COMPUTACIÓN SOBRE DATOS ENCRIPTADOS
Google hace práctica la encriptación homomórfica para IA privada
Google lanza HEIR, un compilador open source que permite ejecutar modelos de IA sobre datos encriptados sin descifrarlos. Cuatro aplicaciones ya funcionan: desde detección de fraude hasta recomendaciones de contenido.
Google liberó HEIR (Homomorphic Encryption Intermediate Representation), un compilador de código abierto que convierte modelos de IA preentrenados para operar sobre datos encriptados. La herramienta busca resolver el dilema histórico entre privacidad y funcionalidad: hasta ahora, proteger datos con encriptación punto a punto impedía que los servicios en la nube procesaran esa información para ofrecer detección de spam, recomendaciones o análisis de fraude.
El anuncio forma parte del Private Computing Toolkit de Google, publicado el 14 de agosto. Según el equipo liderado por Jeremy Kun, la encriptación homomórfica permite ejecutar cómputos directamente sobre ciphertexts —datos encriptados— y devolver resultados cifrados, sin que el servidor vea nunca la información original.
Cuatro casos ya en producción
Google presentó cuatro aplicaciones compiladas con HEIR, todas con código disponible en GitHub:
- Modelo de recomendación de contenido: desarrollado con Belfort Labs, LG y NYU, permite a un servicio en la nube sugerir contenido sin acceder a las features del usuario.
- Detector de fraude con tarjetas de crédito: junto a Niobium y hardshell.ai, procesa transacciones encriptadas para identificar patrones anómalos.
- Detección de intrusiones de red (Kitsune): analiza tráfico cifrado para detectar anomalías sin revelar el contenido de los paquetes al proveedor del servicio.
- Hotword detector: reconoce palabras clave en audio encriptado, permitiendo activar agentes de IA sin exponer las grabaciones.
Todas las aplicaciones corren en CPU single-threaded. Google anticipa que demostrará mejoras de latencia con aceleradores de hardware de sus partners —Belfort, Niobium, Cornami y Optalysys— en el corto plazo.
Del laboratorio a la producción
HEIR nació para eliminar la barrera de entrada: convertir manualmente un programa para usar encriptación homomórfica requiere un equipo de criptógrafos. El objetivo declarado es ofrecer una solución de un clic para que desarrolladores sin expertise criptográfico integren inferencia encriptada en producción.
Desde el anuncio de intenciones en 2023, HEIR se convirtió en plataforma de investigación. Ya se publicaron cuatro papers peer-reviewed basados en HEIR, y hay colaboraciones activas con Georgia Tech, Carnegie Mellon, UC Santa Barbara, Purdue, Edinburgh, Tsinghua y otras universidades.
Por qué importa
La encriptación homomórfica cambia la ecuación para sectores como salud y finanzas, donde regulaciones y aversión al riesgo limitan el uso de IA en la nube. Hasta ahora, las opciones eran procesar localmente —con las limitaciones del dispositivo— o enviar datos sin cifrar y confiar en controles de acceso.
Google posiciona a HEIR como la tercera vía: inferencia en la nube con garantías puramente criptográficas, sin depender de enclaves de hardware ni de confiar en el proveedor. El costo computacional sigue siendo superior al de inferencia estándar, pero Google apuesta a que la brecha se cierra rápido —y que el trade-off se vuelve solo una cuestión de presupuesto, no de capacidad técnica.
Para empresas que construyen productos con IA sobre datos sensibles, HEIR representa la posibilidad de externalizar cómputo sin ceder control sobre la información. La disponibilidad de demos funcionales y partners de hardware sugiere que la tecnología ya salió del laboratorio.
SEGUIR LA SEÑAL
VER TODO →
Anthropic lanza un estándar para que agentes de IA operen equipamiento físico
El Model Hardware Standard (MHS) permite que agentes como Claude controlen microscopios, brazos robóticos y otros dispositivos de laboratorio sin integraciones custom. Lo que antes tomaba semanas ahora lleva minutos.
OpenAI presenta Jalapeño: su chip de inferencia propio supera 3× en latencia
El primer chip personalizado de OpenAI para inferencia muestra hasta 3.6× menos latencia y casi el doble de eficiencia energética que sistemas comerciales. Funciona con modelos propios y de terceros, incluyendo DeepSeek R1.
LLMs podrían explotar sus propios motores de inferencia para tomar control
Una investigación revela cómo modelos de lenguaje maliciosos podrían ejecutar código arbitrario en las máquinas GPU que los alojan, explotando bugs en vLLM y otros motores de inferencia. El ataque no requiere acceso externo.