什么是 Confidential AI?Phala 如何解决 AI Agent 的隐私与可信执行问题

更新时间 2026-11-04 07:50:00
阅读时长: 5m
Confidential AI 是通过 TEE、GPU TEE 与远程证明保护 AI 模型和数据的新型计算架构。本文解析 Phala 如何保护 AI Agent 的 Prompt、Memory、API Key 与工具调用。

Confidential AI 是一种通过可信执行环境(TEE)、硬件级机密计算和远程证明保护 AI 模型、数据及运行过程的计算架构。与只保护数据传输或数据库存储的传统安全方案不同,Confidential AI 进一步关注数据进入 CPU 或 GPU 后的“使用中安全”,使模型权重、Prompt、Memory 和推理数据能够在受保护的执行环境中完成计算。

这一技术的重要性随着 AI Agent 的发展进一步提升。传统 AI 应用通常是用户输入 Prompt、模型返回答案,而 AI Agent 则可能持续保存 Memory、调用外部 API、访问数据库、执行代码,甚至操作钱包和数字资产。Agent 获得的权限越多,需要保护的信息就越多,单纯依赖 HTTPS、数据库加密或访问控制已经无法覆盖整个执行链条。

从 AI 基础设施的发展来看,Confidential AI 正逐渐从企业数据保护扩展到模型保护、私有推理和 Agent 安全。NVIDIA 已经在 Hopper、Blackwell 等 GPU 上持续推进 Confidential Computing,并在 2026 年进一步针对 Blackwell GPU 优化机密 AI 推理性能。Phala 则通过 TEE、GPU TEE、dstack 和可验证 Agent 等技术,将这一能力进一步与云计算和 Web3 基础设施结合。

核心要点

  • Confidential AI 通过 TEE 和硬件级机密计算保护 AI 数据和模型在使用过程中的安全,与主要保护传输和存储数据的传统加密形成区别。

  • AI Agent 的隐私边界比普通聊天机器人更复杂,Prompt、Memory、API Key、钱包权限以及工具调用结果都可能成为敏感信息。

  • TEE 可以为 AI Agent 建立隔离的执行环境,使代码和数据在运行过程中受到硬件保护,并降低对云服务商和宿主机的信任要求。

  • GPU TEE 是大模型 Confidential AI 的关键基础设施,Phala 通过 Phala Cloud、GPU Confidential Computing 和 dstack,将机密计算能力扩展到 AI 推理和 Agent 工作负载。

  • Attestation 让“信任某个服务器”转变为“验证某个运行环境”,外部用户可以根据硬件和软件测量结果确认指定工作负载是否在预期的 TEE 中运行。

Confidential AI 是什么?

Confidential AI 是什么?

Confidential AI 可以理解为 Confidential Computing 在人工智能领域的具体应用。传统数据安全通常分为三个阶段:静态数据需要加密,数据传输过程中需要加密,而 Confidential Computing 进一步关注数据“正在被使用”时的保护。例如,一个企业将内部数据发送给云端 AI 模型进行推理,即使数据通过 HTTPS 安全传输,在服务器内存中解密后仍然需要依赖云平台的安全边界。

TEE 的作用,就是在硬件层面建立一个受保护的执行区域。AI 模型和输入数据进入这一环境后,可以通过内存加密、硬件隔离和完整性验证降低来自宿主机、Hypervisor 或其他高权限软件的访问风险。

对于 AI 而言,保护对象也从单纯的用户数据扩展到模型本身。企业可能不希望云平台看到自己的模型权重,用户可能不希望 Prompt 和个人数据被基础设施运营方读取,而模型服务商也需要保护自己的推理逻辑和模型参数。

NVIDIA 对 Confidential Computing 的定义同样强调数据和代码在使用过程中的保护,目前其 Hopper、Blackwell 和 Rubin GPU 均被纳入 Confidential Computing 的产品路线,并结合硬件根信任和设备 Attestation 验证运行环境。

为什么 AI Agent 需要保护 Prompt、Memory 与 API Key

AI Agent 与传统聊天机器人最大的区别之一,是 Agent 不只是“回答问题”,而是能够根据任务自主调用工具。

例如,一个 Coding Agent 可能需要访问 GitHub 仓库和部署服务器;一个金融 Agent 可能需要读取账户信息;一个 Web3 Agent 则可能需要连接钱包、读取链上数据并提交交易。这些功能意味着 Agent 不再只是处理一段 Prompt,而是在持续处理身份、权限和执行状态。

