Google HEIR : le compilateur open-source qui fait tourner l'IA sur des données chiffrées

Ce que HEIR apporte à l'IA privée

HEIR abaisse la barrière d'entrée pour utiliser le chiffrement totalement homomorphe (FHE) dans l'inférence de modèles de machine learning. Un développeur peut prendre un modèle entraîné classique, le passer dans les étapes de compilation de HEIR, et obtenir un exécutable qui opère sur des textes chiffrés (ciphertexts). Le serveur ne voit jamais les données en clair ni les résultats du modèle, offrant une confidentialité cryptographique pour les données des utilisateurs . La conception multi-couche de HEIR gère automatiquement des tâches comme la disposition des données chiffrées (le « packing »), la sélection des paramètres et l'arithmétisation . Le projet vise à permettre l'interopérabilité des programmes FHE entre différents schémas de chiffrement, compilateurs et accélérateurs matériels .

Les quatre applications de démonstration

Google a livré quatre applications de démonstration compilées avec HEIR pour montrer sa viabilité pratique :

• Système de recommandation par deep learning — recommandations personnalisées sans exposer l'historique de l'utilisateur (développé avec Belfort Labs, LG et NYU)
• Détection de fraude par carte bancaire — détection de transactions frauduleuses sur des données financières chiffrées (avec Niobium et hardshell.ai)
• Détecteur d'intrusion réseau Kitsune — identification d'attaques réseau sans révéler les schémas de trafic (également avec Niobium)
• Détection de mot-clé vocal — détection de mot déclencheur (ex. « Hey Google ») sur un flux audio chiffré (avec Belfort Labs)

Les quatre démos ont fonctionné sur des implémentations CPU monocœur . Google n'a pas encore publié de mesures de latence démontrant des performances en temps réel pour la plupart des charges de travail .

Partenaires et collaborateurs

Partenaires pour l'accélération matérielle — Google travaille avec des fournisseurs de matériel spécialisé pour accélérer l'inférence FHE :

• Belfort — Google est le premier client payant de Belfort pour le matériel de calcul chiffré
• Niobium — leur ASIC BASALISC prend en charge BGV et CKKS via l'API OpenFHE
• Cornami
• Optalysys

HEIR génère du code back-end pour le FPGA de Belfort en Rust, ainsi que pour le TPU de Google via la bibliothèque Python jaxite . Le premier back-end FPGA pour HEIR a été présenté à la conférence FHE.org en 2026, évaluant les pipelines booléens et arithmétiques pour une accélération pratique du FHE ; ces travaux ont été menés par des chercheurs de la KU Leuven et de Google .

Collaborateurs académiques — Les co-auteurs de l'article sur HEIR incluent des chercheurs d'Intel (Alexander Viand), de Moreh (Jaeho Choi), de la KU Leuven, de l'UC Santa Barbara, de l'Université du Michigan (Ann Arbor) et de l'Université Tsinghua . La liste plus large des partenaires académiques comprend également Georgia Tech et Carnegie Mellon .

Limitations pratiques actuelles

Le FHE reste fondamentalement lent. Des benchmarks indépendants de mi-2026 indiquent que le calcul FHE est encore environ 1 000 à 10 000 fois plus lent qu'un calcul équivalent en clair, selon le schéma et l'opération . Les améliorations algorithmiques, l'optimisation des compilateurs, les techniques de traitement par lots (batching) et l'accélération matérielle dédiée ont collectivement rendu le FHE 1 000 à 10 000 fois plus rapide qu'il y a cinq ans, mais il reste un énorme fossé par rapport au calcul non chiffré pour la plupart des charges de travail .

Les démos de HEIR de Google tournaient sur CPU monocœur, et la société n'a pas encore publié de mesures de latence prouvant des performances en temps réel pour la plupart des charges de travail . L'accélération matérielle des partenaires comme Belfort et Niobium devrait améliorer la vitesse, mais ces avantages ne sont pas encore démontrés en production . Un article de recherche évaluant trois frameworks FHE de premier plan — dont HEIR de Google — a révélé 21 bugs à différents niveaux, dont 16 erreurs logiques conduisant à des calculs incorrects silencieux et 5 plantages .

À l'échelle mondiale, seuls trois systèmes de production utilisant la technologie FHE sont documentés publiquement à la mi-2026 , soulignant que HEIR est avant tout une plateforme de recherche et de facilitation, plus qu'un outil de déploiement mature. Sur Hacker News, l'annonce a reçu 275 points et les commentaires décrivent généralement le projet comme un progrès réel, mais encore loin d'une vitesse de production pour l'inférence IA générale .