภัย ช่วยให้สามารถประมวลผลข้อมูลที่ละเอียดอ่อนโดยไม่ต้องเปิดเผยต่อชั้นที่เหลือ Microsoft และผู้ให้บริการคลาวด์อื่น ๆ ตอนนี้ให้บริการการอนุมานส่วนตัวและเครื่องเสมือนที่รวมการอนุมานภายใน TEEs

เหตุผลที่ความเป็นส่วนตัวมีความสำคัญต่อกฎและธรรมาภิบาล

การเข้ารหัสแบบดั้งเดิมมักจะปกป้องข้อมูลที่อยู่ในสถานะพักหรือระหว่างการถ่ายโอน โดยที่ข้อมูลที่กำลังถูกประมวลผลอยู่ไม่ได้รับการคุ้มครองในระดับเดียวกัน แม้ว่าจะเป็นจุดที่ AI ที่สร้างขึ้นได้โต้ตอบกับข้อมูลส่วนตัวมากที่สุด

ในต้นปีนี้ การศึกษาโดยนักวิจัยจากมหาวิทยาลัยคอร์เนลล์เกี่ยวกับหน่วยประมวลผลที่เชื่อถือได้ เปิดเผยว่าความโดดเดี่ยวและความน่าเชื่อถือที่ได้รับการสนับสนุนจากฮาร์ดแวร์สามารถช่วยลดความจำเป็นในการเชื่อถือระหว่างฝ่ายต่างๆ ได้ นอกจากนี้ นักวิเคราะห์ประเมินว่าค่าของโครงสร้างพื้นฐานการประมวลผลส่วนตัว มีมูลค่ามากกว่า 13,000 ล้านดอลลาร์ โดยมีการคาดการณ์ว่าจะเติบโตอย่างรวดเร็วถึง 350.04 พันล้านดอลลาร์ภายในปี 2032

โดยสรุป มีผู้ใช้เทคโนโลยีมากขึ้น ทำให้ผู้กำกับดูแลและทีมการปฏิบัติตามกฎระเบียบให้ความสนใจกับระบบ AI มากกว่าที่เคยเป็น ดังนั้น แฟรมเวิร์กที่รับรองว่าข้อมูลที่ละเอียดอ่อนจะไม่ออกจากสภาพแวดล้อมการประมวลผลที่ได้รับการคุ้มครองระหว่างการสอบถามแบบจำลอง จะทำให้การตรวจสอบประวัติใช้งานง่ายขึ้น และลดความเสี่ยงในการมีปัญหาทางกฎหมาย

อย่างไรก็ตาม หากการป้องกันระหว่างการประมวลผลไม่ได้กลายเป็นมาตรฐานที่ใช้กันอย่างแพร่หลาย ความแตกต่างนี้อาจทำให้ผู้กำกับดูแลใช้เวลาในการยอมรับ AI ในสาขาที่มีการควบคุมอย่างเข้มงวดนานขึ้น

สถานการณ์ในชีวิตจริงที่ความเป็นส่วนตัวเป็นสิ่งจำเป็น

มีสถานการณ์ทางธุรกิจหลายกรณีที่แสดงให้เห็นว่า AI ที่มีการรักษาความลับไม่ใช่สิ่งฟุ่มเฟือย แต่เป็นสิ่งที่ทุกองค์กรต้องมี

ตัวอย่างเช่น ในภาคการเงิน สิ่งนี้อาจใช้กับสถาบันที่ต้องรันแบบจำลองการฉ้อโกงและความเสี่ยงกับประวัติการทำธุรกรรมของลูกค้าโดยไม่ให้ผู้ดำเนินการแบบจำลองภายนอกเข้าถึงบันทึกดั้งเดิม

ในด้านการดูแลสุขภาพ อาจมีสถานการณ์ที่แบบจำลองการวินิจฉัยต้องทำงานกับข้อมูลทางคลินิกที่ได้รับการคุ้มครองในขณะที่ รักษาความเป็นส่วนตัว ของผู้ป่วยและปฏิบัติตามข้อกำหนดด้านกฎระเบียบที่เข้มงวด นอกจากนี้ รัฐบาลและหน่วยงานป้องกันประเทศอาจต้องการการประมวลผลที่ได้รับการรับรองเพื่อรันเวิร์กโหลดที่ละเอียดอ่อนบนคลาวด์ของบุคคลที่สาม

