为了履行我们的承诺，我们在两年前开放了首款全同态加密 (FHE) 转译器的源代码，并一直不断消除进入门槛。FHE 是一项强大的技术，允许您在不访问敏感或个人信息的情况下对加密数据执行计算。我们很高兴能与大家分享我们与开发者和研究社区合作取得的最新开发成果，以推动 FHE 的应用扩展。
今天，我们将推出新工具，让任何人都可以将 FHE 技术应用于视频文件。这一进展具有重要意义，因为在视频领域采用该技术往往成本高昂且运行时间长，从而限制了将 FHE 的使用扩展到更大的文件和新格式。
为了实现这一目标，我们将以三种新方式扩展 FHE 工具包，以便开发者更轻松地将 FHE 用于更广泛的应用领域，例如私密机器学习、文本分析和前面提到的视频处理。作为工具包的一部分，我们将发布新的硬件、软件加密库和开源编译器工具链。我们的目标是向研究人员和开发者提供这些新工具，帮助他们更好地利用 FHE 保护隐私，同时降低成本。
Link to Youtube Video (visible only when JS is disabled)
我们相信，随着优化和专业硬件的增加，该技术在类似的私密机器学习任务中的用例将会更多，例如私密地分析更复杂的文件（如长视频）或处理文本文档。因此，我们隆重推出 TensorFlow-to-FHE 编译器，该编译器将允许任何开发者将他们训练的 TensorFlow 机器学习模型编译为这些模型的 FHE 版本。
将模型编译成 FHE 后，开发者可以使用该版本对加密的用户数据运行推理，而无需访问用户输入的内容或推理结果。例如，我们的工具链可用于将 TensorFlow Lite 模型编译为 FHE 版本，在 16 秒内为一个 3 层神经网络生成私密推理。这只是我们帮助研究人员在不泄露个人信息的情况下分析大型数据集的一种方式。
此外，我们还将推出 Jaxite，这是一个用于加密的软件库，支持开发者在各种硬件加速器上运行 FHE。Jaxite 基于 Jax 而构建，Jax 是一种高性能的跨平台机器学习库，可让 Jaxite 在图形处理单元 (GPU) 和张量处理单元 (TPU) 上运行 FHE 程序。Google 最初开发 JAX 的目的是加速神经网络计算，而我们发现它也可以用于加速 FHE 计算。
Finally, we are announcing Homomorphic Encryption Intermediate Representation (HEIR), an open-source compiler toolchain for homomorphic encryption. HEIR is designed to enable interoperability of FHE programs across FHE schemes, compilers, and hardware accelerators. Built on top of MLIR, HEIR aims to lower the barriers to privacy engineering and research. We will be working on HEIR with a variety of industry and academic partners, and we hope it will be a hub for researchers and engineers to try new optimizations, compare benchmarks, and avoid rebuilding boilerplate. We encourage anyone interested in FHE compiler development to come to our regular meetings, which can be found on the HEIR website.
世界各地的组织和政府继续探索如何使用 PET 技术来应对社会挑战，并帮助开发者和研究人员安全地处理和保护用户数据和隐私。在 Google，我们借助“保护计算”(Protected Computing) 不断改进这些新技术并将其应用于众多产品中。“保护计算”是一个不断发展的技术工具包，它改变了数据的处理方式、时间和地点，以在技术上确保数据的隐私和安全性。我们还将继续普及我们开发的 PET 技术，因为我们认为每个互联网用户都应享有世界一流的隐私保护。
