生成式人工智能具有改变一切的潜力，可催生新产品、新公司乃至新经济。但其区别于传统AI的创造能力也带来了全新的安全与隐私风险。
企业面临诸多新问题：是否拥有训练数据、模型及输出结果的权利？如何治理数据隐私？尽管存在明显漏洞且现有解决方案尚不完善，导致部分企业完全禁用相关工具，但希望尚存。
机密计算作为一种在数据使用时保护数据并确保代码完整性的新型安全方法，是解决大型语言模型（LLM）复杂安全问题的关键。它有望帮助企业在不牺牲安全性的前提下充分发挥生成式AI潜力。以下将解析生成式AI的独特脆弱性及机密计算的应对之道。
生成式AI的独特脆弱性
生成式AI能吸收企业数据转化为智能模型，提供全新创意，但也使企业难以控制专有数据并满足监管要求。若缺乏充分的安全信任控制，知识集中化可能导致AI被武器化用于滥用或盗窃。
员工常将机密文件、客户数据等输入LLM，而模型基于新输入训练，一旦泄露可能导致重大知识产权损失。若模型遭破坏，受保护内容亦可能外泄；极端情况下，竞争对手或国家行为体窃取模型后可复制所有数据。
Gartner数据显示，41%的组织曾经历AI隐私泄露或安全事件，超半数由内部人员造成。随着生成式AI普及，该数字恐将进一步增长。
此外，企业还需应对不断演变的隐私法规。以医疗行业为例，AI个性化医学潜力巨大，但处理敏感患者数据带来合规难题。因此，保护训练数据和模型必须成为首要任务，仅加密数据库字段已不足够。
在AI结果用于重要决策时，代码和数据完整性的证据对合规及法律责任管理至关重要。必须为整个计算过程提供无懈可击的保护。
“机密”生成式AI的兴起
机密计算通过将数据和知识产权与基础设施所有者隔离，仅对可信CPU上的应用开放，并在执行中加密保障隐私，提供了强力解决方案。即使攻击者突破基础设施，IP和代码对其仍不可见，有效缓解安全风险。
作为改变游戏规则的技术，机密计算正获Azure、AWS、GCP等主流云厂商及芯片制造商重视。它能说服保守派，是助生成式AI安全起飞的关键。
借助机密计算，企业可确信模型仅在授权数据上学习。通过在跨云可信网络中使用私有数据集训练，信息始终保留在企业“四墙”之内，获得完全控制权。
此外，机密计算提供处理证明，为模型真实性与完整性提供确凿证据。这种关于数据处理时间地点的不可篡改证据，是证明数据生成情况的关键需求。
这对GDPR、CPRA等隐私法规尤为重要。机密计算默认确保代码和处理过程中的隐私，实现运行中代码与数据的隔离，使内部人员、IT部门及云服务商均无法访问。
该能力特别适合医疗、金融等高敏感行业。通过硬件控制保护和隔离，处理过程在处理器内私密进行，杜绝泄露风险。授权用户虽可见结果，但与底层数据及处理过程隔离。
关键在于，机密计算能预先最小化新兴风险。例如针对查询接口漏洞，它可提供基于硬件的保证，确保仅受信任应用才能连接交互，限制恶意程序运行并将输出锁定在安全范围内。
随着企业扩展AI用例转向GPU网格服务，机密计算的“突发”超级计算方案可在任何时空确保模型和数据隐私。新兴机密GPU将实现按需提供的机密超级计算能力。
最后，机密计算通过限制数据流向安全区域，实现安全的衍生产品权利管理。硬件可证明AI和训练代码在可信CPU上运行且未被更改。这种可验证的身份机制解决了工作负载信任问题，实质上是对代码和数据实施的零信任机制。
保障生成式AI安全需涵盖：
- 信任基础设施：确保供应链从构建到运行的机密性与完整性。
- 控制训练数据：保证共享或获取的数据值得信赖，避免合规风险。
- 执行过程隐私保护：通过硬件隔离限制攻击与内部威胁。
- 计算查询隐私保护：应对新型威胁并满足先进合规要求。
机密计算已准备好应对这些挑战，为信任和私有生成式AI处理建立新基础。
扭转生成式AI成本效益分析的天平
生成式AI带来前所未有的风险，但规避风险不等于放弃技术。机密计算解决了成本效益难题，确保企业在使用LLM时不牺牲安全、隐私、控制和合规。
展望未来，扩展LLM将与机密计算相辅相成。当海量模型和数据成为常态，机密计算将成为企业安全踏上AI之旅、拥抱私有超级计算力量的唯一可行路径。
随着持续投资延续，更多企业将能毫无顾虑地采用该技术，在无边界环境中创新。