มีเส้นทางการวิจัยที่รวมข้อมูลจากแหล่งต่างๆ ซึ่งเห็นได้ชัดในงานวิจัยด้านสุขภาพที่กระจายอำนาจซึ่งสามารถดำเนินการต่อได้ก็ต่อเมื่อผู้เข้าร่วมแต่ละคนมั่นใจว่าข้อมูลเข้าของตนจะยังคงไม่สามารถอ่านได้ระหว่างการประมวลผล

ยังมีการวิจัยทางวิชาการและอุตสาหกรรมที่ต่อเนื่องเพื่อจัดทำแนวทางในการรักษาความเป็นส่วนตัวของ ML สำหรับเวิร์กโฟลว์ทางการแพทย์ที่จับคู่กับการประมวลผลที่มีการรักษาความลับ

การประมวลผลที่มีการรักษาความลับปกป้องข้อมูลที่ใช้อย่างไร

การประมวลผลที่มีการรักษาความลับขึ้นอยู่กับสองระบบที่เชื่อมโยง: การแยกความปลอดภัยของฮาร์ดแวร์และการรับรอง การแยกความปลอดภัยของฮาร์ดแวร์ป้องกันไม่ให้ซอฟต์แวร์ภายนอกอ่านหน่วยความจำของอินคลูส

การรับรองเป็นวิธีการตรวจสอบที่สามารถยืนยันได้ว่าโค้ดที่กำลังรันภายในอินคลูสและอินคลูสเองนั้นแท้จริง คุณลักษณะเหล่านี้ทำให้เจ้าของแบบจำลองแสดงให้เห็นว่าแบบจำลองจะทำงานกับข้อมูลเข้าในสภาพแวดล้อมที่ได้รับการยืนยันและปิดผนึก และผลลัพธ์จะออกมาหลังจากที่กฎของอินคลูสได้รับการปฏิบัติตาม

ผลลัพธ์คือสัญญาระหว่างเจ้าของข้อมูล ผู้ดำเนินการแบบจำลอง และผู้ให้บริการคลาวด์ ซึ่งทำให้ไม่น่าจะต้องมีการทำงานทางกฎหมายที่เป็นปฏิปักษ์หรือใช้นโยบายที่ไม่มั่นคง

ข้อจำกัดและอุปสรรคที่เป็นจริง

แน่นอนว่าการนำ AI ที่มีการรักษาความลับมาใช้นั้นมาพร้อมกับความท้าทายของตัวเอง การรับรองและการแยกความปลอดภัยของฮาร์ดแวร์ที่สามารถทำงานในอินคลูสทำให้การปรับใช้ซับซ้อนขึ้น เนื่องจากมีช่องว่างในระบบนิเวศระหว่างเครื่องมือการให้บริการแบบจำลองแบบดั้งเดิมและรันไทม์ที่ตระหนักถึงอินคลูส บางรันไทม์ของอินคลูสอาจมีค่าใช้จ่ายสูงถึง 10 เท่าในการรัน และอาจมีการแลกเปลี่ยนในด้านประสิทธิภาพขึ้นอยู่กับปริมาณงาน

นอกจากนี้ ค่าใช้จ่ายสูงกว่าที่เคยเป็นสำหรับการอนุมานบนคลาวด์แบบธรรมดา ซึ่งอาจทำให้ธุรกิจขนาดเล็กต้องต่อสู้กับตัวเลข นอกจากนี้ยังมีปัญหาเรื่องมาตรฐานการทำงานร่วมกันที่เปลี่ยนแปลง ซึ่งอาจทำให้ผู้ใช้เริ่มแรกตกอยู่ในความเสี่ยงของการถูกติดอยู่กับผู้ขาย

อย่างไรก็ตาม ปัญหาเหล่านี้เป็นเพียงปัญหาด้านวิศวกรรมชั่วคราวที่สามารถแก้ไขได้ ผู้ให้บริการคลาวด์และผู้ผลิตชิปต่างๆ ยังคงแนะนำผลิตภัณฑ์ใหม่ๆ และโครงการซอฟต์แวร์กำลังสร้างมิดเดิลแวร์ที่เชื่อมโยงระหว่างสแต็ค ML ปัจจุบันกับ TEEs

ถ้าอะไรๆ ก็เป็นปัญหา บริษัทที่คิดว่าการเข้ารหัสและควบคุมการเข้าถึงแบบดั้งเดิมเพียงพอจะเสี่ยงมากขึ้น เนื่องจากพวกเขาจะตกเป็นเป้าหมายเมื่อแบบจำลองประมวลผลบันทึกที่ละเอียดอ่อนจำนวนมาก

