Apple/Google 推机密计算AI：隐私计算如何破解企业级AI数据孤岛

Apple/Google 推机密计算AI：隐私计算如何破解企业级AI数据孤岛 | 前端进阶之旅

Full translation

完整中文译文

AI 浪潮遭遇了一个巨大的瓶颈，我们都知道它是什么：隐私。

多年来企业和开发者一直犹豫是否要将高度敏感、包含专利性质的数据发送到基于云的 LLM。这是构建自主 AI Agent 和个性化 ML 排序系统的终极障碍。如果你无法保证用户数据对所有人（包括云服务商）都是安全的，你根本就没法使用它。

但在 WWDC 2026 上，Apple 和 Google Cloud 投下了一颗架构级炸弹，彻底改变了游戏规则：Private Cloud Compute（PCC），由一个全新时代的 Confidential AI 驱动。

本文将深入剖析这次合作背后的工程细节，为什么"机密计算"是 AI 拼图中缺失的那一块，以及它对我们构建大规模分布式系统意味着什么。

🔐 缺失的环节：正在使用中的数据

当我们谈论现代大数据基础设施中的数据保护时，通常会提到两种状态：

静态数据（Data at Rest）：在磁盘上加密（已是标准）。

传输中数据（Data in Transit）：通过网络传输时通过 TLS 加密（已是标准）。

但传统云计算对高度敏感的 AI 工作负载有一个致命缺陷。要真正处理数据——在 LLM 上运行推理或在 ML 排序系统中计算权重——数据必须在 CPU 或 GPU 的内存中解密。这就是"使用中数据"（Data in Use）。

在那一瞬间，数据在技术层面对主机操作系统、虚拟机监控程序或拥有极高权限的云管理员来说是以明文形式可见的。

机密计算通过在基于硬件的可信执行环境（TEE）内部处理数据来解决这个问题。可以把 TEE 想象成处理器内部一个坚不可摧的黑盒。连云服务商都无法窥探其中。

🛠️ 梦之队架构：PCC 如何工作

构建 Apple 的 Private Cloud Compute，需要 Apple、Google Cloud、Intel 和 NVIDIA 这些硬件和云架构领域最响亮的名字之间史无前例的合作。

以下是使可验证、机密 AI 推理成为可能的完整技术栈：

1. Google Titanium 与 Titan 芯片

最底层是 Google 定制的 Titanium 安全架构。硬件信任根由 Titan 芯片提供，它从服务器启动的那一刻起就验证基础设施的完整性。

2. Intel TDX（Trust Domain Extensions）

在 CPU 层，基础设施利用了 Intel TDX。它为虚拟机提供硬件级隔离。确保 AI 工作负载运行的环境与云的其他部分进行加密隔离。

3. NVIDIA Blackwell GPU

AI 推理不只是 CPU 的游戏。这次公告真正的亮点是将机密计算扩展到 GPU。通过保护整个计算路径——从 Intel CPU 到 NVIDIA GPU——数据在高性能 AI 推理过程中始终受到保护。

4. 开源透明性

最令人印象深刻的部分？Apple 和 Google 专门为 PCC 合作开发了一个开源的主机栈。隐蔽安全已死。通过开源这个栈，独立安全研究人员可以积极检查和验证系统的安全属性。

💻 如何真正验证信任？（代码示例）

如果你正在构建 AI 工具或大规模自主 Agent，你不能仅仅"信任"服务器是安全的——你必须使用 Attestation（远程证明）来进行加密证明。

当工作负载在 TEE 中启动时，硬件会生成一个加密令牌，证明正在运行的代码是什么以及环境是安全的。

以下是一个概念性视角，展示你如何使用 Node.js/TypeScript 从 Confidential Space 环境中获取远程证明 OIDC 令牌。这是你在访问敏感数据集之前证明应用身份的方式：

import fetch from 'node-fetch';

/**
 * Fetches the hardware attestation OIDC token from the 
 * Google Cloud metadata server inside a TEE.
 */
async function getAttestationToken(): Promise<string | null> {
  // The metadata server URL specifically for the TEE instance
  const metadataUrl = '[http://metadata.google.internal/computeMetadata/v1/instance/service-accounts/default/token](http://metadata.google.internal/computeMetadata/v1/instance/service-accounts/default/token)';

  try {
    const response = await fetch(metadataUrl, {
      headers: { 
        // Required header to access the metadata server
        'Metadata-Flavor': 'Google' 
      }
    });

    if (!response.ok) {
      throw new Error(`HTTP Error! Status: ${response.status}`);
    }

    const data = await response.json();
    console.log("✅ Verified TEE Token Acquired!");

    // This token can now be passed to Key Management Systems (KMS)
    // to unlock encrypted datasets for your AI models.
    return data.access_token;

  } catch (error) {
    console.error("Failed to fetch attestation token:", error);
    return null;
  }
}

通过将此硬件签名的令牌传递给密钥管理系统（KMS），系统只有在令牌证明代码在 TEE 内安全运行时才会释放解密密钥。如果环境被篡改，签名就会改变，KMS 拒绝请求，你的数据依然安全。

🌍 为什么这将彻底改变 ML 系统

对于从事机器学习排序系统和大数据基础设施的工程团队来说，这是一个范式转变。

从历史上看，构建高度个性化的 ML 系统需要将用户数据聚合到巨大的集中式数据湖中。这造成了巨大的攻击面和合规噩梦。

随着机密 AI 的普及：

真正的自主性：我们终于可以构建自主 AI Agent，在云端处理高度敏感的个人或财务数据，而不会违反用户信任。

零信任基础设施：我们不需要信任云服务商。我们只需要信任数学和硬件加密。

解锁受监管行业：医疗、金融和企业部门终于可以使用自己的私有数据来利用最先进的 LLM。

Google Cloud 和 Apple 的合作不仅仅是 iOS 用户的胜利——这是云计算未来的蓝图。通过确保栈的每一层（CPU、GPU 和开源软件）都为可验证系统做出贡献，他们为 AI 基础设施设立了新的黄金标准。

你对机密计算有什么看法？这是否最终会推动高度监管的行业全面采用云端 AI？让我们在评论区讨论！👇