Google DeepMind 更新 Private AI Compute，引入安全的服务器端记忆
Advancing Private AI Compute with secure, server-side memory
Google DeepMind 介绍了 Private AI Compute 架构更新，将为平台带来私有的服务器端持久记忆，以支持跨设备 AI 记忆并保持设备端隐私标准。
原文解释了云端持久记忆与设备端密钥的组合，便于理解个人 AI 助手的隐私架构取舍。
2026 年 9 月 23 日 责任与安全
Google Private AI Compute 团队
关于我们的 Private AI Compute 架构的技术更新；该架构将以设备端隐私标准实现持久、跨设备的 AI 记忆。
AI 正变得更强大、更直观——记住重要事项、理解你周围的世界，并按照你的指示行动。隐私与信任是实现这一切的核心，确保随着 AI 系统不断演进、在你的多台设备上提供更持续的协助，你的数据仍保持私密并受到保护。
今天，我们将分享如何把私有的服务器端记忆引入我们的 Private AI Compute 平台。这项突破解决了现代 AI 中一个长期存在的两难问题：如何在坚持通常仅限于设备端处理的严格隐私标准的同时，让助手在多台设备之间具备长期连续性。
将设备端隐私带到云规模记忆中
借助这项新的技术能力，一个新的持久记忆层将能够像云端的安全数字保险库一样运作。在这种模式下，协助你所需的信息被封存在专用的加密存储中，而解锁这些信息所需的加密密钥则仅保存在你的个人设备上——确保任何其他人都无法访问你的数据，即使是 Google 也不行。
下图展示了 Private AI Compute 的这项更新将如何运作。当 AI 模型需要访问信息来协助你时，一个经过身份验证的端到端加密通道会将你的设备连接到云端受保护、隔离的环境。该空间，或称“安全飞地”，会在隔离内存中临时解密你的数据以处理请求，保存任何新的上下文，并立即对其加密，使你的信息保持私密，就像它从未离开过你的设备一样。
通过结合硬件强制执行的安全飞地、加密通道，以及由设备衍生加密密钥保护的每用户数据库，这一架构可确保你的数据保持完全私密，并处于你的掌控之下。
这种演进对于满足 AI 时代的计算需求是必要的。长期以来，本地的设备端处理一直是隐私保护的黄金标准——但前沿 AI 模型往往需要远超任何单一设备所能提供的计算能力。将高级 AI 引入个人助手，意味着要解决如何利用云的能力，同时确保个人数据仍能像从未离开过你的设备一样受到保护。
为此，我们此前推出了 Private AI Compute 平台，允许用户在硬件隔离的云端飞地中处理复杂任务。到目前为止，这项技术——以及行业内类似的解决方案——都严格属于“无状态”技术，意味着任务结束的瞬间就会清除所有上下文。变通办法，例如让 AI 保存个人事实和偏好列表，并不足以支持人们期待从个人 AI 获得的丰富、连续的体验。要让这种程度的协助成为可能，就意味着需要设计一种方法，使云规模 AI 能够随着时间推移并跨设备安全地保留上下文。
建立信任，展望未来
想象一下，在笔记本电脑上调出你此前通过智能眼镜查看过的装配说明，或是在移动端和网页端之间继续复杂对话。Private AI Compute 旨在让这种无缝协助成为可能——把它需要记住的片段安全地锁起来。但用户对该系统隐私性的信任同样重要。
建立这种信任始于透明度。因此，在更新技术白皮书的同时，我们还将发布服务器软件的防篡改公开记录。运行 Private AI Compute 的设备能够在发送任何个人数据之前，验证我们的软件是否真实且未被篡改。此外，我们还将更新技术方法，包括领先网络安全公司进行的独立审计结果。通过分享这些资源，我们邀请更广泛的隐私社区验证 Private AI Compute 的保护措施。
为 Private AI Compute 添加私密且持久的记忆功能，展现了隐私设计如何深入实现个性化辅助。我们邀请社区审阅更新后的 Private AI Compute 技术简报，以及我们的系统架构、安全性证明和验证协议。
致谢
这项研究由 Google DeepMind、Platforms & Devices、Core 和 Cloud 团队共同开发。我们还要感谢 Four Flynn、Jay Yagnik 和 David Kleidermacher 对这项工作的高管支持。
来源：Google DeepMind · deepmind.google