Phala Network 是一个围绕可信执行环境(TEE)、机密计算与可验证计算构建的基础设施项目,其核心目标是让代码和数据能够在硬件保护的隔离环境中运行,同时通过远程证明(Attestation)让外部用户验证特定工作负载是否按照预期执行。Confidential AI
项目早期主要服务于 Web3 隐私计算和链下计算场景,随着 AI 对 GPU 算力、模型隐私和数据安全的需求快速增加,Phala 的技术重点逐渐转向 Confidential AI,并形成 Phala Cloud、GPU TEE、dstack 和私密 AI Agent 等产品与技术方向。
Phala Network(PHA) 是一个以可信执行环境(TEE)和 Confidential Computing 为核心的基础设施项目,早期主要面向 Web3 隐私计算,如今进一步拓展至 Confidential AI、GPU TEE 和 AI Agent 等场景。
TEE 是 Phala 技术体系的基础,通过硬件隔离保护运行中的代码和数据,并结合远程证明(Attestation)验证计算环境是否符合预期。
Phala Cloud 与 GPU TEE 将机密计算能力扩展到 AI 工作负载,使模型、Prompt、用户数据及推理过程能够在受保护的 CPU 和 GPU 环境中运行。
dstack 是 Phala 面向开发者的开源 Confidential Computing Runtime,用于简化 TEE 应用部署、身份验证、密钥管理和 Attestation,让 AI Agent 等工作负载能够运行在可验证的机密环境中。

Phala Network 是一个以可信执行环境和机密计算为核心的计算基础设施项目,早期主要面向 Web3 的隐私计算、链下计算和智能合约扩展场景,之后逐渐将 TEE 能力延伸到 AI 推理、模型保护、私密数据处理和 AI Agent 等应用中。其基本思路并不是把所有计算过程直接放在区块链上,而是将高成本或涉及敏感信息的计算任务放到链下执行,再利用硬件安全机制和密码学证明建立可验证的信任关系。
Phala 最初的发展路径与 Polkadot 生态关系密切。早期网络采用 Intel SGX 等 TEE 技术,由运行 TEE 的 Worker 节点承担隐私计算任务,并通过 PHA 激励计算资源提供者。随着 Intel SGX 在大规模 AI 计算中的内存容量和性能限制逐渐显现,Phala 开始将技术重点转向 Intel TDX、AMD SEV-SNP 以及 NVIDIA GPU Confidential Computing 等新一代机密计算技术。
这一变化也带来了项目架构上的调整。根据 Phala 2025 年度总结,项目在 2025 年停止原有 Polkadot 平行链模式,并向 Ethereum L2 迁移,将质押、治理、计算奖励等机制进一步整合,同时把 TDX 和 GPU Confidential Computing 作为新的基础设施方向。
因此,如果从发展阶段理解 Phala,可以将其简单概括为:早期解决 Web3 隐私计算问题,中期扩展为通用 TEE 计算基础设施,当前则进一步面向 Confidential AI 和可验证 AI Agent 构建基础设施。
AI 的发展让“计算隐私”变得更加重要。传统云计算环境下,用户通常需要把模型、Prompt、数据库或者推理请求交给云服务商处理。即使传输过程使用 HTTPS 等加密方式,数据进入服务器内存并参与计算后,仍然需要信任基础设施运营方。
对于普通应用而言,这种信任模式可能已经足够,但 AI 场景涉及的敏感信息更加复杂。例如企业可能需要保护自己的模型权重、内部知识库和客户数据;个人 AI Agent 可能需要访问钱包、邮件、代码仓库或其他账户;金融机构则可能希望让模型处理交易数据,却不希望云平台能够直接读取这些数据。
Confidential AI 的核心思路,就是让 AI 在硬件保护的执行环境中完成计算,使模型、数据和运行状态在使用过程中也受到保护,同时通过 Attestation 提供可验证的运行证明。
Phala 从 Web3 隐私计算转向 Confidential AI,实际上是技术能力与应用需求的一次延伸。Phala 在 2026 年持续推进 GPU TEE、dstack、私密 AI 模型和 AI Agent 等方向,其官方研究页面也将可信执行环境、GPU 安全推理和可验证系统列为重点研究领域。
2026 年 6 月,Phala 还公布了基于 Blackwell GPU 的 Confidential Computing 研究,并持续推进 GLM-5.2 等模型在 H200 等 GPU TEE 环境中的运行。这意味着 Confidential AI 已经从概念验证逐步向更大规模的模型推理基础设施发展。
