早期项目丨推出芯片级多方安全计算方案，「紫先科技」将为大模型数据安全提供基础设施

作者丨邱晓芬

编辑丨苏建勋

随着AI大模型的兴起，大模型的安全合规问题频发，逐渐引起了各国*和行业各界对其数据安全的关注。

在意大利，由于有用户声称在ChatGPT的历史对话中看到了其他人的聊天内容。随后，意大利数据保护局于3月底暂时禁用大模型，并对其涉嫌违反隐私规则展开调查。

在国内，大模型相应创业风起云涌之时，数据安全保护行动已经开始。比如，4月11日，国家互联网信息办公室便发布了《生成式人工智能服务管理办法（征求意见稿）》，当中提出， 生成式人工智能服务者对于用户的输入信息和使用记录承担保护义务。在征求意见稿发布的前一日，中国支付清算协会甚至给从业人员发布了倡议，要求其不上传相关的敏感信息，保护金融行业的涉密数据和材料。

目前，还有部分公司明确规范了Chat GPT使用，比如三星此前还将ChatGPT的上传容量限制为1024字节；还有包括台积电、软银、沃尔玛等厂商也宣布限制使用生成式AI工具。

不过，随着大模型厂商增加， 相关的数据安全赛道却几乎是一片空白——大模型的安全计算是一项涉及千亿级参数的计算，而现有的隐私计算方案并没有办法同时满足大模型场景下的高安全性、高性能、高通用性的保障要求。 比如，同步加密的方法在使用的过程中可能将计算性能降低五个数量级， 联邦学习不适用于模型推理阶段等等。基于安全多方计算的方案是现有隐私计算方案当中有可能在大模型领域应用落地的技术。

现有隐私计算方案的对比

针对大模型的数据安全隐患，国内已经有了相应的创业公司。「紫先科技」就是一家由硅谷AI科学家以及国内高校学者联合创立的、为大模型应用方提供基于安全多方计算方案的云服务平台厂商。

「紫先科技」CEO周兴博士向36氪表示，一般而言，大模型从产生到落地应用包括三个阶段，包括大模型训练阶段、大模型微调阶段、大模型的应用阶段。其中，数据安全问题一般高发于对模型定制微调和应用阶段。这主要源于，大模型落地的协作过程中存在着数据所有权和使用权的博弈。

一般而言，大模型的训练需要大量的数据、算力、AI人才，对于头部大模型厂商来说，未来大概率不会做出开源的决定。因此，各个领域的应用厂商若要开发出有竞争力的行业专属大模型，需要利用自身私域数据以及融合了本领域专业知识的高质量标注对基础大模型做定制微调，以强化大模型在本领域的专业能力。

这种流程尽管符合大模型厂商的数据诉求，但站在应用商公司的角度来看，用户的私域专业数据和微调后的增量参数均是其商业核心壁垒所在，并不愿意把宝贵资产所有权让渡。同时在应用阶段，调用大模型的交互信息也涉及到用户商业机密。

因此，数据安全是大模型实现大规模应用的必要基础，要解决这一悖论所衍生出的数据安全风险，周兴博士认为，如果能够基于多方安全计算架构做好大模型定制微调和应用服务，便可保证双方的隐私安全。

“我们希望通过隐私计算的方式，让大模型公司和模型应用商之间的桥梁可以顺畅搭建起来”，周兴博士表示。据介绍，在商业层面，「紫先科技」所提供的数据安全服务将建立在云上，未来将与大模型厂商合作，为下游的大模型应用商提供一站式的模型定制微调和应用服务。

这一方案如何切实保障数据安全？周兴博士表示，「紫先科技」的核心技术是一套基于FPGA芯片的安全多方计算方案“PPLMAC”，是目前全球唯一可满足大模型数据安全场景对高安全性、高计算性能和高通用性要求的解决方案。

PPMLAC框架技术

据其介绍，在保证数据安全的前提下，基于独创的芯片设计，该方案可以将隐私计算性能与明文计算性能差距缩小到一个数量级以内，并可应用于模型微调和推理环节。

周兴博士表示，为了降低使用门槛，「紫先科技」还为使用该方案的算法工程师们提供了大模型编程框架平台，可以较低成本的实现移植开发，不用对原来的算法程序做出改变。

目前，「紫先科技」已经完成隐私计算FPGA加速卡产品化，技术成果已提交专利申请，并于20*6月在国际顶级计算机学术会议ACM ISCA发表相关论文。公司计划从金融、企业服务等刚需领域切入，目标是成为大模型数据安全基础设施服务提供商。

「紫先科技」在20*曾经获得奇绩创坛的天使轮融资，目前正启动新一轮的融资。团队方面，创始人周兴博士曾经在Gооgle、Facebооk AI研究院有近10年的工作经验，在Facebооk AI研究院带领团队创建隐私计算AI框架CrypTen并开源，并全程参与了Facebооk系列大语言模型的研发。团队其他核心技术成员大部分出自清华计算机系。

以上就是【早期项目丨推出芯片级多方安全计算方案，「紫先科技」将为大模型数据安全提供基础设施】的相关内容，查看其它ai资讯请关注微咔网