谷歌 HEIR 项目旨在让同态加密推理成为可以一键实现的功能

谷歌推出 HEIR（同态加密中间表示）。这是一个开源编译器和开发工具链，旨在简化加密计算的部署。具体而言，它能够对通常使用未加密输入构建的预训练 AI 模型进行编译，使其能够处理加密数据。

据谷歌介绍，同态加密（HE）解决了端到端加密面临的若干挑战，包括使垃圾邮件和病毒检测等服务能够对加密的用户数据进行处理，降低在用户设备上部署时泄露专有 AI 模型的风险，诸如此类。

解决这些问题的方案是同态加密——这项技术正在迅速成熟，它允许直接对加密数据进行计算，从而从根本上改变了这种权衡关系。服务器可以处理密文并返回加密结果，而无需泄露任何底层信息。

在这个背景下，HEIR 是一个面向同态加密（HE）的开源编译器工具链和开发平台，它能够将原本设计用于处理明文数据的预训练 AI 模型改造为处理加密输入。利用 HEIR ，谷歌已经实现了在不泄露用户数据的情况下提供私密内容推荐；在保护敏感财务信息的同时检测信用卡欺诈；在不向服务提供商透露数据包内容的情况下识别网络入侵；以及在不披露底层录音的情况下识别音频流中的关键词。

HEIR 采用一种中间表示作为抽象层，用于“在不同方言间表示和扩展复杂的模型”。据谷歌介绍，应用程序开发者可以使用 Python 编写程序，标注应加密的数据类型，然后使用 HEIR 将代码编译为可进行同态执行的格式。

谷歌提供了一系列演示，展示了如何将预训练的 PyTorch 模型编译为 FHE。目前，该过程尚未实现自动化，需要经过多个步骤，首先需要使用 torch_mlir 将 PyTorch 模型导出为 MLIR 格式。

Hacker News 上有多位读者表达了对性能问题的担忧。Sabretooth1405 指出：“据我了解，同态加密（HE）及其他技术在推理任务上开销极高（约 10^3），因此商业可行性不高”。dhx提供了一些具体数据，指出 64 位相等运算需要 80 毫秒，加减法需要 100 毫秒，除法甚至需要 8 秒。不过，odo1242 指出，大语言模型（LLM）的前景可能更为乐观，因为其计算主要依赖加法和乘法，而分支操作——这是 FHE 处理效果最差的操作之一——在大语言模型的计算流程中几乎不涉及。

用户 patters 从另一个角度探讨了性能问题，他指出：“1000 倍的开销会让某些图像分类任务的处理时间从 1 毫秒延长到 1 秒。对于某些应用来说，这是可行的。” meindnoch 将讨论重新引向了更广泛的隐私权衡问题，他认为：“最注重隐私的 AI 是运行在我自己的硬件上，而不是在某个巨型数据中心里”，而 Chris2048 也同样指出：“当你希望保持查询或数据的私密性时，本地部署所需的额外 $ KW 成本（加权平均资本成本）或许就是值得的”。

尽管谷歌在 HEIR 的代码库中包含了基准测试代码，但尚未提供数据说明其在大语言模型（LLM）场景下运行时的相对速度。

原文链接：https://www.infoq.com/news/2026/08/google-heir-homomorphic-llm/