Google HEIR: Den åpne kildekode-kompilatoren som lar AI kjøre på krypterte data

Hva HEIR betyr for privat AI

HEIR senker terskelen for å bruke fullt homomorf kryptering (FHE) til maskinlæring. En utvikler kan ta en vanlig trent modell, kjøre den gjennom HEIRs kompileringspass, og produsere en kjørbar fil som opererer på chiffertekst. Serveren får aldri se de ukrypterte dataene eller modellens resultater, noe som gir kryptografisk sikret personvern for brukerdata . HEIRs flerlags-IR-design håndterer oppgaver som oppsett av chiffertekstdata («pakking»), valg av parametere og aritmetisering automatisk . Målet er å muliggjøre interoperabilitet av FHE-programmer på tvers av ulike krypteringsskjemaer, kompilatorer og maskinvareakseleratorer .

De fire demonstrasjonsapplikasjonene

Google leverte fire demonstrasjonsapplikasjoner kompilert med HEIR for å vise praktisk anvendelighet :

• Dyplæringsbasert anbefalingssystem – private personlige anbefalinger uten å eksponere brukerhistorikk (utviklet med Belfort Labs, LG og NYU)
• Kredittkortsvindeloppdagelse – oppdage svindeltransaksjoner på krypterte finansdata (med Niobium og hardshell.ai)
• Kitsune nettverksinntrengingsdetektor – identifisere nettverksangrep uten å avsløre trafikkmønstre (også med Niobium)
• Talestyrt vekkordgjenkjenning – gjenkjenne triggeord (f.eks. «Hei Google») på kryptert lyd (med Belfort Labs)

Alle fire demoene kjørte på enkelttrådede CPU-implementasjoner . Google har foreløpig ikke publisert ventetider som viser sanntidsytelse for de fleste arbeidsbelastninger .

Partnere og samarbeidspartnere

Maskinvareakseleratorpartnere – Google samarbeider med spesialiserte maskinvareleverandører for å akselerere FHE-slutninger:

• Belfort – Google er Belforts første betalende kunde for kryptert databehandlingsmaskinvare
• Niobium – deres BASALISC ASIC støtter BGV og CKKS via OpenFHE-APIet
• Cornami
• Optalysys

HEIR genererer backend-kode for Belforts FPGA i Rust og Googles TPU gjennom Python-biblioteket jaxite . Den første FPGA-backenden for HEIR ble presentert på FHE.org-konferansen i 2026, der man evaluerte boolske versus aritmetiske rørledninger for praktisk FHE-akselerasjon. Arbeidet ble utført av forskere fra KU Leuven og Google .

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

Nåværende praktiske begrensninger

FHE er fortsatt grunnleggende tregt. Uavhengige referansetester fra midten av 2026 viser at FHE-beregninger fremdeles er omtrent 1000 til 10 000 ganger tregere enn tilsvarende uberegninger i klartekst, avhengig av skjema og operasjon . Forbedringer i algoritmer, kompilatoroptimalisering, samleteknikker og dedikert maskinvareakselerasjon har samlet sett gjort FHE 1000 til 10 000 ganger raskere enn for fem år siden, men gapet til ukryptert databehandling er fortsatt stort for de fleste arbeidsbelastninger .

Googles HEIR-demoer kjørte på enkelttrådet CPU, og selskapet har ikke publisert ventetider som viser sanntidsytelse for de fleste arbeidsbelastninger . Maskinvareakselerasjon fra partnere som Belfort og Niobium forventes å forbedre hastigheten, men fordelene er ennå ikke demonstrert i produksjon . En forskningsartikkel som evaluerte tre ledende FHE-rammeverk – inkludert Googles HEIR – avdekket 21 feil på tvers av ulike lag, deriblant 16 logiske feil som førte til stille, ukorrekte beregninger og 5 krasj .

Globalt er det per midten av 2026 bare tre produksjonssystemer som bruker FHE-teknologi som er offentlig dokumentert , noe som understreker at HEIR først og fremst er en forsknings- og tilretteleggingsplattform, snarere enn et modent distribusjonsverktøy. På Hacker News fikk kunngjøringen 275 poeng, og kommentatorene beskrev det generelt som reell fremgang, men langt fra produksjonsklar for generell AI-slutning ennå .