HEIR Özel Yapay Zeka İçin Ne Yapıyor?

HEIR, makine öğrenimi çıkarımı için tam homomorfik şifreleme (FHE) kullanımının önündeki engelleri azaltıyor. Bir geliştirici, normal bir eğitilmiş modeli alıp HEIR'in derleme aşamalarından geçirerek şifreli metinler üzerinde çalışan bir program elde edebiliyor. Sunucu, kullanıcı verilerinin şifresiz halini veya modelin çıktılarını asla görmüyor ve bu sayede kullanıcı verileri için kriptografik olarak güvence altına alınmış bir gizlilik sağlanıyor . HEIR'in çok katmanlı IR tasarımı, şifreli metin veri düzeni ("paketleme"), parametre seçimi ve aritmetikleştirme gibi görevleri otomatik olarak hallediyor . Proje, FHE programlarının farklı şifreleme şemaları, derleyiciler ve donanım hızlandırıcılar arasında birlikte çalışabilirliğini sağlamayı hedefliyor .

Dört Demo Uygulaması

Google, pratik uygulanabilirliği göstermek için HEIR ile derlenmiş dört demo uygulaması yayınladı :

• Derin öğrenme öneri sistemi — kullanıcı geçmişini ifşa etmeden kişiselleştirilmiş öneriler sunar (Belfort Labs, LG ve NYU ile geliştirildi)
• Kredi kartı dolandırıcılık tespiti — şifrelenmiş finansal veriler üzerinde sahte işlemleri tespit eder (Niobium ve hardshell.ai ile)
• Kitsune ağ saldırı tespit sistemi — trafik modellerini açığa çıkarmadan ağ saldırılarını belirler (yine Niobium ile)
• Sesli komut algılama — şifrelenmiş ses üzerinde tetik kelime tespiti (ör. "Hey Google") yapar (Belfort Labs ile)

Dört demo da tek iş parçacıklı CPU uygulamalarında çalıştırıldı . Google, çoğu iş yükü için gerçek zamanlı performansı kanıtlayan gecikme süresi rakamlarını henüz yayınlamadı .

Ortaklar ve İşbirlikçiler

Donanım hızlandırıcı ortakları — Google, FHE çıkarımını hızlandırmak için özel donanım üreticileriyle çalışıyor:

• Belfort — Google, Belfort'un şifreli bilgi işlem donanımı için ilk ücretli müşterisi
• Niobium — BASALISC ASIC'i, OpenFHE API'si aracılığıyla BGV ve CKKS'yi destekliyor
• Cornami
• Optalysys

HEIR, Belfort'un FPGA'sı için Rust dilinde ve Google'ın TPU'su için jaxite Python kütüphanesi aracılığıyla arka uç kodu üretiyor . HEIR için ilk FPGA arka ucu, 2026'daki FHE.org konferansında sunuldu ve pratik FHE hızlandırması için Boolean ve aritmetik işlem hatlarını değerlendirdi. Bu çalışma, KU Leuven ve Google'dan araştırmacılar tarafından gerçekleştirildi .

Akademik işbirlikçiler — HEIR makalesinin ortak yazarları arasında Intel (Alexander Viand), Moreh (Jaeho Choi), KU Leuven, UC Santa Barbara, Michigan Üniversitesi, Ann Arbor ve Tsinghua Üniversitesi'nden araştırmacılar bulunuyor . Daha geniş akademik ortak listesi ayrıca Georgia Tech ve Carnegie Mellon'u da içeriyor .

Mevcut Pratik Sınırlamalar

FHE temelde yavaş kalmaya devam ediyor. 2026 ortası bağımsız karşılaştırmaları, FHE hesaplamasının, şemaya ve işleme bağlı olarak, eşdeğer şifresiz hesaplamadan yaklaşık 1.000 ila 10.000 kat daha yavaş olduğunu belirtiyor . Algoritma iyileştirmeleri, derleyici optimizasyonu, toplu işleme teknikleri ve özel donanım hızlandırması, FHE performansını beş yıl önceki uygulamalara kıyasla toplu olarak 1.000 ila 10.000 kat hızlandırdı; ancak bu, çoğu iş yükü için şifresiz hesaplamaya kıyasla hala büyük bir boşluk bırakıyor .

Google'ın HEIR demoları tek iş parçacıklı CPU'da çalıştı ve şirket, çoğu iş yükü için gerçek zamanlı performansı gösteren gecikme süresi rakamlarını henüz yayınlamadı . Belfort ve Niobium gibi ortaklardan gelen donanım hızlandırmasının hızı artırması bekleniyor, ancak bu faydalar henüz üretimde gösterilmedi . Üç önde gelen FHE çerçevesini (Google'ın HEIR'i dahil) değerlendiren bir araştırma makalesi, çeşitli katmanlarda 21 hata ortaya çıkardı; bunların 16'sı sessiz yanlış hesaplamalara yol açan mantık hataları ve 5'i çökmelerdi .

Küresel olarak, 2026 ortası itibarıyla FHE teknolojisini kullanan yalnızca üç üretim sistemi kamuya açık olarak belgelenmiş durumda . Bu durum, HEIR'in öncelikle bir araştırma ve etkinleştirme platformu olduğunu, olgun bir dağıtım aracı olmadığını gösteriyor. Hacker News'te duyuru 275 puan aldı ve yorumcular genel olarak bunu gerçek bir ilerleme olarak tanımlasa da henüz genel yapay zeka çıkarımı için üretim hızına yakın olmadığını belirttiler .

