Apa Yang HEIR Lakukan untuk AI Peribadi

HEIR memudahkan penggunaan penyulitan homomorfik penuh (FHE) untuk inferens pembelajaran mesin. Pembangun boleh mengambil model terlatih biasa, memprosesnya melalui laluan kompilasi HEIR, dan menghasilkan atur cara yang boleh beroperasi pada teks sifer (ciphertext). Pelayan tidak akan pernah melihat input asal (plaintext) atau output model; ini memberikan jaminan privasi secara kriptografi untuk data pengguna . Reka bentuk pelbagai lapisan HEIR mengendalikan tugas seperti susun atur data teks sifer ("pembungkusan"), pemilihan parameter, dan proses aritmetik secara automatik . Projek ini bertujuan untuk membolehkan program FHE berfungsi merentas pelbagai skim, pemampil, dan pemecut perkakasan yang berbeza .

Empat Aplikasi Demo

Google menyertakan empat aplikasi demo yang telah dikompil dengan HEIR untuk menunjukkan kebolehlaksanaan praktikalnya :

• Sistem cadangan pembelajaran mendalam — cadangan peribadi tanpa mendedahkan sejarah pengguna (dibangunkan bersama Belfort Labs, LG, dan NYU)
• Pengesanan penipuan kad kredit — mengesan transaksi penipuan pada data kewangan yang disulitkan (bersama Niobium dan hardshell.ai)
• Pengesan pencerobohan rangkaian Kitsune — mengenal pasti serangan rangkaian tanpa mendedahkan corak trafik (juga bersama Niobium)
• Pengesanan kata laluan suara (hotword) — pengesanan perkataan pencetus (contoh: "Hey Google") pada audio yang disulitkan (bersama Belfort Labs)

Keempat-empat demo dijalankan pada CPU satu teras (single-threaded CPU) . Google masih belum mengeluarkan angka kependaman yang menunjukkan prestasi masa nyata untuk kebanyakan beban kerja .

Rakan Kongsi dan Kolaborator

Rakan kongsi pemecut perkakasan — Google bekerjasama dengan vendor perkakasan khusus untuk mempercepatkan inferens FHE:

• Belfort — Google merupakan pelanggan berbayar pertama Belfort untuk perkakasan pengkomputeran tersulit
• Niobium — cip ASIC mereka, BASALISC, menyokong BGV dan CKKS melalui API OpenFHE
• Cornami
• Optalysys

HEIR menjana kod untuk FPGA Belfort dalam bahasa Rust dan TPU Google melalui pepustakaan Python jaxite . Backend FPGA pertama untuk HEIR telah dibentangkan di persidangan FHE.org pada 2026, menilai saluran paip Boolean berbanding aritmetik untuk pecutan FHE praktikal, hasil kerja penyelidik dari KU Leuven dan Google .

Kolaborator akademik — Penulis bersama kertas kerja HEIR termasuk penyelidik dari Intel (Alexander Viand), Moreh (Jaeho Choi), KU Leuven, UC Santa Barbara, University of Michigan, Ann Arbor, dan Universiti Tsinghua . Senarai rakan akademik yang lebih luas juga merangkumi Georgia Tech dan Carnegie Mellon .

Had Praktikal Semasa

FHE masih lagi perlahan secara asasnya. Penanda aras bebas dari pertengahan 2026 menyatakan bahawa pengiraan FHE masih kira-kira 1,000 hingga 10,000 kali lebih perlahan berbanding pengiraan teks biasa yang setara, bergantung pada skim dan operasi . Penambahbaikan algoritma, pengoptimuman pemampil, teknik pengelompokan (batching), dan pecutan perkakasan khusus secara kolektif telah menjadikan prestasi FHE 1,000 hingga 10,000 kali lebih pantas berbanding pelaksanaan lima tahun lalu, tetapi ia masih jauh ketinggalan berbanding pengiraan tidak disulitkan untuk kebanyakan beban kerja .

Demo HEIR Google dijalankan pada CPU satu teras, dan syarikat itu belum lagi menerbitkan angka kependaman yang menunjukkan prestasi masa nyata untuk kebanyakan beban kerja . Pecutan perkakasan daripada rakan kongsi seperti Belfort dan Niobium dijangka dapat meningkatkan kelajuan, tetapi faedah tersebut masih belum ditunjukkan dalam pengeluaran . Satu kertas penyelidikan yang menilai tiga rangka kerja FHE terkemuka—termasuk HEIR Google—telah menemui 21 pepijat di pelbagai lapisan, termasuk 16 ralat logik yang membawa kepada pengiraan salah secara senyap dan 5 ranap sistem .

Di peringkat global, hanya tiga sistem pengeluaran yang menggunakan teknologi FHE didokumentasikan secara terbuka setakat pertengahan 2026 , menekankan bahawa HEIR adalah terutamanya platform penyelidikan dan pemudah cara, bukan alat penggunaan yang matang. Di Hacker News, pengumuman ini menerima 275 undian dan pengulas secara umum menggambarkannya sebagai kemajuan sebenar tetapi masih jauh daripada kelajuan pengeluaran untuk inferens AI umum .