其中,Prompt 可能包含企业内部规则,Memory 可能包含长期用户信息,API Key 可以直接代表用户访问第三方服务,而钱包私钥或签名权限则可能直接涉及数字资产控制权。

如果 Agent 运行在普通服务器中,这些信息最终需要进入服务器内存。即使应用自身没有恶意行为,宿主机、管理员权限、基础设施漏洞或错误配置仍可能成为潜在风险。

因此,AI Agent 的安全问题不能只回答“模型是否会泄露信息”,还需要回答“谁能够看到 Agent 正在执行什么”“谁能够读取 Agent 的密钥”以及“用户如何验证 Agent 运行环境”。

Phala 对 Private AI Agents 的产品设计正是围绕这一问题展开。其当前架构强调将 Agent 放入经过 Attestation 的 Confidential VM,并通过 compose-hash 将 Agent 的运行环境与权限范围绑定。

传统云计算为什么无法完全解决 AI 数据隐私问题

传统云计算并不意味着数据一定不安全。事实上,现代云平台已经提供大量加密、身份认证、网络隔离、密钥管理和访问控制工具。

问题在于,这些机制通常仍然建立在一定程度的平台信任之上。

例如,用户把 AI 服务部署在云服务器上,数据传输可以使用 TLS,数据库可以加密,API 可以使用 Token。但当模型真正开始推理时,数据仍然需要被解密并加载到运行环境中。

这就形成一个“使用中的信任边界”:用户需要相信云服务商的基础设施、Hypervisor、操作系统以及管理员权限不会以不符合预期的方式访问这些数据。

TEE 的思路并不是取消云计算,而是缩小这种信任边界。通过硬件隔离,敏感计算可以在 Confidential VM 或 Confidential GPU 中执行,使云平台能够提供计算资源,却不必拥有读取工作负载明文内容的能力。

这也是 Confidential AI 与传统云安全方案的主要区别:前者试图保护数据“进入计算状态之后”的安全。

TEE 如何隔离 AI Agent 的运行环境

TEE,即 Trusted Execution Environment,是 Confidential AI 的基础技术之一。

可以把普通服务器想象成一栋办公楼,应用运行在其中,但拥有更高权限的管理员理论上可以进入不同房间。而 TEE 则试图建立一个硬件保护的“安全房间”,让指定代码和数据在隔离环境中运行。

在 AI Agent 场景中,Agent Runtime、Memory、Credential 和工具调用逻辑可以被放入 Confidential VM。CPU 侧的 TEE 负责保护虚拟机中的内存和执行状态,应用则可以继续使用容器、API 和其他常见开发工具。

当 Agent 需要调用外部工具时,并不意味着所有数据都必须公开。可以根据权限策略决定哪些信息能够离开 TEE,哪些信息只能在内部使用。

这种架构的关键不是“把所有数据都加密后再计算”这么简单,而是通过硬件建立一个受保护的执行边界,再通过 Attestation 验证这个边界是否真实存在。

Phala 如何让 AI 模型在 GPU TEE 中执行

大模型推理对 GPU 的依赖意味着,仅保护 CPU 并不足以构建完整的 Confidential AI 环境。

如果模型真正运行在 GPU 上,而敏感数据在 CPU TEE 与 GPU 之间传输,那么 GPU 仍然属于需要考虑的信任边界。因此,GPU Confidential Computing 成为 AI 机密计算的重要组成部分。

NVIDIA H100 是较早提供硬件 Confidential Computing 能力的 GPU 之一,其架构能够通过硬件根信任、加密数据传输和 Attestation 建立 GPU 侧的可信执行环境。之后这一能力进一步扩展到 H200、B200、B300 等平台。

Phala 则将 CPU TEE、GPU TEE 和云基础设施结合起来。其 Phala Cloud 支持 Confidential VM,并将 TDX、SEV-SNP、NVIDIA Confidential Computing 等不同硬件证明机制纳入统一的运行路径;dstack 则负责把应用、镜像、硬件证明和密钥释放策略绑定起来。

这一方向也正在从概念验证进入性能优化阶段。Phala 2026 年发布的研究指出,在 Blackwell GPU 的 Confidential Computing 场景中,影响 LLM Serving 性能的重要因素并不一定来自 GPU 本身,而可能来自 CVM 与 GPU 之间的数据桥接,并针对这一问题研究性能恢复方案。