HEIR Özel Yapay Zeka İçin Ne Yapıyor?

HEIR, makine öğrenimi çıkarımı için tam homomorfik şifreleme (FHE) kullanımının önündeki engelleri azaltıyor. Bir geliştirici, normal bir eğitilmiş modeli alıp HEIR'in derleme aşamalarından geçirerek şifreli metinler üzerinde çalışan bir program elde edebiliyor. Sunucu, kullanıcı verilerinin şifresiz halini veya modelin çıktılarını asla görmüyor ve bu sayede kullanıcı verileri için kriptografik olarak güvence altına alınmış bir gizlilik sağlanıyor . HEIR'in çok katmanlı IR tasarımı, şifreli metin veri düzeni ("paketleme"), parametre seçimi ve aritmetikleştirme gibi görevleri otomatik olarak hallediyor . Proje, FHE programlarının farklı şifreleme şemaları, derleyiciler ve donanım hızlandırıcılar arasında birlikte çalışabilirliğini sağlamayı hedefliyor .

Dört Demo Uygulaması

Google, pratik uygulanabilirliği göstermek için HEIR ile derlenmiş dört demo uygulaması yayınladı :

• Derin öğrenme öneri sistemi — kullanıcı geçmişini ifşa etmeden kişiselleştirilmiş öneriler sunar (Belfort Labs, LG ve NYU ile geliştirildi)
• Kredi kartı dolandırıcılık tespiti — şifrelenmiş finansal veriler üzerinde sahte işlemleri tespit eder (Niobium ve hardshell.ai ile)
• Kitsune ağ saldırı tespit sistemi — trafik modellerini açığa çıkarmadan ağ saldırılarını belirler (yine Niobium ile)
• Sesli komut algılama — şifrelenmiş ses üzerinde tetik kelime tespiti (ör. "Hey Google") yapar (Belfort Labs ile)

Dört demo da tek iş parçacıklı CPU uygulamalarında çalıştırıldı . Google, çoğu iş yükü için gerçek zamanlı performansı kanıtlayan gecikme süresi rakamlarını henüz yayınlamadı .

Ortaklar ve İşbirlikçiler

Donanım hızlandırıcı ortakları — Google, FHE çıkarımını hızlandırmak için özel donanım üreticileriyle çalışıyor:

• Belfort — Google, Belfort'un şifreli bilgi işlem donanımı için ilk ücretli müşterisi
• Niobium — BASALISC ASIC'i, OpenFHE API'si aracılığıyla BGV ve CKKS'yi destekliyor
• Cornami
• Optalysys

HEIR, Belfort'un FPGA'sı için Rust dilinde ve Google'ın TPU'su için jaxite Python kütüphanesi aracılığıyla arka uç kodu üretiyor . HEIR için ilk FPGA arka ucu, 2026'daki FHE.org konferansında sunuldu ve pratik FHE hızlandırması için Boolean ve aritmetik işlem hatlarını değerlendirdi. Bu çalışma, KU Leuven ve Google'dan araştırmacılar tarafından gerçekleştirildi .

Akademik işbirlikçiler — HEIR makalesinin ortak yazarları arasında Intel (Alexander Viand), Moreh (Jaeho Choi), KU Leuven, UC Santa Barbara, Michigan Üniversitesi, Ann Arbor ve Tsinghua Üniversitesi'nden araştırmacılar bulunuyor . Daha geniş akademik ortak listesi ayrıca Georgia Tech ve Carnegie Mellon'u da içeriyor .

Mevcut Pratik Sınırlamalar

FHE temelde yavaş kalmaya devam ediyor. 2026 ortası bağımsız karşılaştırmaları, FHE hesaplamasının, şemaya ve işleme bağlı olarak, eşdeğer şifresiz hesaplamadan yaklaşık 1.000 ila 10.000 kat daha yavaş olduğunu belirtiyor . Algoritma iyileştirmeleri, derleyici optimizasyonu, toplu işleme teknikleri ve özel donanım hızlandırması, FHE performansını beş yıl önceki uygulamalara kıyasla toplu olarak 1.000 ila 10.000 kat hızlandırdı; ancak bu, çoğu iş yükü için şifresiz hesaplamaya kıyasla hala büyük bir boşluk bırakıyor .

Google'ın HEIR demoları tek iş parçacıklı CPU'da çalıştı ve şirket, çoğu iş yükü için gerçek zamanlı performansı gösteren gecikme süresi rakamlarını henüz yayınlamadı . Belfort ve Niobium gibi ortaklardan gelen donanım hızlandırmasının hızı artırması bekleniyor, ancak bu faydalar henüz üretimde gösterilmedi . Üç önde gelen FHE çerçevesini (Google'ın HEIR'i dahil) değerlendiren bir araştırma makalesi, çeşitli katmanlarda 21 hata ortaya çıkardı; bunların 16'sı sessiz yanlış hesaplamalara yol açan mantık hataları ve 5'i çökmelerdi .

Küresel olarak, 2026 ortası itibarıyla FHE teknolojisini kullanan yalnızca üç üretim sistemi kamuya açık olarak belgelenmiş durumda . Bu durum, HEIR'in öncelikle bir araştırma ve etkinleştirme platformu olduğunu, olgun bir dağıtım aracı olmadığını gösteriyor. Hacker News'te duyuru 275 puan aldı ve yorumcular genel olarak bunu gerçek bir ilerleme olarak tanımlasa da henüz genel yapay zeka çıkarımı için üretim hızına yakın olmadığını belirttiler .