Google HEIR: Przełomowy krok w stronę prywatnej sztucznej inteligencji

14 sierpnia 2026 roku Google udostępniło HEIR (Homomorphic Encryption Intermediate Representation) – otwartoźródłowy kompilator, który przekształca wcześniej wytrenowane modele sztucznej inteligencji w taki sposób, aby mogły wykonywać wnioskowanie bezpośrednio na zaszyfrowanych danych, bez ich odszyfrowywania . Jeremy Kun, inżynier oprogramowania w Google, ogłosił to na blogu Google Security Blog, nazywając HEIR „najnowszym potężnym narzędziem w naszym zestawie narzędzi do prywatnego przetwarzania danych” . Projekt jest zbudowany na MLIR (Multi-Level Intermediate Representation) i obsługuje schematy szyfrowania homomorficznego BGV, BFV i CKKS, współpracując z backendami takimi jak OpenFHE i Lattigo . Kod źródłowy został udostępniony na licencji Apache-2.0, a dokumentację prowadzi Google .

Czym jest HEIR i co robi dla prywatnej AI?

HEIR znacznie obniża próg wejścia w wykorzystanie w pełni homomorficznego szyfrowania (Fully Homomorphic Encryption, FHE) w uczeniu maszynowym. Programista może wziąć zwykły, wytrenowany model, przepuścić go przez proces kompilacji HEIR i otrzymać program wykonywalny operujący na szyfrogramach. Serwer nigdy nie widzi oryginalnych danych ani wyników modelu, co zapewnia kryptograficznie bezpieczną prywatność . Wielowarstwowa architektura HEIR automatycznie radzi sobie z takimi zadaniami jak układ danych w szyfrogramie („pakowanie”), wybór parametrów i arytmetyzacja . Celem projektu jest umożliwienie współdziałania programów FHE między różnymi schematami szyfrowania, kompilatorami i akceleratorami sprzętowymi .

Cztery aplikacje demonstracyjne

Google zaprezentował cztery aplikacje skompilowane za pomocą HEIR, aby pokazać praktyczną użyteczność :

• Rekomendator głębokiego uczenia – prywatne spersonalizowane rekomendacje bez ujawniania historii użytkownika (opracowane z Belfort Labs, LG i NYU)
• Wykrywanie oszustw kart kredytowych – wykrywanie podejrzanych transakcji na zaszyfrowanych danych finansowych (z Niobium i hardshell.ai)
• Detektor włamań sieciowych Kitsune – identyfikacja ataków sieciowych bez ujawniania wzorców ruchu (również z Niobium)
• Rozpoznawanie komend głosowych – wykrywanie słów budzących (np. „Hey Google”) na zaszyfrowanym audio (z Belfort Labs)

Wszystkie cztery aplikacje działały na jednordzeniowych procesorach CPU . Google nie opublikował jeszcze danych opóźnień, które potwierdzałyby działanie w czasie rzeczywistym dla większości obciążeń .

Partnerzy i współpracownicy

Partnerzy sprzętowi – Google współpracuje z producentami specjalizowanego sprzętu, aby przyspieszyć wnioskowanie FHE:

• Belfort – Google jest pierwszym płatnym klientem Belforta na sprzęt do szyfrowanego przetwarzania
• Niobium – ich układ ASIC BASALISC obsługuje BGV i CKKS przez API OpenFHE
• Cornami
• Optalysys

HEIR generuje kod backendu dla FPGA Belforta w języku Rust oraz dla TPU Google'a przez bibliotekę Python jaxite . Pierwszy backend FPGA dla HEIR został zaprezentowany na konferencji FHE.org w 2026 roku, gdzie oceniano potoki boolowskie vs. arytmetyczne dla praktycznej akceleracji FHE. Prace wykonali naukowcy z KU Leuven i Google .

Partnerzy akademiccy – Współautorzy pracy o HEIR to badacze z Intela (Alexander Viand), Moreh (Jaeho Choi), KU Leuven, UC Santa Barbara, University of Michigan, Ann Arbor i Uniwersytetu Tsinghua . Lista obejmuje także Georgia Tech i Carnegie Mellon .

Obecne praktyczne ograniczenia

FHE pozostaje fundamentalnie wolne. Niezależne testy z połowy 2026 roku pokazują, że obliczenia FHE są wciąż około 1000 do 10 000 razy wolniejsze niż odpowiednie obliczenia na jawnych danych, w zależności od schematu i operacji . Ulepszenia algorytmów, optymalizacje kompilatora, techniki grupowania i dedykowana akceleracja sprzętowa sprawiły, że wydajność FHE wzrosła od 1000 do 10 000 razy w porównaniu z implementacjami sprzed pięciu lat . Jednak wciąż pozostaje duża luka w porównaniu z niezaszyfrowanym przetwarzaniem dla większości zastosowań.

Aplikacje demonstracyjne HEIR działały na jednordzeniowym CPU, a Google nie opublikował jeszcze danych opóźnień dla działania w czasie rzeczywistym . Oczekuje się, że akceleracja sprzętowa od partnerów takich jak Belfort i Niobium poprawi prędkość, ale korzyści te nie zostały jeszcze wykazane w produkcji . Badanie naukowe oceniające trzy wiodące frameworki FHE – w tym HEIR – ujawniło 21 błędów na różnych poziomach, w tym 16 błędów logicznych prowadzących do cichych nieprawidłowych obliczeń i 5 awarii .

Na świecie, według stanu na połowę 2026 roku, znane są publicznie tylko trzy systemy produkcyjne wykorzystujące technologię FHE . To podkreśla, że HEIR jest przede wszystkim platformą badawczą i ułatwiającą rozwój, a nie dojrzałym narzędziem wdrożeniowym. Na Hacker News ogłoszenie zdobyło 275 punktów, a komentatorzy określili je jako realny postęp, ale wciąż daleki od produkcyjnej prędkości dla ogólnego wnioskowania AI .