Криптография AI: прорыв в зашифрованных вычислениях на 80x ускорении

От теории к практике: почему это важно для бизнеса

Представьте ситуацию, знакомую каждой организации, работающей с конфиденциальной информацией: вам нужны insights из данных — например, выявить мошеннические транзакции, предсказать заболевание, оптимизировать кредитный скоринг. Но отправить эти данные на обработку в облако или даже поделиться с партнёром означает рисковать утечкой.

До сегодня выбор был плохой:

• Вариант 1 — Рисковать безопасностью: загрузить данные без шифрования, обработать быстро, получить результаты за секунды.
• Вариант 2 — Терпеть медлительность: использовать полностью гомоморфное шифрование (FHE), который обрабатывает данные в зашифрованном виде, но превращает анализ в часовую операцию на килобайтах информации.

Хотя FHE существует с 2009 года (после пионерской работы того же Craig Gentry), его практическое применение было близко к нулю именно из-за вычислительного оверхеда. Вместо этого компании выбирали промежуточные решения — дифференциальную приватность, техники маскирования, доверенные исполнители — всё это было компромиссом между защитой и полезностью.

Архитектура решения: как они это сделали

Прорыв основан на оптимизации критического узкого места — зашифрованного матричного умножения. Матричное умножение — это математическое ядро всех современных AI-моделей: нейронных сетей, трансформеров, больших языковых моделей.

При использовании стандартного FHE, даже простые операции требуют сложных кодировок и повторного шифрования (bootstrapping) на каждом этапе вычисления. Команда DESILO и Cornami переосмотрела эту архитектуру:

1. Оптимизированная кодировка матриц: новый способ представления матриц в зашифрованном виде, который делает умножение менее затратным.
2. Специализированная аппаратура: Cornami создала параллельную compute-архитектуру, специально спроектированную для таких операций.
3. Сокращение операций переключения ключей: FHE обычно требует частого переключения между криптографическими ключами для сохранения безопасности. Новый метод значительно снизил эту нужду.

Результат: до 80x ускорение по сравнению с предыдущими best-in-class реализациями. Для контекста, это эквивалентно переходу от эпохи мейнфреймов к облакам — не просто улучшение, а качественный сдвиг в практичности.

Где это используется уже сейчас

Здравоохранение: DESILO работает с многоинституциональными кольборейшнами — например, комбинирование медицинских данных из разных больниц для исследований без централизации данных. Мультиомиксные исследования (анализ ДНК, белков, метаболитов) требуют обработки гигабайтов информации, которую больницы неохотно передают.

Финансы: кредитный скоринг, выявление мошенничества, совместные модели риска между банками — всё это требует анализа конфиденциальных данных без их раскрытия третьим сторонам. FHE позволяет проводить такой анализ, не нарушая банковскую тайну или регуляторные ограничения (GDPR, локализация данных).

Государственные структуры: чувствительные данные национальной безопасности, статистика, и т.д. могут анализироваться без экспорта из защищённых систем.

В сентябре 2025 года DESILO и Cornami уже развернули FHE-основанную LLM на AI Infra Summit 2025, демонстрируя, что даже сложные модели типа больших языковых моделей можно запускать на зашифрованных данных.

Конкурентный ландшафт: кто ещё работает над privacy-preserving AI

DESILO и Cornami не одиноки в этом направлении, но занимают уникальное место:

• Apple Private Cloud Compute (ноябрь 2025) — использует доверенные исполнители (Trusted Execution Environments) вместо криптографии. Быстрее FHE, но требует доверия к аппаратуре и провайдеру.
• Google Private AI Compute (ноябрь 2025) — схожий подход, использует AMD SEV-SNP и специальные TPU. Имеет собственные уязвимости (например, timing-side-channels, обнаруженные NCC Group).
• Meta Private Processing — комбинирует TEE и дифференциальную приватность.

Отличие подхода DESILO: криптография не требует доверия к провайдеру. Даже если Google, Apple или облачный провайдер захочет получить доступ к вашим данным, они физически не смогут — данные останутся зашифрованными даже при компрометации системы.

Что отслеживать в ближайшие 1-2 года

Масштабирование FHE на практике: Текущий прорыв — это чистая вычислительная оптимизация. Следующий вызов — вложить FHE не только в матричное умножение, но и в другие операции (активации, нормализация, внимание трансформеров). Каждая требует отдельной оптимизации.

Специализированная аппаратура: Cornami развивает собственные чипы. Вероятно, появятся ASIC или FPGA, которые будут ускорять FHE-вычисления встроенно. Это может дать дополнительные 10-100x улучшения.

Регуляторное давление: EU AI Act, GDPR, локальные ограничения на обработку данных — это создаёт давление на использование cryptography-based решений вместо доверенных провайдеров. Спрос вероятно вырастет.