Qué hace HEIR por la IA privada

HEIR reduce la barrera para usar cifrado completamente homomórfico (FHE) en inferencias de machine learning. Un desarrollador puede tomar un modelo entrenado normal, pasarlo por las fases de compilación de HEIR y obtener un ejecutable que opera sobre texto cifrado. El servidor nunca ve los datos de entrada en claro ni los resultados del modelo, lo que proporciona una privacidad criptográficamente segura para los datos del usuario . El diseño de IR multicapa de HEIR automatiza tareas como la disposición de datos cifrados ("packing"), la selección de parámetros y la aritmetización . El proyecto busca permitir la interoperabilidad de programas FHE entre diferentes esquemas de cifrado, compiladores y aceleradores de hardware .

Las cuatro aplicaciones de demostración

Google lanzó cuatro aplicaciones de demostración compiladas con HEIR para mostrar su viabilidad práctica :

• Recomendador basado en deep learning: recomendaciones personalizadas privadas sin exponer el historial del usuario (desarrollado con Belfort Labs, LG y NYU)
• Detección de fraudes con tarjetas de crédito: detecta transacciones fraudulentas sobre datos financieros cifrados (con Niobium y hardshell.ai)
• Detector de intrusiones en redes Kitsune: identifica ataques a la red sin revelar patrones de tráfico (también con Niobium)
• Detección de palabras de activación por voz: detección de comandos (ej. "Hey Google") en audio cifrado (con Belfort Labs)

Las cuatro demostraciones se ejecutaron en implementaciones con CPU de un solo núcleo . Google aún no ha publicado cifras de latencia que demuestren un rendimiento en tiempo real para la mayoría de las cargas de trabajo .

Socios y colaboradores

Socios de aceleración hardware: Google colabora con proveedores especializados de hardware para acelerar la inferencia FHE:

• Belfort: Google es el primer cliente de pago de Belfort para hardware de computación cifrada
• Niobium: su ASIC BASALISC es compatible con BGV y CKKS a través de la API de OpenFHE
• Cornami
• Optalysys

HEIR genera código backend para la FPGA de Belfort en Rust y para la TPU de Google a través de la librería Python jaxite . El primer backend FPGA para HEIR se presentó en la conferencia FHE.org en 2026, evaluando pipelines booleanos frente a aritméticos para la aceleración práctica de FHE, con trabajo realizado por investigadores de KU Leuven y Google .

Colaboradores académicos: los coautores del artículo de HEIR incluyen investigadores de Intel (Alexander Viand), Moreh (Jaeho Choi), KU Leuven, UC Santa Barbara, Universidad de Míchigan, Ann Arbor, y la Universidad de Tsinghua . La lista de socios académicos también incluye a Georgia Tech y Carnegie Mellon .

Limitaciones prácticas actuales

El FHE sigue siendo fundamentalmente lento. Puntos de referencia independientes de mediados de 2026 indican que la computación FHE sigue siendo entre 1.000 y 10.000 veces más lenta que la computación equivalente en texto claro, dependiendo del esquema y la operación . Las mejoras en algoritmos, la optimización de compiladores, las técnicas de procesamiento por lotes y la aceleración hardware dedicada han hecho que el rendimiento de FHE sea entre 1.000 y 10.000 veces más rápido que las implementaciones de hace cinco años, pero la brecha frente a la computación no cifrada sigue siendo enorme para la mayoría de las cargas de trabajo .

Las demostraciones de HEIR de Google se ejecutaron en CPU de un solo núcleo, y la compañía aún no ha publicado cifras de latencia que demuestren un rendimiento en tiempo real para la mayoría de las cargas de trabajo . Se espera que la aceleración hardware de socios como Belfort y Niobium mejore la velocidad, pero esos beneficios aún no se han demostrado en producción . Un artículo de investigación que evaluó tres plataformas FHE líderes —incluyendo HEIR de Google— descubrió 21 errores en varias capas, incluyendo 16 errores lógicos que provocaban cálculos incorrectos silenciosos y 5 fallos del sistema .

A nivel mundial, solo tres sistemas de producción que utilicen tecnología FHE están documentados públicamente a mediados de 2026 , lo que subraya que HEIR es principalmente una plataforma de investigación y habilitación, más que una herramienta de implementación madura. En Hacker News, el anuncio recibió 275 puntos y los comentarios generalmente lo describieron como un progreso real, pero aún muy lejos de la velocidad de producción para la inferencia general de IA .