TEE,即 Trusted Execution Environment,中文通常称为可信执行环境,是一种通过硬件隔离保护代码和数据的计算环境。
传统服务器中,应用程序虽然可以通过权限控制限制访问,但拥有较高系统权限的操作系统、Hypervisor 或管理员理论上仍然可能接触运行中的数据。TEE 则试图在硬件层面建立一个隔离区域,使敏感代码和数据能够在受保护的内存空间中运行。
TEE 主要解决三个问题:隔离执行、数据机密性和代码完整性。数据进入 TEE 后,可以通过硬件级内存加密降低被外部读取的风险;程序启动时则可以对运行环境进行测量,随后通过 Attestation 证明特定代码和配置确实运行在符合要求的硬件环境中。
Phala 的技术路线也经历了从 CPU TEE 到 CPU + GPU TEE 的扩展。早期的 SGX 更适合规模较小的可信计算任务,而 AI 大模型需要处理大量模型参数、KV Cache 和中间激活数据,因此 GPU TEE 对 Confidential AI 更为重要。
目前 Phala Cloud 支持 Intel TDX 等 CPU 侧机密计算技术,并结合 NVIDIA H100、H200 等 GPU 的 Confidential Computing 能力,为 AI 推理提供硬件隔离环境。
Phala Cloud 可以理解为 Phala 面向开发者提供的机密计算云基础设施。与普通云服务器相比,其核心区别并不只是提供 GPU 算力,而是让计算任务运行在具有硬件保护和可验证能力的环境中。
在典型架构中,AI 应用可以运行于 Confidential VM(CVM)中,CPU 侧使用 Intel TDX 或 AMD SEV-SNP 等技术进行隔离,同时把 AI 推理任务交给支持 Confidential Computing 的 NVIDIA GPU。这样一来,模型和输入数据可以在 CPU、GPU 两个执行环境之间保持受保护状态。
Phala Cloud 在 2025 年推出 GPU TEE 支持时,重点面向 NVIDIA H100 和 H200,并强调 AI 工作负载可以在硬件保护环境中运行,同时提供实时 Attestation。
到了 2026 年,Phala Cloud 的产品形态进一步扩展。其 Confidential VM 产品支持 Docker 工作负载,并把硬件、虚拟机、镜像和应用配置等信息绑定到 Attestation 证明中。开发者因此可以使用相对熟悉的容器部署方式构建 AI Agent、私有 API、推理服务和 GPU 工作负载,而不必从零实现 TEE 基础设施。
这也是 Phala 从“区块链隐私计算网络”向“Confidential Computing Infrastructure”转型的重要体现。
dstack 是 Phala 推出的开源 Confidential Computing Runtime,主要用于简化 TEE 工作负载的部署、验证和密钥管理。
如果说 TEE 是硬件层面的安全基础,那么 dstack 更接近连接硬件、云环境和应用程序的运行时框架。它可以将 Docker Compose 等应用配置、操作系统镜像、硬件证明和密钥释放策略绑定在一起,使应用只有在满足预设安全条件时才能获得相应密钥。
Phala 当前的 dstack 架构支持 Intel TDX、AMD SEV-SNP、TPM、AWS Nitro NSM 以及 NVIDIA Confidential Computing 等不同证明路径,并通过 Attestation 建立从硬件到应用的信任链。
这种设计的价值在于,开发者不必简单地“相信某台服务器正在运行正确的软件”,而可以通过机器产生的密码学证明检查运行环境。2026 年 6 月,Phala 与 OPPO 发布的技术研究进一步将这一机制扩展到 Kubernetes Pod 级别,使 AI 工作负载可以获得与硬件、软件和 Pod 身份绑定的远程证明。
因此,dstack 的作用可以理解为把复杂的 TEE 技术封装成更加接近开发者工作流的运行时基础设施。
Confidential AI 的保护对象并不只有用户输入。对于 AI 应用而言,模型权重、Prompt、上下文、数据库、推理结果以及中间计算状态都可能属于敏感资产。
以一个企业 AI 助手为例,用户可能向模型提交内部财务数据,同时模型本身加载了企业自主训练的模型权重和内部知识库。如果这些内容全部在普通云服务器中运行,企业不仅需要信任云服务商,还需要承担服务器管理员、基础设施漏洞以及运行环境被入侵等风险。