การเรียกร้องให้มีการเปลี่ยนแปลงแนวปฏิบัติขององค์กร

ทีมจัดการความเสี่ยงต้องเปลี่ยนกฎเกณฑ์ในการซื้อและใช้ AI การจำแนกประเภทข้อมูลและการกำกับดูแลยังคงสำคัญ แต่ต้องได้รับการสนับสนุนจากการรับรองทางเทคนิคเมื่อใช้งาน

สัญญากับผู้ให้บริการแบบจำลองภายนอกควรต้องมีการรับรองการรับรอง ทีมจัดซื้อควรขอฐานการแสดงผลและตัวเลือกการอนุมานส่วนตัวที่ได้รับการตรวจสอบ การทดสอบของทีมแดงควรรวมการทดสอบที่ตระหนักถึงอินคลูสเป็นส่วนหนึ่งของงานของพวกเขา ขั้นตอนเหล่านี้เปลี่ยนความรับผิดชอบจากความมุ่งมั่นที่ไม่เป็นทางการไปสู่การควบคุมที่สามารถตรวจสอบได้

นอกจากนี้ กลุ่มการกำหนดนโยบายสาธารณะและอุตสาหกรรมควรตั้งความคาดหวัง เจ้าหน้าที่ตรวจสอบการปฏิบัติตามกฎระเบียบและผู้กำกับดูแลควรต้องการการรับรองการป้องกันระหว่างการประมวลผลที่สามารถตรวจสอบได้สำหรับประเภทของเวิร์กโหลดที่ประมวลผลข้อมูลที่ได้รับการควบคุม

กฎเหล่านี้จะลดจำนวนการละเมิดที่เกิดขึ้นในภายหลัง และให้เสรีภาพแก่ภาคส่วนในการสร้างนวัตกรรมโดยไม่ต้องกังวลเรื่องปัญหาทางกฎหมาย สิ่งนี้จะทำให้กระบวนการทางการเงิน การดูแลสุขภาพ และสาธารณะสามารถใช้แบบจำลองใหม่ๆ โดยไม่มีอุปสรรคด้านกฎระเบียบ

ความลับเป็นมาตรฐาน

AI ที่สร้างขึ้นได้กลายเป็นเครื่องมือที่มีประโยชน์สำหรับธุรกิจที่จัดการข้อมูลส่วนตัวที่ละเอียดอ่อน ความเป็นจริงนี้หมายความว่าการประมวลผลที่มีการรักษาความลับไม่ใช่ทางเลือกอีกต่อไป แต่ต้องเป็นแนวปฏิบัติที่เป็นมาตรฐานสำหรับระบบ AI ใดๆ ที่จัดการข้อมูลที่ได้รับการควบคุม ข้อมูลที่เป็นเจ้าของ หรือข้อมูลส่วนบุคคล

มีเครื่องมืออยู่แล้ว เช่น TEEs บริการรับรอง และการให้บริการ VM ส่วนตัว และเศรษฐศาสตร์ก็ดีขึ้นอย่างรวดเร็ว ตัวเลือกอื่นคือการเก็บข้อมูลที่ละเอียดอ่อนไว้ให้เสี่ยงต่อการรั่วไหลระหว่างการอนุมาน ซึ่งอาจมีผลกระทบทางกฎหมาย การเงิน และชื่อเสียงที่ธุรกิจไม่สามารถจ่ายได้อีกต่อไป ตัวอย่างเช่น ตามรายงานการละเมิดข้อมูลของ IBM ประจำปี 2025 ค่าใช้จ่ายเฉลี่ยของการละเมิดข้อมูลทั่วโลก สูงถึง เกือบ 5 ล้านดอลลาร์ โดยมีกฎระเบียบ เช่น GDPR กำหนดค่าปรับ สูงถึง 20 ล้านยูโรสำหรับการละเมิดที่ร้ายแรง

บริษัทที่ให้ความสำคัญกับความเป็นส่วนตัวในธรรมาภิบาล AI จะมีความได้เปรียบ: พวกเขาสามารถรันการทดสอบที่ครอบคลุมและเป็นไปตามข้อกำหนดได้ และใช้แบบจำลองในพื้นที่ที่นวัตกรรมภายนอกเคยถูกจำกัด ในสั้นๆ การปกป้องข้อมูลในขณะที่แบบจำลองกำลังรันไม่ใช่สิ่งกีดขวางการนำไปใช้ แต่เป็นพื้นฐานสำหรับ AI ที่มีความรับผิดชอบและสามารถขยายได้ในธุรกิจและรัฐบาล