OPAQUE 收购 Technology Innovation Institute (TII) 的密码学 AI 技术，以扩展保密 AI 能力

一项新收购将高级密码学研究引入现实世界的 AI 部署中，OPAQUE 收购了 Technology Innovation Institute (TII) 开发的技术。这一举动反映出一种日益增长的努力，使组织能够在不暴露敏感数据的情况下将其用于 AI 系统中。

收购的核心是 TII 在隐私保护计算和后量子密码学方面的工作。这些能力现在被集成到 OPAQUE 的平台中，以支持医疗保健、金融和政府等行业的 AI 应用，在这些行业中，严格的数据保护措施限制了采用。

两种不同优势的汇聚

OPAQUE 由加州大学伯克利分校的 RISELab 研究人员创立，包括与现代数据基础设施和分布式系统开发密切相关的人物。该公司围绕一个核心理念进行定位：AI 不能在企业环境中扩展，除非隐私和治理直接构建到系统操作中。其平台专注于“保密 AI”，使组织能够在严格控制数据访问和处理的同时运行模型、工作流和越来越多的 AI 代理。

TII 则代表技术生态系统的另一个部分。作为阿布扎比高级技术研究委员会的应用研究部门，它专注于跨多个领域构建基础技术，包括密码学、量子计算、自主系统和 AI。其密码学部门特别活跃，贡献了先进的技术，使得可以在加密数据上进行计算，并探索了为未来量子计算可能破坏当前加密标准而设计的保护措施。

这一收购连接了这两个层次。它将在研究环境中开发的技术放入一个针对企业大规模部署的平台中。

在整个生命周期中扩展 AI

OPAQUE 的平台已经专注于安全的 AI 推理，确保模型可以在不暴露敏感数据的情况下运行。通过添加 TII 的技术，这种保护现在扩展到训练和微调等早期阶段。

这是一个有意义的转变。训练传统上是最难以安全的阶段，因为它需要大量原始数据。像多方计算和全同态加密这样的技术可以在不泄露底层数据的情况下训练模型，即使对于执行计算的系统也是如此。

同时，包含后量子密码学的引入提供了旨在即使计算能力演变而保持安全的保护措施。虽然量子计算仍然处于初期阶段，但其可能破坏广泛使用的加密方法的潜力已经使长期数据保护成为政府和大型企业日益增长的担忧。

为什么敏感数据难以使用

许多组织已经拥有可以显著改善 AI 结果的数据。这包括患者记录、金融交易和专有研究。然而，这些数据集通常被低估，因为使用它们所带来的风险太高。

大多数现有解决方案只解决问题的一部分。一个系统可能会保护训练，另一个可能会处理部署，额外的工具是必需的，以实现治理和合规性。这种分散的方法引入了复杂性，并留下了可能阻止项目进入生产的空白。

OPAQUE 的方法是将这些阶段统一到一个系统中，数据使用情况会被持续验证。与其依赖对供应商或基础设施提供商的信任，该系统会生成密码学证明，证明在整个过程中政策得到遵守，数据保持受保护。

适用于受监管和主权环境

联合平台的一个关键方面是其依赖于基于硬件的安全性，包括可信执行环境。这些环境在硬件级别隔离工作负载，确保即使平台提供商也无法访问正在处理的数据。

这种设计使得该平台适合高度监管的环境和主权 AI 计划，在这些环境中，数据必须保持在特定的地理或法律边界内。政府和企业可以部署 AI 系统，同时保持对数据驻留和遵守区域法规的控制。

这也为敏感数据集的跨境合作打开了大门，多方可以贡献数据而不暴露给对方。

AI 基础设施的方向

这一收购反映了 AI 系统开发和部署方式的更广泛转变。随着组织超越实验阶段，安全使用敏感数据的能力正在成为一个核心要求。

AI 系统也变得更加自主，具有能够执行任务、与系统交互和做出决策的代理。这增加了它们的有用性和风险，特别是当它们连接到关键基础设施或受监管的数据时。

在这种背景下，像保密计算和密码学验证这样的技术可能会变得基础。重点正在转向能够在定义的约束内持续证明其操作的系统，而不是依赖于安全性的假设。

通过将先进的密码学研究与生产就绪的平台相结合，这一收购凸显了 AI 采用的下一阶段可能更多地受到使其能够在规模上安全使用的基础设施的影响，而不是新的模型。