Mitä HEIR tekee yksityiselle tekoälylle?

HEIR madaltaa kynnystä käyttää täysin homomorfista salausta (FHE) koneoppimisen päätelmissä. Kehittäjä voi ottaa tavallisen koulutetun mallin, ajaa sen HEIR:n käännösvaiheiden läpi ja tuottaa suoritettavan tiedoston, joka käsittelee salattua dataa. Palvelin ei koskaan näe selkokielisiä syötteitä tai mallin tuotoksia, mikä tarjoaa kryptografisen tietosuojan . HEIR:n monitasoinen IR-arkkitehtuuri hoitaa automaattisesti tehtäviä, kuten salatekstien asettelun ("pakkaaminen"), parametrien valinnan ja aritmetisoinnin . Hankkeen tavoitteena on mahdollistaa FHE-ohjelmien yhteentoimivuus eri salausmenetelmien, kääntäjien ja laitteistokiihdyttimien välillä .

Neljä esittelysovellusta

Google julkaisi neljä HEIR-käännettyä esittelysovellusta osoittaakseen tekniikan käytännöllisyyden :

• Syväoppiva suosittelujärjestelmä – yksityisiä henkilökohtaisia suosituksia paljastamatta käyttäjän historiaa (kehitetty yhdessä Belfort Labsin, LG:n ja NYU:n kanssa)
• Luottokorttipetosten havaitseminen – petollisten tapahtumien tunnistus salatusta talousdatasta (yhdessä Niobiumin ja hardshell.ai:n kanssa)
• Kitsune-verkkohyökkäysten tunnistus – verkkoiskujen havaitseminen paljastamatta liikennemalleja (myös Niobiumin kanssa)
• Äänikomentojen tunnistus – herätesanojen (esim. "Hei Google") tunnistus salatusta äänestä (Belfort Labsin kanssa)

Kaikki neljä esittelyä toimivat yhden ytimen suorittimella . Google ei ole vielä julkaissut vasteaikoja, jotka osoittaisivat reaaliaikaisen suorituskyvyn useimmille työkuormille .

Kumppanit ja yhteistyötahot

Laitteistokiihdytyskumppanit – Google tekee yhteistyötä erikoistuneiden laitteistovalmistajien kanssa nopeuttaakseen FHE-päätelmiä:

• Belfort – Google on Belfortin ensimmäinen maksava asiakas salatun laskennan laitteistolle
• Niobium – heidän BASALISC ASIC -piirinsä tukee BGV:tä ja CKKS:ää OpenFHE-rajapinnan kautta
• Cornami
• Optalysys

HEIR tuottaa taustakoodia Belfortin FPGA:lle Rust-ohjelmointikielellä ja Googlen TPU:lle jaxite-kirjaston kautta . Ensimmäinen FPGA-taustajärjestelmä HEIR:lle esiteltiin FHE.org-konferenssissa 2026, ja siinä arvioitiin Boolen ja aritmeettisia laskentaputkia käytännön FHE-kiihdytykseen .

Akateemiset yhteistyökumppanit – HEIR-julkaisun kirjoittajiin kuuluu tutkijoita Inteliltä (Alexander Viand), Morehista (Jaeho Choi), KU Leuvenista, UC Santa Barbarasta, Michiganin yliopistosta ja Tsinghuan yliopistosta . Muita akateemisia kumppaneita ovat Georgia Tech ja Carnegie Mellon .

Nykyiset käytännön rajoitteet

FHE on edelleen perustavanlaatuisen hidas. Riippumattomat vertailuarvot vuoden 2026 puolivälistä kertovat, että FHE-laskenta on edelleen noin 1 000–10 000 kertaa hitaampaa kuin vastaava selkokielinen laskenta . Algoritmien parannukset, kääntäjän optimoinnit, eräajo ja erikoistunut laitteistokiihdytys ovat yhdessä nopeuttaneet FHE:tä 1 000–10 000 kertaa verrattuna viiden vuoden takaisiin toteutuksiin, mutta ero salaamattomaan laskentaan on edelleen suuri useimmille työkuormille .

Googlen HEIR-esittelyt toimivat yhden ytimen suorittimella, eikä yhtiö ole julkaissut vasteaikoja, jotka osoittaisivat reaaliaikaisen suorituskyvyn . Laitteistokiihdytys kumppaneilta, kuten Belfortilta ja Niobiumilta, odotetaan parantavan nopeutta, mutta hyödyt eivät ole vielä tuotantokäytössä . Tutkimus, jossa arvioitiin kolmea johtavaa FHE-kehystä – mukaan lukien Googlen HEIR – paljasti 21 vikaa eri tasoilla, mukaan lukien 16 loogista virhettä, jotka johtivat hiljaisiin virheellisiin laskelmiin, ja 5 kaatumista .

Maailmanlaajuisesti vain kolme FHE-teknologiaa käyttävää tuotantojärjestelmää on dokumentoitu julkisesti vuoden 2026 puoliväliin mennessä , mikä korostaa, että HEIR on ensisijaisesti tutkimus- ja kehitysalusta eikä kypsä käyttöönottotyökalu. Hacker Newsissa ilmoitus sai 275 pistettä, ja kommentoijat kuvasivat sitä aidoksi edistysaskeleeksi, mutta eivät vielä tuotantonopeuksiseksi yleiseksi tekoälypäätelmäksi .

