Google HEIR: o compilador open-source que permite que a IA rode em dados criptografados

O que o HEIR faz pela IA privada

O HEIR reduz a barreira para o uso de criptografia totalmente homomórfica (FHE, na sigla em inglês) em inferência de machine learning. Um desenvolvedor pode pegar um modelo treinado comum, submetê-lo aos passes de compilação do HEIR e obter um executável que opera sobre textos cifrados (ciphertexts). O servidor nunca vê as entradas em texto claro nem as saídas do modelo, garantindo privacidade criptograficamente segura para os dados do usuário . A arquitetura multi-camadas do HEIR lida automaticamente com tarefas como o layout dos dados cifrados ("packing"), a seleção de parâmetros e a aritmetização . O projeto visa permitir a interoperabilidade de programas FHE entre diferentes esquemas de criptografia, compiladores e aceleradores de hardware .

As quatro aplicações de demonstração

O Google disponibilizou quatro aplicações de demonstração compiladas com o HEIR para mostrar sua viabilidade prática :

• Recomendador de deep learning — recomendações personalizadas privadas sem expor o histórico do usuário (desenvolvido com Belfort Labs, LG e NYU)
• Detecção de fraudes em cartão de crédito — detecta transações fraudulentas em dados financeiros criptografados (com Niobium e hardshell.ai)
• Detector de intrusão em rede Kitsune — identifica ataques de rede sem revelar padrões de tráfego (também com Niobium)
• Detecção de palavra de ativação por voz — detecção de comandos de voz (ex.: "Hey Google") em áudio criptografado (com Belfort Labs)

Todas as quatro demonstrações rodaram em implementações de CPU single-thread . O Google ainda não publicou métricas de latência que comprovem desempenho em tempo real para a maioria das cargas de trabalho .

Parceiros e colaboradores

Parceiros de aceleração de hardware — O Google está trabalhando com fornecedores especializados de hardware para acelerar a inferência FHE:

• Belfort — Google é o primeiro cliente pagante da Belfort para hardware de computação criptografada
• Niobium — o ASIC BASALISC suporta BGV e CKKS através da API do OpenFHE
• Cornami
• Optalysys

O HEIR gera código para o FPGA da Belfort em Rust e para o TPU do Google através da biblioteca Python jaxite . O primeiro backend para FPGA do HEIR foi apresentado na conferência FHE.org em 2026, avaliando pipelines booleanos vs. aritméticos para aceleração prática de FHE, com trabalho realizado por pesquisadores da KU Leuven e do Google .

Colaboradores acadêmicos — Os co-autores do artigo do HEIR incluem pesquisadores da Intel (Alexander Viand), Moreh (Jaeho Choi), KU Leuven, UC Santa Barbara, Universidade de Michigan, Ann Arbor, e Universidade Tsinghua . A lista mais ampla de parceiros acadêmicos também inclui Georgia Tech e Carnegie Mellon .

Limitações práticas atuais

A FHE continua fundamentalmente lenta. Benchmarks independentes de meados de 2026 afirmam que a computação FHE ainda é cerca de 1.000 a 10.000 vezes mais lenta do que a computação equivalente em texto claro, dependendo do esquema e da operação . Avanços em algoritmos, otimização de compiladores, técnicas de batching e aceleração de hardware dedicada tornaram a FHE coletivamente de 1.000 a 10.000 vezes mais rápida do que implementações de cinco anos atrás, mas ainda há uma grande lacuna em relação à computação não criptografada para a maioria das cargas de trabalho .

As demonstrações do HEIR rodaram em CPU single-thread, e a empresa ainda não publicou métricas de latência que comprovem desempenho em tempo real para a maioria das cargas de trabalho . Espera-se que a aceleração de hardware de parceiros como Belfort e Niobium melhore a velocidade, mas esses benefícios ainda não foram demonstrados em produção . Um artigo de pesquisa que avaliou três frameworks FHE líderes — incluindo o HEIR do Google — descobriu 21 bugs em várias camadas, incluindo 16 erros de lógica que levam a cálculos incorretos silenciosos e 5 travamentos .

Globalmente, apenas três sistemas de produção que usam tecnologia FHE estão publicamente documentados em meados de 2026 , destacando que o HEIR é principalmente uma plataforma de pesquisa e capacitação, e não uma ferramenta de implantação madura. No Hacker News, o anúncio recebeu 275 pontos e os comentários geralmente o descrevem como um progresso real, mas ainda longe da velocidade de produção para inferência geral de IA .