Hvad HEIR gør for privat AI

HEIR sænker barrieren for at bruge fuldt homomorf kryptering (FHE) til maskinlæringsinferens. En udvikler tager en almindelig trænet model, kører den gennem HEIRs kompileringsfaser, og får et program, der arbejder på krypterede data. Serveren ser aldrig de originale data – hverken input eller output – hvilket giver kryptografisk sikker beskyttelse af brugerdata . HEIRs flerlagede IR-design håndterer automatisk opgaver som layout af krypterede data ("pakning"), parametervalg og aritmetisering . Målet er at skabe interoperabilitet af FHE-programmer på tværs af forskellige krypteringssystemer, compilere og hardwareacceleratorer .

Fire demo-applikationer

Google frigav fire demo-applikationer kompileret med HEIR for at vise praktisk anvendelighed :

• Dybdgående anbefalingsmodel – private, personlige anbefalinger uden at eksponere brugerhistorik (udviklet med Belfort Labs, LG og NYU)
• Kreditkortsvindelsdetektion – opdag svigagtige transaktioner på krypterede finansielle data (med Niobium og hardshell.ai)
• Kitsune netværksintrusionsdetektor – identificer netværksangreb uden at afsløre trafikmønstre (også med Niobium)
• Stemmeaktiveringsorddetektion – genkendelse af aktiveringsord (f.eks. "Hey Google") på krypteret lyd (med Belfort Labs)

Alle fire demoer kørte på single-threaded CPU-implementeringer . Google har endnu ikke offentliggjort latenstal, der viser realtidsydelse for de fleste arbejdsbyrder .

Partnere og samarbejdspartnere

Hardwareacceleratorpartnere – Google samarbejder med specialiserede hardwareleverandører for at fremskynde FHE-inferens:

• Belfort – Google er Belforts første betalende kunde til krypteret computerhardware
• Niobium – deres BASALISC ASIC understøtter BGV og CKKS via OpenFHE API
• Cornami
• Optalysys

HEIR genererer backend-kode til Belforts FPGA i Rust og Googles TPU via jaxite Python-biblioteket . Den første FPGA-backend til HEIR blev præsenteret på FHE.org-konferencen i 2026, hvor forskere fra KU Leuven og Google evaluerede boolske vs. aritmetiske pipelines til praktisk FHE-acceleration .

Akademiske samarbejdspartnere – Medforfattere på HEIR-artiklen inkluderer forskere fra Intel (Alexander Viand), Moreh (Jaeho Choi), KU Leuven, UC Santa Barbara, University of Michigan, Ann Arbor og Tsinghua University . Den bredere akademiske partnerliste omfatter også Georgia Tech og Carnegie Mellon .

Nuværende praktiske begrænsninger

FHE er stadig fundamentalt langsomt. Uafhængige benchmarks fra midten af 2026 viser, at FHE-beregning stadig er cirka 1.000 til 10.000 gange langsommere end tilsvarende ubeskyttet beregning, afhængigt af skema og operation . Algoritmeoptimering, compilerforbedringer, batch-teknikker og dedikeret hardwareacceleration har samlet set gjort FHE 1.000 til 10.000 gange hurtigere end for fem år siden, men der er stadig et stort gab til ukrypteret beregning for de fleste arbejdsbyrder .

Googles HEIR-demoer kørte på single-threaded CPU, og virksomheden har ikke offentliggjort latenstal for realtidsydelse . Hardwareacceleration fra partnere som Belfort og Niobium forventes at forbedre hastigheden, men disse fordele er endnu ikke påvist i produktion . En forskningsartikel, der evaluerede tre førende FHE-rammeværker – herunder Googles HEIR – afslørede 21 fejl på tværs af forskellige lag, herunder 16 logikfejl, der førte til tavse forkerte beregninger, og 5 nedbrud .

Globalt er der pr. midten af 2026 kun tre produktionssystemer med FHE-teknologi offentligt dokumenteret , hvilket understreger, at HEIR primært er en forsknings- og muliggørelsesplatform snarere end et modent implementeringsværktøj. På Hacker News modtog annonceringen 275 point, og kommentatorerne beskrev det generelt som reelle fremskridt, men langt fra produktionshastighed til generel AI-inferens endnu .