在 TEE 架构下,敏感数据可以进入受硬件保护的 CVM 或 GPU TEE,模型则在相同的可信边界内运行。Phala 对 Confidential AI 的产品设计进一步覆盖私密推理、私有数据处理和模型训练等场景。例如其当前 Confidential AI 产品支持在 TEE 环境中进行私有模型训练,并保护数据集、梯度、Checkpoint 和评估过程。
需要注意的是,TEE 并不意味着“任何情况下都绝对安全”。它主要解决的是特定威胁模型下的运行时机密性和完整性问题,实际安全性仍取决于硬件实现、软件栈、密钥管理、应用代码以及部署配置。
AI Agent 与普通聊天机器人相比,需要处理更多长期状态和权限,因此隐私计算的重要性也更加明显。
一个具备实际执行能力的 Agent 可能需要访问 API Key、钱包签名权限、代码仓库、邮件、数据库甚至链上账户。如果 Agent 运行在普通服务器中,服务商或服务器管理员理论上可能接触这些敏感信息。
Phala 的思路是让 Agent 运行在经过 Attestation 的 Confidential VM 中,并通过 dstack 对应用身份、运行环境和权限范围进行绑定。这样,Agent 使用的密钥、工具和记忆数据可以处于受保护环境中,外部系统则可以根据 Attestation 验证 Agent 的运行状态。
这一模式对 Web3 尤其具有吸引力。因为区块链本身擅长记录公开、可验证的状态,但并不适合直接存储私钥、用户 Prompt 或模型内部状态。TEE 可以承担链下私密执行,区块链则负责资产、权限、结算和治理,两者形成互补。
因此,Confidential AI Agent 并不是简单地给聊天机器人加一层加密,而是试图建立一种“私密执行 + 可验证身份 + 可审计结果”的 Agent 基础设施。
Attestation,即远程证明,是 Confidential Computing 中连接“硬件安全”和“用户信任”的关键机制。
单纯把程序放进 TEE 并不能自动让远程用户相信它运行的是正确代码。用户还需要知道:使用的是什么硬件?加载了什么系统镜像?运行了什么应用?配置有没有被修改?
Attestation 就是为这些问题提供密码学证明。
在 Phala 的 dstack 架构中,应用的 Compose 配置、镜像、平台状态和 KMS 策略可以被绑定到一个应用身份。外部用户在验证证明后,才能决定是否信任对应运行环境,或者是否释放敏感密钥。
对于 AI 场景而言,这种机制尤其重要。例如用户不仅需要知道“这是一个 AI 模型 API”,还可能需要验证“这个 API 使用的是指定版本模型,并且运行在符合要求的 Confidential Computing 环境中”。
因此,Attestation 可以被理解为 Confidential AI 的“可验证入口”:TEE 负责保护执行过程,Attestation 则负责证明这个执行过程确实发生在预期环境中。
PHA 是 Phala 生态的原生代币,早期主要用于计算资源激励、网络治理和质押等机制。
在 Phala 原有网络模型中,Worker 节点提供 TEE 计算资源,并通过 PHA 获得相应激励;PHA 持有者也可以通过质押或委托等方式参与网络安全和治理。Phala 官方资料曾将 PHA 定义为网络中的原生 Utility 和 Governance Token,并用于激励 Worker、计算资源使用以及治理。
随着 Phala 从原有 Polkadot 平行链架构向 Ethereum L2 迁移,PHA 的技术基础设施和价值捕获方式也处于演进过程中。2025 年的迁移计划将质押、治理、计算奖励和资产流转进一步整合到新的架构中。
因此,理解 PHA 时需要区分“代币用途”和“代币价格”。PHA 的网络用途主要来自计算资源激励、治理以及生态参与等机制,而其市场价格仍受到加密市场流动性、项目发展、供需结构和市场预期等多种因素影响,二者不能简单等同。
Phala 的一个重要特点,是其基础设施并不需要把 AI 和区块链强行放在同一个执行环境中。
AI 更适合在 GPU 和高性能云基础设施上运行,区块链则适合处理资产所有权、交易、结算和公开验证。TEE 可以成为两者之间的隐私执行层。
例如,一个 Web3 AI Agent 可以把模型推理和私钥操作放在 TEE 中,把交易结果提交到链上;一个 DeFi 应用可以将敏感策略放入 Confidential Computing 环境,再把经过验证的结果用于链上逻辑;企业则可以让 AI 模型访问内部数据库,而不需要把原始数据暴露给云服务商。
这种架构也解释了为什么 Phala 在 2026 年继续扩大 AI Agent、Confidential AI 和 Web3 计算场景。其近期生态内容已经覆盖 DeFi、AI Agent、LLM、GPU TEE 和云原生 AI 等方向。
