Leo Scott, 数据部落董事总经理 Leo Scott 数据部落董事总经理

机密计算框架：理解机密计算领域

机密计算正处于巅峰时期机密计算领域正在经历多个领域的创新浪潮。可信执行环境（TEEs）正在成熟并变得更容易部署。（全同态加密）FHE正在缩小多年来将其置于理论状态的性能差距。同时，Web3生态系统正在以惊人的速度推动零知识证明技术的发展，通用零知识虚拟机（zkVMs）现在可以证明任意计算的顺序，速度比两年前快了几个数量级。与此同时，代理人工智能的兴起正在创造新的紧迫感，围绕信任、隐私和可验证性。随着人工智能系统从生成内容转向代表用户采取行动，组织越来越多地询问传统的安全性和合规性控制是否足以满足企业规模的自治软件。在DataTribe，我们一直在这个领域投入大量时间，谈论初创公司，评估技术，并试图了解最持久的机会将在哪里出现。以下是我们对此的思考方式。机密计算框架当我们查看机密计算领域时，我们发现将其分为三个不同的支柱是有用的。每个支柱代表一个独立的保证。重要的是，它们不重叠：提供一个支柱的解决方案并不自动提供其他支柱。 受保护的计算：输入、处理和输出都保持端到端的保护。即使操作计算的运营商也无法看到任何内容。 计算完整性：计算确实运行的加密验证，即使在可能对抗性的硬件环境中。 私人协作：多方共同计算其联合数据，而无需任何一方将其输入透露给其他方。 每个支柱映射到不同的买家需求、技术栈和竞争动态。今天，我们关注前两个：受保护的计算和计算完整性。人工智能隐私悖论和受保护的计算人工智能是 Protected Compute 感兴趣的主要催化剂。企业越来越担心与 LLM 提供商共享的数据，对于机密推理的需求正在增长。但是，有一个值得注意的悖论。同一个企业在将客户转录发送给人工智能提供商时会感到痛苦，但他们却将薪酬数据通过 ADP 路由，将其管道导入 Salesforce ，并将患者记录交给其 EHR_VENDOR。每种情况下的保护都是相同的：具有数据保护承诺和合规报告的合同。没有加密保证。那么，为什么人工智能提供商被区别对待？有真正的原因。数据可能被用于训练、被吸收到模型权重中，并可能在其他客户的输出中出现，这在传统 SaaS 中没有类似之处。价值交换感觉不对称，企业认为其数据可能会改善提供商的产品以供竞争对手使用。监管机构正在以他们以前从未对现有 SaaS 堆栈所做的方式，特别关注人工智能数据处理。人工智能提供商已经开始签订类似于传统 SaaS 协议的合同，但采用的速度和对“影子人工智能”的恐惧（其中员工使用未与企业签订合同的人工智能服务）增加了紧迫性，这种紧迫性传统 SaaS 采购近期没有面临。无论这些担忧是否完全理性，还是部分由人工智能的新颖性驱动，它们都在制造真正的购买紧迫性。更有趣的问题是，这种紧迫性是否会仅限于人工智能，还是会蔓延。如果企业开始要求其 LLM 提供商提供加密数据保护，并意识到不要求其他所有人提供加密数据保护的逻辑不一致性，那么受保护计算的总可寻址市场将远远超出人工智能推理的范围。FHE 与...