Hvad HEIR gør for privat AI

HEIR sænker barrieren for at bruge fuldt homomorf kryptering (FHE) til maskinlæringsinferens. En udvikler tager en almindelig trænet model, kører den gennem HEIRs kompileringsfaser, og får et program, der arbejder på krypterede data. Serveren ser aldrig de originale data – hverken input eller output – hvilket giver kryptografisk sikker beskyttelse af brugerdata . HEIRs flerlagede IR-design håndterer automatisk opgaver som layout af krypterede data ("pakning"), parametervalg og aritmetisering . Målet er at skabe interoperabilitet af FHE-programmer på tværs af forskellige krypteringssystemer, compilere og hardwareacceleratorer .

Fire demo-applikationer

Google frigav fire demo-applikationer kompileret med HEIR for at vise praktisk anvendelighed :

• Dybdgående anbefalingsmodel – private, personlige anbefalinger uden at eksponere brugerhistorik (udviklet med Belfort Labs, LG og NYU)
• Kreditkortsvindelsdetektion – opdag svigagtige transaktioner på krypterede finansielle data (med Niobium og hardshell.ai)
• Kitsune netværksintrusionsdetektor – identificer netværksangreb uden at afsløre trafikmønstre (også med Niobium)
• Stemmeaktiveringsorddetektion – genkendelse af aktiveringsord (f.eks. "Hey Google") på krypteret lyd (med Belfort Labs)

Alle fire demoer kørte på single-threaded CPU-implementeringer . Google har endnu ikke offentliggjort latenstal, der viser realtidsydelse for de fleste arbejdsbyrder .

Partnere og samarbejdspartnere

Hardwareacceleratorpartnere – Google samarbejder med specialiserede hardwareleverandører for at fremskynde FHE-inferens:

• Belfort – Google er Belforts første betalende kunde til krypteret computerhardware
• Niobium – deres BASALISC ASIC understøtter BGV og CKKS via OpenFHE API
• Cornami
• Optalysys

HEIR genererer backend-kode til Belforts FPGA i Rust og Googles TPU via jaxite Python-biblioteket . Den første FPGA-backend til HEIR blev præsenteret på FHE.org-konferencen i 2026, hvor forskere fra KU Leuven og Google evaluerede boolske vs. aritmetiske pipelines til praktisk FHE-acceleration .

Akademiske samarbejdspartnere – Medforfattere på HEIR-artiklen inkluderer forskere fra Intel (Alexander Viand), Moreh (Jaeho Choi), KU Leuven, UC Santa Barbara, University of Michigan, Ann Arbor og Tsinghua University . Den bredere akademiske partnerliste omfatter også Georgia Tech og Carnegie Mellon .

Nuværende praktiske begrænsninger

FHE er stadig fundamentalt langsomt. Uafhængige benchmarks fra midten af 2026 viser, at FHE-beregning stadig er cirka 1.000 til 10.000 gange langsommere end tilsvarende ubeskyttet beregning, afhængigt af skema og operation . Algoritmeoptimering, compilerforbedringer, batch-teknikker og dedikeret hardwareacceleration har samlet set gjort FHE 1.000 til 10.000 gange hurtigere end for fem år siden, men der er stadig et stort gab til ukrypteret beregning for de fleste arbejdsbyrder .

Googles HEIR-demoer kørte på single-threaded CPU, og virksomheden har ikke offentliggjort latenstal for realtidsydelse . Hardwareacceleration fra partnere som Belfort og Niobium forventes at forbedre hastigheden, men disse fordele er endnu ikke påvist i produktion . En forskningsartikel, der evaluerede tre førende FHE-rammeværker – herunder Googles HEIR – afslørede 21 fejl på tværs af forskellige lag, herunder 16 logikfejl, der førte til tavse forkerte beregninger, og 5 nedbrud .

Globalt er der pr. midten af 2026 kun tre produktionssystemer med FHE-teknologi offentligt dokumenteret , hvilket understreger, at HEIR primært er en forsknings- og muliggørelsesplatform snarere end et modent implementeringsværktøj. På Hacker News modtog annonceringen 275 point, og kommentatorerne beskrev det generelt som reelle fremskridt, men langt fra produktionshastighed til generel AI-inferens endnu .