Mitä HEIR tekee yksityiselle tekoälylle?

HEIR madaltaa kynnystä käyttää täysin homomorfista salausta (FHE) koneoppimisen päätelmissä. Kehittäjä voi ottaa tavallisen koulutetun mallin, ajaa sen HEIR:n käännösvaiheiden läpi ja tuottaa suoritettavan tiedoston, joka käsittelee salattua dataa. Palvelin ei koskaan näe selkokielisiä syötteitä tai mallin tuotoksia, mikä tarjoaa kryptografisen tietosuojan . HEIR:n monitasoinen IR-arkkitehtuuri hoitaa automaattisesti tehtäviä, kuten salatekstien asettelun ("pakkaaminen"), parametrien valinnan ja aritmetisoinnin . Hankkeen tavoitteena on mahdollistaa FHE-ohjelmien yhteentoimivuus eri salausmenetelmien, kääntäjien ja laitteistokiihdyttimien välillä .

Neljä esittelysovellusta

Google julkaisi neljä HEIR-käännettyä esittelysovellusta osoittaakseen tekniikan käytännöllisyyden :

• Syväoppiva suosittelujärjestelmä – yksityisiä henkilökohtaisia suosituksia paljastamatta käyttäjän historiaa (kehitetty yhdessä Belfort Labsin, LG:n ja NYU:n kanssa)
• Luottokorttipetosten havaitseminen – petollisten tapahtumien tunnistus salatusta talousdatasta (yhdessä Niobiumin ja hardshell.ai:n kanssa)
• Kitsune-verkkohyökkäysten tunnistus – verkkoiskujen havaitseminen paljastamatta liikennemalleja (myös Niobiumin kanssa)
• Äänikomentojen tunnistus – herätesanojen (esim. "Hei Google") tunnistus salatusta äänestä (Belfort Labsin kanssa)

Kaikki neljä esittelyä toimivat yhden ytimen suorittimella . Google ei ole vielä julkaissut vasteaikoja, jotka osoittaisivat reaaliaikaisen suorituskyvyn useimmille työkuormille .

Kumppanit ja yhteistyötahot

Laitteistokiihdytyskumppanit – Google tekee yhteistyötä erikoistuneiden laitteistovalmistajien kanssa nopeuttaakseen FHE-päätelmiä:

• Belfort – Google on Belfortin ensimmäinen maksava asiakas salatun laskennan laitteistolle
• Niobium – heidän BASALISC ASIC -piirinsä tukee BGV:tä ja CKKS:ää OpenFHE-rajapinnan kautta
• Cornami
• Optalysys

HEIR tuottaa taustakoodia Belfortin FPGA:lle Rust-ohjelmointikielellä ja Googlen TPU:lle jaxite-kirjaston kautta . Ensimmäinen FPGA-taustajärjestelmä HEIR:lle esiteltiin FHE.org-konferenssissa 2026, ja siinä arvioitiin Boolen ja aritmeettisia laskentaputkia käytännön FHE-kiihdytykseen .

Akateemiset yhteistyökumppanit – HEIR-julkaisun kirjoittajiin kuuluu tutkijoita Inteliltä (Alexander Viand), Morehista (Jaeho Choi), KU Leuvenista, UC Santa Barbarasta, Michiganin yliopistosta ja Tsinghuan yliopistosta . Muita akateemisia kumppaneita ovat Georgia Tech ja Carnegie Mellon .

Nykyiset käytännön rajoitteet

FHE on edelleen perustavanlaatuisen hidas. Riippumattomat vertailuarvot vuoden 2026 puolivälistä kertovat, että FHE-laskenta on edelleen noin 1 000–10 000 kertaa hitaampaa kuin vastaava selkokielinen laskenta . Algoritmien parannukset, kääntäjän optimoinnit, eräajo ja erikoistunut laitteistokiihdytys ovat yhdessä nopeuttaneet FHE:tä 1 000–10 000 kertaa verrattuna viiden vuoden takaisiin toteutuksiin, mutta ero salaamattomaan laskentaan on edelleen suuri useimmille työkuormille .

Googlen HEIR-esittelyt toimivat yhden ytimen suorittimella, eikä yhtiö ole julkaissut vasteaikoja, jotka osoittaisivat reaaliaikaisen suorituskyvyn . Laitteistokiihdytys kumppaneilta, kuten Belfortilta ja Niobiumilta, odotetaan parantavan nopeutta, mutta hyödyt eivät ole vielä tuotantokäytössä . Tutkimus, jossa arvioitiin kolmea johtavaa FHE-kehystä – mukaan lukien Googlen HEIR – paljasti 21 vikaa eri tasoilla, mukaan lukien 16 loogista virhettä, jotka johtivat hiljaisiin virheellisiin laskelmiin, ja 5 kaatumista .

Maailmanlaajuisesti vain kolme FHE-teknologiaa käyttävää tuotantojärjestelmää on dokumentoitu julkisesti vuoden 2026 puoliväliin mennessä , mikä korostaa, että HEIR on ensisijaisesti tutkimus- ja kehitysalusta eikä kypsä käyttöönottotyökalu. Hacker Newsissa ilmoitus sai 275 pistettä, ja kommentoijat kuvasivat sitä aidoksi edistysaskeleeksi, mutta eivät vielä tuotantonopeuksiseksi yleiseksi tekoälypäätelmäksi .