هوش مصنوعی محرمانه و شتاب‌دهنده‌های FHE

مقدمه و بررسی اولیه

پارادوکس حریم خصوصی و پردازش ابری در عصر مدل‌های زبانی بزرگ

در طول سال‌های اخیر، مانع اصلی سازمان‌های دولتی، بیمارستان‌ها، بانک‌های بین‌المللی و مراکز حقوقی در بهره‌گیری از توان بی‌پایان هوش مصنوعی ابری، ریسک غیرقابل جبران افشای اطلاعات محرمانه بوده است. برای ارسال یک پرامپت یا سند مالی به یک مدل مستقر در کلاد، داده‌ها باید در لحظه پردازش درون رم سرور میزبان رمزگشایی (Decrypt) می‌شدند؛ لحظه‌ای که به عنوان «آسیب‌پذیری داده در حال استفاده» (Data-in-Use Vulnerability) شناخته می‌شود و در صورت دسترسی غیرمجاز هکرها، مدیران زیرساخت ابری یا بدافزارهای سطح کرنل، فاجعه امنیتی به بار می‌آورد.

اگرچه همگرایی ماشین‌های میکرو-VM و وب‌اسمبلی در رایانش لبه ایزولاسیون پردازشی فوق‌العاده‌ای ایجاد کرد و استقرار رمزنگاری پسا-کوانتومی (PQC) و استانداردهای FIPS 203/204 امنیت کانال‌های انتقال را تضمین نمود، اما پردازش مستقیم روی داده‌های رمزشده همواره به عنوان جام مقدس تئوری رمزنگاری دست‌نیافتنی تلقی می‌شد.

امروزه رویای «رمزنگاری کاملاً همومورفیک» (Fully Homomorphic Encryption - FHE) به مدد توسعه تراشه‌های شتاب‌دهنده سخت‌افزاری اختصاصی (ASIC) از نظریه‌های ریاضی محض به یک استاندارد صنعتی و عملیاتی بدل شده است.

معماری ریاضی FHE؛ ضرب و جمع جبری در فضای رمزشده چگال

رمزنگاری همومورفیک بر پایه ساختارهای سخت هندسی در شبکه‌های ابعاد بالا (Lattice Cryptography) نظیر مسائل Ring-LWE طراحی شده است. ویژگی جادویی این الگوریتم‌ها این است که اگر داده خام m1 به متن رمزشده c1 و داده m2 به c2 تبدیل شود، اعمال یک سری عملیات جبری مشخص روی c1 و c2 به متنی رمزشده c3 منجر می‌شود که رمزگشایی آن دقیقاً برابر با حاصل جمع یا ضرب m1 و m2 در دنیای واقعی است.

این یعنی سرور ابری می‌تواند ماتریس‌های توجه (Attention Heads)، وزن‌های لایه‌های ترنسفورمر و فعال‌سازهای شبکه عصبی را مستقیماً روی متن‌های رمزشده اجرا کند، بدون آنکه در هیچ مرحله‌ای بفهمد محتوای کلمات، تصاویر یا داده‌های پزشکی چیست. خروجی نهایی تولیدشده نیز کاملاً رمزشده به کاربر بازگردانده می‌شود و تنها کاربر با کلید اختصاصی خود در محیط محلی قادر به گشودن پاسخ خواهد بود.

غلبه بر کابوس سربار پردازشی با سیلیکون‌های اختصاصی FHE امروزه

تا پایان سال ۲۰۲۴، بزرگ‌ترین عیب الگوریتم‌های FHE سربار محاسباتی باورنکردنی آن‌ها بود؛ یک عمل جمع یا ضرب ساده روی داده‌های رمزشده نیازمند پردازش چندصد هزار برابری در مقایسه با پردازش معمولی بود که اجرای یک مدل کوچک چندمیلیارد پارامتری را ساعت‌ها طول می‌داد. علت این امر، رشد تصاعدی «نویز رمزی» با هر عمل ضرب و نیاز به عملیات بسیار سنگین بوت‌استرپینگ (Bootstrapping) برای پاکسازی نویز بود.

امروزه شرکت‌های پیشرو نیمه‌رسانا با عرضه شتاب‌دهنده‌های FHE نسل دوم، این مانع تاریخی را درهم شکسته‌اند. این تراشه‌ها مجهز به موتورهای تبدیل سریع فوریه چندپیمانه‌ای (Number Theoretic Transform - NTT) بر روی رجیسترهای پهن ۵۱۲ بیتی و پهنای باند حافظه باورنکردنی HBM4 هستند. با انتقال کل چرخه بوت‌استرپینگ به مدارات مجتمع سخت‌افزاری، تاخیر پردازش مدل‌های زبان بزرگ محرمانه به کمتر از ۱.۸ برابر پردازش معمولی کاهش یافته است؛ سرعتی که پاسخ‌های استنتاجی بلادرنگ را برای کاربران نهایی ممکن می‌سازد.

تلفیق با محیط‌های اجرای معتمد (TEEs) و سیستم‌های محاسبات چندطرفه (MPC)

در زیرساخت‌های ابری دوران معاصر رمزنگاری FHE به صورت جزیره‌ای کار نمی‌کند، بلکه با فناوری انکلاوهای سخت‌افزاری (Trusted Execution Environments - TEEs) نظیر AMD SEV-SNP و NVIDIA Confidential Computing ترکیب شده است. در این معماری هیبریدی، بخش‌هایی از مدل که نیازمند کمترین تاخیر هستند درون انکلاو سخت‌افزاری اجرا می‌شوند، در حالی که لایه‌های به شدت حساس به نشت داده از الگوریتم‌های تمام‌همومورفیک بهره می‌برند.

همچنین، پروتکل‌های محاسبات امن چندطرفه (Secure Multi-Party Computation) به بیمارستان‌های رقیب یا موسسات مالی اجازه می‌دهند بدون به اشتراک گذاشتن پرونده بیماران یا داده‌های حسابداری، مدل‌های هوش مصنوعی تشخیصی مشترک را با تجمیع گرادیان‌های رمزشده آموزش دهند. این رویکرد انطباق ۱۰۰ درصدی با سخت‌گیرانه‌ترین استانداردهای حریم خصوصی جهانی نظیر HIPAA و GDPR را فراهم آورده است.

اثرات کلان بر اکوسیستم سازمانی و آینده داده در کلاد

پیامدهای صنعتی این تحول برای اقتصاد داده در سال‌های پیش رو انقلابی خواهد بود. شرکت‌ها دیگر مجبور نیستند میان دوگانه «راه‌اندازی دیتاسنترهای داخلی فوق‌العاده گران‌قیمت» یا «سپردن داده‌های استراتژیک به شرکت‌های ابری شخص ثالث» یکی را انتخاب کنند. هوش مصنوعی محرمانه به عنوان پل نجات این شکاف عمل می‌کند؛ هر کسب‌وکاری می‌تواند پیچیده‌ترین پروژه‌های هوش مصنوعی خود را با ایمنی مطلق به ارزان‌ترین کلادهای جهانی برون‌سپاری کند.

ماگ بیت ارزیابی می‌کند که تا سال ۲۰۲۸، اجرای مدل‌های هوش مصنوعی بدون گواهی محرمانگی FHE به یک تخلف امنیتی در شرکت‌های لیست Fortune 500 تبدیل خواهد شد؛ چرا که امنیت داده در عصر سایبر دیگر بر پایه اعتماد به وعده‌های انسانی، بلکه بر شالوده نفوذناپذیر قوانین ریاضی بنا نهاده شده است.