Google HEIR: Bước đột phá cho AI cá nhân với mã hóa đồng cấu

HEIR làm gì cho AI cá nhân?

HEIR làm giảm rào cản sử dụng mã hóa đồng cấu hoàn toàn (FHE - Fully Homomorphic Encryption) cho việc suy luận trong học máy. Nhà phát triển chỉ cần đưa một mô hình đã được huấn luyện thông thường vào các bước biên dịch của HEIR để tạo ra một tệp thực thi có thể hoạt động trên các bản mã. Máy chủ không bao giờ thấy được dữ liệu đầu vào dạng rõ ràng hay đầu ra của mô hình, đảm bảo quyền riêng tư ở cấp độ mật mã cho dữ liệu người dùng . Thiết kế IR (Intermediate Representation) đa tầng của HEIR tự động xử lý các tác vụ như bố trí dữ liệu bản mã ("packing"), lựa chọn tham số, và số học hóa (arithmetization) . Dự án hướng tới việc cho phép các chương trình FHE tương tác với nhau thông qua các sơ đồ mã hóa, trình biên dịch và bộ tăng tốc phần cứng khác nhau .

Bốn ứng dụng trình diễn

Google đã gửi kèm bốn ứng dụng trình diễn được biên dịch với HEIR để chứng minh tính khả thi trong thực tế :

• Hệ thống gợi ý học sâu — cung cấp các gợi ý cá nhân hóa mà không tiết lộ lịch sử người dùng (hợp tác với Belfort Labs, LG và NYU)
• Phát hiện gian lận thẻ tín dụng — phát hiện các giao dịch gian lận trên dữ liệu tài chính đã được mã hóa (hợp tác với Niobium và hardshell.ai)
• Bộ phát hiện xâm nhập mạng Kitsune — xác định các cuộc tấn công mạng mà không tiết lộ mẫu lưu lượng truy cập (cũng hợp tác với Niobium)
• Phát hiện từ khóa giọng nói — phát hiện từ kích hoạt (ví dụ: "Hey Google") trên âm thanh đã mã hóa (hợp tác với Belfort Labs)

Cả bốn bản demo đều chạy trên CPU đơn luồng . Google vẫn chưa công bố số liệu về độ trễ (latency) để cho thấy hiệu suất thời gian thực cho hầu hết các khối lượng công việc .

Đối tác và cộng tác viên

Đối tác tăng tốc phần cứng — Google đang hợp tác với các nhà cung cấp phần cứng chuyên dụng để tăng tốc suy luận FHE:

• Belfort — Google là khách hàng trả phí đầu tiên của Belfort cho phần cứng tính toán mã hóa
• Niobium — ASIC BASALISC của họ hỗ trợ BGV và CKKS thông qua API OpenFHE
• Cornami
• Optalysys

HEIR tạo mã backend cho FPGA của Belfort bằng Rust và TPU của Google thông qua thư viện Python jaxite . Backend FPGA đầu tiên cho HEIR đã được trình bày tại hội nghị FHE.org năm 2026, đánh giá các pipeline Boolean và số học để tăng tốc FHE thực tế, với công trình nghiên cứu của các nhà khoa học từ KU Leuven và Google .

Cộng tác viên học thuật — Các đồng tác giả của bài báo về HEIR bao gồm các nhà nghiên cứu từ Intel (Alexander Viand), Moreh (Jaeho Choi), KU Leuven, UC Santa Barbara, Đại học Michigan, Ann Arbor và Đại học Thanh Hoa . Danh sách đối tác học thuật mở rộng cũng bao gồm Georgia Tech và Carnegie Mellon .

Những hạn chế thực tế hiện nay

FHE vẫn còn rất chậm. Các điểm chuẩn độc lập từ giữa năm 2026 cho thấy tính toán FHE vẫn chậm hơn khoảng 1.000 đến 10.000 lần so với tính toán văn bản rõ tương đương, tùy thuộc vào sơ đồ và thao tác . Các cải tiến về thuật toán, tối ưu hóa trình biên dịch, kỹ thuật xử lý theo lô và tăng tốc phần cứng chuyên dụng đã giúp hiệu suất FHE nhanh hơn 1.000 đến 10.000 lần so với các triển khai cách đây 5 năm, nhưng vẫn còn một khoảng cách lớn so với tính toán không được mã hóa đối với hầu hết các khối lượng công việc .

Các bản demo HEIR của Google chạy trên CPU đơn luồng và công ty vẫn chưa công bố số liệu độ trễ cho thấy hiệu suất thời gian thực đối với hầu hết các khối lượng công việc . Việc tăng tốc phần cứng từ các đối tác như Belfort và Niobium được kỳ vọng sẽ cải thiện tốc độ, nhưng những lợi ích đó vẫn chưa được chứng minh trong sản xuất . Một bài báo nghiên cứu đánh giá ba khung FHE hàng đầu — bao gồm HEIR của Google — đã phát hiện ra 21 lỗi trên nhiều tầng khác nhau, bao gồm 16 lỗi logic dẫn đến tính toán sai thầm lặng và 5 lỗi gây sập hệ thống .

Trên toàn cầu, chỉ có ba hệ thống sản xuất sử dụng công nghệ FHE được ghi nhận công khai tính đến giữa năm 2026 , cho thấy HEIR chủ yếu là một nền tảng nghiên cứu và cho phép, chứ chưa phải là một công cụ triển khai trưởng thành. Trên Hacker News, thông báo này đã nhận được 275 điểm và các bình luận thường mô tả đây là một bước tiến thực sự, nhưng chưa thể đạt tốc độ sản xuất cho suy luận AI tổng quát .