
Google anda serio con el tema de IA privada y esta vez no es un paper académico: lanzó HEIR (Homomorphic Encryption Intermediate Representation), un compilador y toolchain open source que permite tomar modelos de IA pre-entrenados —pensados para datos en claro— y compilarlos para que operen directamente sobre datos encriptados.
¿Qué cambia acá?
La encriptación homomórfica (FHE) no es nueva: la idea de procesar ciphertexts sin descifrarlos lleva años dando vueltas. El problema siempre fue el mismo: es un dolor de implementar y el overhead es brutal.
Lo que hace HEIR es abstraer esa complejidad. El flujo:
- Escribís tu programa en Python
- Anotás qué tipos de datos deben ir encriptados
- HEIR compila todo para ejecución homomórfica usando una representación intermedia (MLIR) que escala across dialectos
Google ya lo usó internamente para casos concretos: recomendaciones de contenido sin exponer datos del usuario, detección de fraude con tarjetas protegiendo la info financiera, detección de intrusiones de red sin revelar el contenido de los paquetes y detección de hotwords de audio sin compartir grabaciones.
El elefante en la sala: el rendimiento
Los lectores de Hacker News sacaron la calculadora rápido, y los números duelen: según comentarios citados por InfoQ, una operación de igualdad de 64 bits toma ~80ms, suma y resta ~100ms, y una división puede llegar a 8 segundos. Con overheads de ~1000x, la viabilidad comercial no es obvia.
Pero hay un matiz interesante para LLMs: los modelos de lenguaje viven de sumas y multiplicaciones —justo lo que FHE maneja mejor— y casi no usan branching, que es donde esta técnica más sufre. O sea, el caso de uso “consulta privada a un LLM” podría ser de los primeros en volverse práctico.
Por qué importa para infra
Para los que operan servicios en cloud multi-tenant o plataformas con datos sensibles (salud, banca, gobierno), esto apunta a un futuro donde el proveedor procesa sin ver: ideal para servicios on-device, mitigación de exposición de modelos propietarios y cumplimiento regulators estricto.
Todavía no es “un clic” real —el proceso requiere pasos manuales partiendo por exportar el modelo PyTorch a MLIR— y Google no publicó benchmarks de velocidad sobre LLMs. Pero la dirección es clara: la privacidad en IA está dejando de ser trade-off binario entre “todo en mi hardware” y “todo en el datacenter de otro”.
Fuentes: InfoQ, Google Security Blog, GitHub (google/heir).