Qué hace HEIR por la IA privada

HEIR reduce la barrera para usar cifrado completamente homomórfico (FHE) en inferencias de machine learning. Un desarrollador puede tomar un modelo entrenado normal, pasarlo por las fases de compilación de HEIR y obtener un ejecutable que opera sobre texto cifrado. El servidor nunca ve los datos de entrada en claro ni los resultados del modelo, lo que proporciona una privacidad criptográficamente segura para los datos del usuario . El diseño de IR multicapa de HEIR automatiza tareas como la disposición de datos cifrados ("packing"), la selección de parámetros y la aritmetización . El proyecto busca permitir la interoperabilidad de programas FHE entre diferentes esquemas de cifrado, compiladores y aceleradores de hardware .

Las cuatro aplicaciones de demostración

Google lanzó cuatro aplicaciones de demostración compiladas con HEIR para mostrar su viabilidad práctica :

• Recomendador basado en deep learning: recomendaciones personalizadas privadas sin exponer el historial del usuario (desarrollado con Belfort Labs, LG y NYU)
• Detección de fraudes con tarjetas de crédito: detecta transacciones fraudulentas sobre datos financieros cifrados (con Niobium y hardshell.ai)
• Detector de intrusiones en redes Kitsune: identifica ataques a la red sin revelar patrones de tráfico (también con Niobium)
• Detección de palabras de activación por voz: detección de comandos (ej. "Hey Google") en audio cifrado (con Belfort Labs)

Las cuatro demostraciones se ejecutaron en implementaciones con CPU de un solo núcleo . Google aún no ha publicado cifras de latencia que demuestren un rendimiento en tiempo real para la mayoría de las cargas de trabajo .

Socios y colaboradores

Socios de aceleración hardware: Google colabora con proveedores especializados de hardware para acelerar la inferencia FHE:

• Belfort: Google es el primer cliente de pago de Belfort para hardware de computación cifrada
• Niobium: su ASIC BASALISC es compatible con BGV y CKKS a través de la API de OpenFHE
• Cornami
• Optalysys

HEIR genera código backend para la FPGA de Belfort en Rust y para la TPU de Google a través de la librería Python jaxite . El primer backend FPGA para HEIR se presentó en la conferencia FHE.org en 2026, evaluando pipelines booleanos frente a aritméticos para la aceleración práctica de FHE, con trabajo realizado por investigadores de KU Leuven y Google .

Colaboradores académicos: los coautores del artículo de HEIR incluyen investigadores de Intel (Alexander Viand), Moreh (Jaeho Choi), KU Leuven, UC Santa Barbara, Universidad de Míchigan, Ann Arbor, y la Universidad de Tsinghua . La lista de socios académicos también incluye a Georgia Tech y Carnegie Mellon .

Limitaciones prácticas actuales

El FHE sigue siendo fundamentalmente lento. Puntos de referencia independientes de mediados de 2026 indican que la computación FHE sigue siendo entre 1.000 y 10.000 veces más lenta que la computación equivalente en texto claro, dependiendo del esquema y la operación . Las mejoras en algoritmos, la optimización de compiladores, las técnicas de procesamiento por lotes y la aceleración hardware dedicada han hecho que el rendimiento de FHE sea entre 1.000 y 10.000 veces más rápido que las implementaciones de hace cinco años, pero la brecha frente a la computación no cifrada sigue siendo enorme para la mayoría de las cargas de trabajo .

Las demostraciones de HEIR de Google se ejecutaron en CPU de un solo núcleo, y la compañía aún no ha publicado cifras de latencia que demuestren un rendimiento en tiempo real para la mayoría de las cargas de trabajo . Se espera que la aceleración hardware de socios como Belfort y Niobium mejore la velocidad, pero esos beneficios aún no se han demostrado en producción . Un artículo de investigación que evaluó tres plataformas FHE líderes —incluyendo HEIR de Google— descubrió 21 errores en varias capas, incluyendo 16 errores lógicos que provocaban cálculos incorrectos silenciosos y 5 fallos del sistema .

A nivel mundial, solo tres sistemas de producción que utilicen tecnología FHE están documentados públicamente a mediados de 2026 , lo que subraya que HEIR es principalmente una plataforma de investigación y habilitación, más que una herramienta de implementación madura. En Hacker News, el anuncio recibió 275 puntos y los comentarios generalmente lo describieron como un progreso real, pero aún muy lejos de la velocidad de producción para la inferencia general de IA .