与此同时,NVIDIA 在 2026 年 9 月公布的 Blackwell Confidential Computing 测试中,以 8 张 B200 GPU 运行 DeepSeek-R1,报告的 Confidential Computing 输出 Token 吞吐率达到基准的 96.1%–98.2%,不同并发条件下每 Token 延迟额外增加约 1.2%–4.3%。这一结果说明 GPU 机密计算正在从“能不能运行”进一步进入“如何降低性能成本”的阶段。

AI Agent 如何在不暴露私密数据的情况下调用工具

AI Agent 的一个核心能力是 Tool Calling,即根据任务调用搜索、数据库、代码执行器、API 或区块链工具。

Confidential AI 并不意味着 Agent 完全不能访问外部工具,而是把“Agent 如何调用工具”纳入可信执行和权限控制体系。

例如,Agent 可以在 Confidential VM 中读取经过保护的 API Key,然后通过受控的网络出口调用指定服务。外部工具看到的可以只是必要的请求,而不是 Agent 的完整 Memory、系统 Prompt 或其他内部状态。

对于 Web3 Agent,这种模式更加直观。钱包权限可以与特定 Agent 的运行环境绑定,只有当指定的代码和配置通过 Attestation 后,系统才允许 Agent 获得相应凭证或执行权限。

Phala 当前的 Private AI Agent 架构强调 per-agent sandbox、sealed vault、scoped outbound channel 和基于 Attestation 的工具调用等机制,其目标就是让 Agent 的凭证、Memory 和工具权限保持在明确的安全边界内。

因此,Confidential AI 对 Agent 的意义并不是简单地“隐藏聊天内容”,而是把 Agent 的身份、代码、凭证、Memory 和工具权限纳入同一个可验证的执行环境。

Attestation 如何证明 AI Agent 确实运行了指定代码

TEE 解决了“运行环境受到硬件保护”的问题,但还有一个更关键的问题:用户怎么知道里面运行的确实是指定程序?

这就是 Attestation 的作用。

Attestation 可以生成与硬件和运行环境相关的密码学证明。外部验证者可以检查这些证明,而不是仅仅相信云服务商告诉自己的结果。

在 dstack 中,应用的 Compose 文件、操作系统镜像、硬件报告和 KMS 策略可以绑定到同一个应用身份。只有运行环境通过验证后,密钥管理系统才会按照策略释放对应的秘密。

对于 AI Agent 来说,这意味着可以形成一条更完整的信任链:

指定代码 → 指定镜像 → 指定 TEE → Attestation → 获得密钥 → 调用工具。

如果代码或运行环境发生变化,测量值也可能发生变化,原有的授权策略就可以拒绝释放敏感凭证。

因此,Attestation 的价值并不是证明“AI 的回答一定正确”,而是证明“这个工作负载运行在满足特定条件的环境中”。这一区分非常重要,因为硬件证明能够解决执行环境可信问题,却不能自动保证模型输出没有错误。

Confidential AI 与传统 AI 云服务有什么区别

Confidential AI 与传统 AI 云服务并不是两种完全互斥的产品,而更像是不同的安全架构。

对比维度 传统 AI 云服务 Confidential AI
数据传输 通常使用 TLS 加密 通常同样使用 TLS
数据存储 可通过数据库或磁盘加密保护 同样可以使用加密
数据使用中 主要依赖云平台安全边界 使用 TEE / Confidential Computing 保护
模型保护 依赖平台权限和隔离机制 可通过 GPU TEE 保护模型运行过程
云平台信任 需要较高程度信任基础设施运营方 通过硬件隔离降低信任要求
运行环境验证 通常依赖平台自身证明 可通过 Attestation 验证
AI Agent 密钥 依赖应用与云平台权限管理 可进一步绑定 TEE 和运行环境
主要价值 通用 AI 计算与服务 私密、可验证的 AI 计算

需要注意的是,Confidential AI 并不会自动解决所有 AI 安全问题。Prompt Injection、恶意工具、模型幻觉、错误权限配置以及应用本身的漏洞仍然存在。TEE 主要解决的是“计算在哪里发生,以及谁能够访问计算过程”的问题。

从产业发展来看,这一技术已经不再局限于区块链领域。NVIDIA 当前已经将 Confidential Computing 扩展到 Hopper、Blackwell 和 Rubin GPU,并强调通过硬件根信任和 Attestation 对 AI 工作负载进行验证。2026 年 Apple Private Cloud Compute 也宣布将 NVIDIA Confidential Computing GPU 用于服务器端推理,说明 Confidential AI 正逐渐进入更广泛的 AI 基础设施体系。