Apa Yang HEIR Lakukan untuk AI Peribadi

HEIR memudahkan penggunaan penyulitan homomorfik penuh (FHE) untuk inferens pembelajaran mesin. Pembangun boleh mengambil model terlatih biasa, memprosesnya melalui laluan kompilasi HEIR, dan menghasilkan atur cara yang boleh beroperasi pada teks sifer (ciphertext). Pelayan tidak akan pernah melihat input asal (plaintext) atau output model; ini memberikan jaminan privasi secara kriptografi untuk data pengguna . Reka bentuk pelbagai lapisan HEIR mengendalikan tugas seperti susun atur data teks sifer ("pembungkusan"), pemilihan parameter, dan proses aritmetik secara automatik . Projek ini bertujuan untuk membolehkan program FHE berfungsi merentas pelbagai skim, pemampil, dan pemecut perkakasan yang berbeza .

Empat Aplikasi Demo

Google menyertakan empat aplikasi demo yang telah dikompil dengan HEIR untuk menunjukkan kebolehlaksanaan praktikalnya :

• Sistem cadangan pembelajaran mendalam — cadangan peribadi tanpa mendedahkan sejarah pengguna (dibangunkan bersama Belfort Labs, LG, dan NYU)
• Pengesanan penipuan kad kredit — mengesan transaksi penipuan pada data kewangan yang disulitkan (bersama Niobium dan hardshell.ai)
• Pengesan pencerobohan rangkaian Kitsune — mengenal pasti serangan rangkaian tanpa mendedahkan corak trafik (juga bersama Niobium)
• Pengesanan kata laluan suara (hotword) — pengesanan perkataan pencetus (contoh: "Hey Google") pada audio yang disulitkan (bersama Belfort Labs)

Keempat-empat demo dijalankan pada CPU satu teras (single-threaded CPU) . Google masih belum mengeluarkan angka kependaman yang menunjukkan prestasi masa nyata untuk kebanyakan beban kerja .

Rakan Kongsi dan Kolaborator

Rakan kongsi pemecut perkakasan — Google bekerjasama dengan vendor perkakasan khusus untuk mempercepatkan inferens FHE:

• Belfort — Google merupakan pelanggan berbayar pertama Belfort untuk perkakasan pengkomputeran tersulit
• Niobium — cip ASIC mereka, BASALISC, menyokong BGV dan CKKS melalui API OpenFHE
• Cornami
• Optalysys

HEIR menjana kod untuk FPGA Belfort dalam bahasa Rust dan TPU Google melalui pepustakaan Python jaxite . Backend FPGA pertama untuk HEIR telah dibentangkan di persidangan FHE.org pada 2026, menilai saluran paip Boolean berbanding aritmetik untuk pecutan FHE praktikal, hasil kerja penyelidik dari KU Leuven dan Google .

Kolaborator akademik — Penulis bersama kertas kerja HEIR termasuk penyelidik dari Intel (Alexander Viand), Moreh (Jaeho Choi), KU Leuven, UC Santa Barbara, University of Michigan, Ann Arbor, dan Universiti Tsinghua . Senarai rakan akademik yang lebih luas juga merangkumi Georgia Tech dan Carnegie Mellon .

Had Praktikal Semasa

FHE masih lagi perlahan secara asasnya. Penanda aras bebas dari pertengahan 2026 menyatakan bahawa pengiraan FHE masih kira-kira 1,000 hingga 10,000 kali lebih perlahan berbanding pengiraan teks biasa yang setara, bergantung pada skim dan operasi . Penambahbaikan algoritma, pengoptimuman pemampil, teknik pengelompokan (batching), dan pecutan perkakasan khusus secara kolektif telah menjadikan prestasi FHE 1,000 hingga 10,000 kali lebih pantas berbanding pelaksanaan lima tahun lalu, tetapi ia masih jauh ketinggalan berbanding pengiraan tidak disulitkan untuk kebanyakan beban kerja .

Demo HEIR Google dijalankan pada CPU satu teras, dan syarikat itu belum lagi menerbitkan angka kependaman yang menunjukkan prestasi masa nyata untuk kebanyakan beban kerja . Pecutan perkakasan daripada rakan kongsi seperti Belfort dan Niobium dijangka dapat meningkatkan kelajuan, tetapi faedah tersebut masih belum ditunjukkan dalam pengeluaran . Satu kertas penyelidikan yang menilai tiga rangka kerja FHE terkemuka—termasuk HEIR Google—telah menemui 21 pepijat di pelbagai lapisan, termasuk 16 ralat logik yang membawa kepada pengiraan salah secara senyap dan 5 ranap sistem .

Di peringkat global, hanya tiga sistem pengeluaran yang menggunakan teknologi FHE didokumentasikan secara terbuka setakat pertengahan 2026 , menekankan bahawa HEIR adalah terutamanya platform penyelidikan dan pemudah cara, bukan alat penggunaan yang matang. Di Hacker News, pengumuman ini menerima 275 undian dan pengulas secara umum menggambarkannya sebagai kemajuan sebenar tetapi masih jauh daripada kelajuan pengeluaran untuk inferens AI umum .