محاسبات محرمانه به روش پیش‌فرض برای اجرای استنتاج هوش مصنوعی خارج از کنترل شما تبدیل می‌شود
هر شرکتی که داده‌های اختصاصی را به یک مدل هوش مصنوعی شخص ثالث می‌فرستد — بیمارستانی که پرونده‌های بیماران را از طریق یک API خلاصه‌سازی بالینی پردازش می‌کند، شرکت حقوقی‌ای که قراردادها را به یک مدل بازبینی اسناد می‌دهد، بانکی که تراکنش‌ها را از طریق یک نقطه‌ی پایانی تشخیص تقلب امتیازدهی می‌کند — همگی یک فرض اعتماد مشترک دارند: اینکه ارائه‌دهنده‌ی ابر و فروشنده‌ی مدل داده‌ها را در حین انتقال نمی‌خوانند. محاسبات محرمانه پاسخ فنی‌ای است که اعتماد را با اثبات جایگزین می‌کند و در سال ۲۰۲۶ از یک گزینه‌ی سازگاری حاشیه‌ای به یک انتظار پیش‌فرض برای بارهای کاری حساس هوش مصنوعی تبدیل می‌شود.
محاسبات محرمانه واقعاً چه کاری انجام می‌دهد
ایده‌ی اصلی یک محیط اجرای مطمئن (TEE) است: منطقه‌ای از تراشه که از نظر سخت‌افزاری جداسازی شده، جایی که داده‌ها رمزگشایی و پردازش می‌شوند، اما حتی برای سیستم‌عامل یا یک مدیر ابر با دسترسی ریشه نیز غیرقابل‌دسترسی است. سال‌ها این عمدتاً در سطح CPU وجود داشت — Intel TDX و AMD SEV-SNP هر دو ماشین‌های مجازی رمزگذاری‌شده‌ای می‌سازند که اپراتورهای ابر نمی‌توانند بازرسی کنند. اما این هیچ کاری برای GPU، جایی که محاسبات واقعی استنتاج هوش مصنوعی رخ می‌دهد، انجام نمی‌دهد.
قطعه‌ی گم‌شده محرمانگی در سطح GPU بوده است. حالت محاسبات محرمانه‌ی نویدیا، همراه با ماشین‌های مجازی محرمانه‌ی Azure که AMD SEV-SNP را در کنار GPUهای H100 اجرا می‌کنند، مرز رمزگذاری‌شده را در سراسر گذرگاه PCIe که CPU و GPU را به هم متصل می‌کند گسترش می‌دهد. مشتری می‌تواند از طریق تأیید از راه دور به‌صورت رمزنگارانه تأیید کند که بار کاری او واقعاً در آن محیط محافظت‌شده اجرا می‌شود.
چرا این موضوع اکنون بیشتر از دو سال پیش اهمیت دارد
محاسبات محرمانه سال‌ها به‌عنوان یک مفهوم بدون فشار زیاد برای پذیرش وجود داشته، چون بیشتر بارهای کاری هوش مصنوعی شامل ارسال داده‌های تحت نظارت به زیرساختی که مشتری کنترل نمی‌کند نبودند. این موضوع تغییر کرده است چون بخش‌های بهداشت، خدمات مالی و حقوقی از آزمایش هوش مصنوعی به اجرای بارهای کاری تولیدی علیه پرونده‌های بیماران، تراکنش‌های مالی و اسناد حقوقی محرمانه از طریق APIهای مدل شخص ثالث حرکت کرده‌اند.
شکاف میان ارائه‌دهندگان ابر
همه‌ی ابرها سطح یکسانی از محافظت را ارائه نمی‌دهند. رویکرد Azure ماشین‌های مجازی محرمانه در سطح CPU را با محیط‌های محافظت‌شده در سطح GPU جفت می‌کند. Nitro Enclaves آمازون، در مقابل، به‌طور ذاتی فقط CPU است — آن‌ها لایه‌ی کنترل و محاسبات عمومی را جداسازی می‌کنند، اما استنتاج مبتنی بر GPU که در کنار یک Nitro Enclave اجرا می‌شود نیاز به کار معماری دستی اضافی دارد.
قبل از پذیرش آن چه چیزی را باید بررسی کنید
اگر سازمان شما داده‌های تحت نظارت را به یک API هوش مصنوعی شخص ثالث می‌فرستد، سه سؤال تعیین می‌کند که آیا محاسبات محرمانه اکنون برای شما مرتبط است: آیا بار کاری GPU را لمس می‌کند؛ آیا ارائه‌ی محرمانه‌ی ارائه‌دهنده‌ی ابر شما واقعاً به GPU گسترش می‌یابد؛ و آیا می‌توانید شواهد تأیید از راه دور دریافت کنید که بتوانید به یک حسابرس نشان دهید.