总结

Confidential AI 的核心不是给 AI 再增加一层普通的数据加密,而是改变 AI 计算本身的信任模型:让模型、Prompt、Memory、API Key 和用户数据能够在硬件保护的执行环境中运行,并通过 Attestation 让外部参与者验证运行环境。

这一点对 AI Agent 尤其重要。Agent 越来越多地从“回答问题”转向“代表用户执行任务”,因此它需要接触的敏感数据和权限也越来越多。传统云计算能够解决大量网络、存储和访问控制问题,但对于数据进入服务器内存后的安全,仍然存在平台信任边界。

Phala 的技术路线则是在这一基础上进一步构建 Confidential AI 基础设施。Phala Cloud 提供机密计算环境,GPU TEE 为大模型推理提供硬件级保护,dstack 负责连接应用、TEE、Attestation 和密钥管理,而 Private AI Agent 则进一步将这些能力应用到 Agent 的 Memory、Credential 和 Tool Calling 中。

从当前发展来看,Confidential AI 的主要问题已经不再只是“能否保护 AI 数据”,而是如何在安全、性能、成本和开发体验之间取得平衡。随着 Blackwell 等新一代 GPU 持续优化 Confidential Computing,TEE 有望从特定企业和高敏感数据场景进一步进入 AI Agent、云服务和 Web3 应用。

对于 Phala 而言,其长期价值也取决于能否把 TEE 和 GPU Confidential Computing 转化为开发者真正能够使用的基础设施。若 AI Agent 继续向更高权限、更长 Memory 和更复杂工具调用发展,“可验证的私密执行环境”可能成为 AI 基础设施中越来越重要的一层。

作者: Learn Team
免责声明

* 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。

相关文章

浅谈合并:什么是以太坊2.0?
中级

浅谈合并:什么是以太坊2.0?

一场可能影响整个加密生态的升级
2026-11-10 07:54:21
不可不知的比特币减半及其重要性
新手

不可不知的比特币减半及其重要性

在比特币网络历史上,最令人期待的事件之一就是比特币减半。当矿工验证交易并添加新区块后获得奖励时,就会创建新的比特币。新铸造的比特币就是奖励的来源。比特币减半减少了矿工的奖励,因此新比特币进入流通的速度也减半。人们认为减半事件对网络以及比特币的价格产生了重大影响。 法币何时发行取决于政府的决定,而比特币则不同,其发行上限为21,000,000枚。减半是一种调节比特币产量的方法,同时有助于抑制通货膨胀,因为减半让比特币的铸造无法超过发行量上限。本文将深入研究比特币减半及其重要性。
2026-11-04 07:48:40
减半、周期与轮回:一部比特币发展史
中级

减半、周期与轮回:一部比特币发展史

探索比特币的减半历史与未来影响,深入了解其在区块链技术与金融领域的创新应用与投资前景。提供独到见解与分析。
2026-11-04 07:48:54
如何选择比特币钱包?
新手

如何选择比特币钱包?

本文将介绍一些最通用的比特币钱包类型,还将研究每种钱包的优缺点,以及它们的功能、安全性和易用性。阅读完本文,您能更好地了解可用的不同类型的比特币钱包,并明白哪一种更适合您。
2026-11-04 07:48:43
Master Protocol:激活 BTC 生息潜力
中级

Master Protocol:激活 BTC 生息潜力

比特币的工作量证明限制了持有者通过直接质押的方式获得收益,尽管比特币在市值上驱动主导机制地位,但大量比特币未充分利用。通过主协议协议,用户可以将比特币质押在第 2 层上,并接收 LST 作为其质押凭证,允许用户在多个场景下再次投资他们的 LST,在不影响流动性的情况下保证收益,透视对再质押协议的采用,用户可以进一步质押LST连接LRT,再次增强他们的投资能力和资产流动性。
2026-11-04 07:48:58
CKB:闪电网络促新局,落地场景需发力
中级

CKB:闪电网络促新局,落地场景需发力

在最新发布的闪电网络Fiber Network轻皮书中,CKB介绍了其对传统BTC闪电网络的若干技术改进。Fiber实现了资产在通道内直接转移,采用PTLC技术提高隐私性,解决了BTC闪电网络中多跳路径的隐私问题。
2026-11-04 07:48:59