从更大的产业视角来看,Phala 所尝试解决的问题实际上是 AI 基础设施中的“信任层”:算力可以来自云端,模型可以来自不同开发者,数据可以来自不同机构,但最终需要一个机制证明这些资源是在符合预期的环境中完成计算。
尽管 Confidential AI 的需求不断增长,TEE 仍然不是没有限制的技术方案。
来自硬件和成本。AI 模型越来越大,对 GPU 显存和带宽的要求持续增加,而 Confidential Computing 需要额外的安全机制和硬件支持。H100、H200 以及更新一代 GPU 的价格和资源供应,本身就会影响 Confidential AI 的商业化规模。
来自性能。Phala 的公开资料显示,其目标是让 Confidential GPU 工作负载尽可能接近原生性能,但实际开销会受到模型架构、通信方式、GPU 利用率和 CPU-GPU 数据交换等因素影响。Phala 2026 年的研究甚至指出,在 Blackwell GPU 的 Confidential Computing 场景中,CVM 与 GPU 之间的桥接可能成为影响 LLM Serving 性能的重要因素。
TEE 本身的信任边界。TEE 可以降低对云服务商和系统管理员的信任要求,但并不能消除所有软件漏洞,也无法替代应用层安全、密钥管理和访问控制。不同 CPU、GPU 厂商拥有不同的硬件架构和 Attestation 机制,跨平台统一验证也是基础设施需要解决的问题。
市场需求。Confidential AI 的技术价值比较明确,但真正愿意为隐私、可验证性和合规能力支付额外成本的用户群体,仍需要随着金融、医疗、企业 AI 和 Agent 等场景的发展逐步扩大。
因此,Phala 后续能否形成更大规模的基础设施使用,不仅取决于 TEE 技术本身,也取决于 GPU 成本、开发者体验、标准化程度、生态合作和商业模式。
Phala Network 的技术路线经历了较明显的阶段变化:从早期以 TEE 为核心的 Web3 隐私计算网络,到面向通用 Confidential Computing 的基础设施,再到当前重点发展的 Confidential AI、GPU TEE 和私密 AI Agent。
其中,TEE 解决的是数据和代码在执行过程中的隔离问题,GPU TEE 将这一能力扩展到大规模 AI 推理,dstack 则负责把复杂的 TEE、镜像、密钥和 Attestation 流程封装成开发者可以使用的运行时基础设施。Attestation 则进一步解决“如何证明程序确实按照预期运行”的问题。
对于 AI 行业而言,这套架构的意义在于让模型、数据和 Agent 的运行环境从单纯依赖平台信任,逐步转向“硬件保护 + 密码学证明”。对于 Web3 而言,Confidential Computing 又提供了一种处理链下隐私数据、AI Agent 和高性能计算的方式。
因此,理解 Phala Network 不能只把它看作传统意义上的隐私区块链。随着项目向 TDX、GPU TEE、dstack 和 Confidential AI 基础设施持续扩展,Phala 更值得关注的方向已经转向如何为 AI 和 Web3 提供可验证的私密计算环境。
Phala Network 是一个以可信执行环境(TEE)和 Confidential Computing 为核心的计算基础设施项目。其早期重点是 Web3 隐私计算和链下计算,目前进一步扩展到 Confidential AI、GPU TEE、私密 AI Agent 和可验证计算等场景。
TEE 可以通过硬件隔离和内存加密保护代码与数据,使计算过程不必完全依赖云服务商或服务器管理员的信任。同时,TEE 可以生成 Attestation,让外部用户验证特定代码和运行环境。
dstack 是 Phala 推出的开源 Confidential Computing Runtime,用于简化 TEE 工作负载的部署、身份绑定、密钥释放和远程证明流程。它可以连接应用容器、CVM、CPU/GPU TEE 和 Attestation。
Phala Cloud 不只是提供 CPU 或 GPU 算力,而是强调硬件支持的 Confidential Computing。AI 工作负载可以运行在 Confidential VM 和 GPU TEE 中,并通过 Attestation 对硬件、软件镜像和应用状态进行验证。
PHA 是 Phala 生态原生代币,主要涉及计算资源激励、质押、治理以及生态应用等功能。随着 Phala 基础设施架构持续演进,PHA 的具体网络用途和价值捕获机制也需要结合最新网络设计理解。
* 投资有风险,入市须谨慎。本文不作为 Gate 提供的投资理财建议或其他任何类型的建议。
* 在未提及 Gate 的情况下,复制、传播或抄袭本文将违反《版权法》,Gate 有权追究其法律责任。





