Criptarea omomorfica si cum Google o face practica pentru AI-ul privat cu HEIR

Imagineaza-ti urmatorul scenariu: un spital trimite analizele tale de sange catre un server AI care depisteaza boli rare — dar serverul nu vede niciodata numele tau, CNP-ul sau valorile reale ale analizelor. Primeste doar un sir de numere criptate, face calculele pe ele si intoarce un rezultat criptat, pe care doar tu il poti descifra.

Pana acum cativa ani, asta suna ca science fiction. In 2026, e realitate — si Google tocmai a facut-o accesibila oricarui developer prin HEIR (Homomorphic Encryption Intermediate Representation), un compilator open-source care permite AI-ului sa proceseze date fara sa le decripteze vreodata.

In articolul asta explic ce este criptarea omomorfica, cum functioneaza HEIR, cat de repede merge si de ce conteaza pentru tine — mai ales daca lucrezi cu date sensibile in Romania, sub regulile GDPR.

Ce vei gasi in acest articol

• Ce este criptarea omomorfica si de ce e considerata „Sfantul Graal” al criptografiei
• Cum functioneaza HEIR — compilatorul Google care face FHE accesibil developerilor
• Exemple practice: ce poate face AI-ul pe date complet criptate
• Cat de repede merge si ce compromisuri exista intre privacy si performanta
• De ce conteaza pentru Romania si Europa, in contextul GDPR si al digitalizarii serviciilor

Ce este criptarea omomorfica si de ce conteaza pentru AI

Problema fundamentala

Cand trimiti date catre un serviciu cloud pentru procesare — fie ca e vorba de un model AI, o baza de date sau un simplu calcul — datele trebuie decriptate la un moment dat. Serverul le vede in clar. Asta inseamna ca:

• Angajatii companiei pot accesa datele tale
• Hackerii care compromit serverul le pot fura
• Guvernele pot cere accesul la ele
• Compania le poate folosi pentru antrenarea AI-ului, fara consimtamantul tau

Pana acum, singura solutie era sa procesezi datele local, pe device-ul tau. Dar ce te faci cand ai nevoie de puterea de calcul a unui server GPU sau de un model AI de sute de miliarde de parametri pe care nu-l poti rula acasa?

Ce este criptarea omomorfica

Criptarea omomorfica (Fully Homomorphic Encryption — FHE) este un tip de criptare care permite operatii direct pe datele criptate, fara a le decripta vreodata. Rezultatul, tot criptat, este identic cu cel pe care l-ai obtine daca ai opera pe datele in clar.

Gandeste-te asa: ai doua numere, 3 si 5. Le criptezi si obtii, sa zicem, X7 si K2. Faci o operatie pe X7 si K2 si obtii un rezultat criptat. Cand decriptezi rezultatul, obtii 8 — exact ca si cum ai fi adunat 3 + 5 in clar.

Serverul a facut calculul, dar nu a vazut niciodata 3, 5 sau 8. A vazut doar X7, K2 si un rezultat criptat.

De ce e considerat „Sfantul Graal”

Conceptul a fost propus in 1978 de Rivest, Adleman si Dertouzos (aceiasi oameni care au inventat RSA), dar prima schema functionala a aparut abia in 2009, in teza de doctorat a lui Craig Gentry. La acea vreme, o singura operatie bit dura ~30 de minute. Era complet impracticabil.

De atunci, progresul a fost masiv. Schemele moderne (BGV, BFV, CKKS, TFHE) pot face miliarde de operatii pe secunda, dar tot sunt cu 1.000x pana la 1.000.000x mai lente decat operatiile pe date in clar. HEIR vrea sa schimbe asta.

Trade-off-ul actual: privacy vs functionalitate

Inainte de HEIR, companiile care voiau sa proceseze date sensibile aveau cateva optiuni, fiecare cu compromisuri serioase:

FHE este singura abordare care ofera garantie matematica ca datele raman private, indiferent de cine controleaza serverul. Problema a fost intotdeauna viteza. HEIR incearca sa rezolve exact asta.

Cum functioneaza HEIR — compilatorul Google pentru AI privat

Ce este HEIR concret

HEIR (Homomorphic Encryption Intermediate Representation) este un compilator open-source dezvoltat de Google, construit pe infrastructura MLIR (Multi-Level Intermediate Representation) de la LLVM. Repo-ul este pe GitHub la github.com/google/heir.

Ce face HEIR: ia un program obisnuit (scris in Python sau un limbaj de nivel inalt), identifica ce date sunt secrete si compiliteaza automat codul echivalent care opereaza pe date criptate. Developerul nu trebuie sa inteleaga matematica din spatele FHE — HEIR se ocupa de asta.

Cum functioneaza pipeline-ul

Procesul are mai multi pasi:

1. Developerul scrie cod normal — de exemplu, o functie Python care face o inferenta AI
2. Marcheaza datele secrete — adauga adnotari care spun: „aceasta variabila contine date sensibile”
3. HEIR compileaza — transforma codul intr-o reprezentare intermediara MLIR, apoi optimizeaza operatiile pentru FHE
4. Genereaza cod tinta — produce cod care foloseste biblioteci FHE precum OpenFHE sau Lattigo
5. Ruleaza pe server — serverul executa codul pe date criptate, fara sa le vada vreodata

Schemele FHE suportate

HEIR suporta toate schemele FHE moderne:

Schema	Tip de operatii	Folosire principala
BGV	Aritmetica exacta pe intregi	Baze de date, cautari, comparatii
BFV	Aritmetica exacta pe intregi	Similar cu BGV, optimizari diferite
CKKS	Aritmetica aproximata pe numere reale	Machine learning, inferenta AI
CGGI	Operatii booleene pe biti	Logica, functii ne-liniare

Pentru AI si machine learning, CKKS este schema principala — permite operatii cu virgula mobila pe date criptate, ceea ce e esential pentru retele neuronale.

Backend-uri suportate

HEIR genereaza cod pentru patru biblioteci FHE:

Backend	BGV	BFV	CKKS	CGGI
OpenFHE	✅	✅	✅	❌
Lattigo	✅	✅	✅	❌
tfhe-rs	❌	❌	❌	✅
Jaxite	❌	❌	❌	✅

OpenFHE si Lattigo sunt cele mai mature pentru aplicatii AI (CKKS). tfhe-rs si Jaxite sunt specializate pe operatii booleene.

De ce MLIR conteaza

Faptul ca HEIR e construit pe MLIR nu e o intamplare. MLIR este infrastructura de compilare de la LLVM pe care se bazeaza tot ecosistemul modern de compilatoare — de la Clang (C/C++) pana la TensorFlow si PyTorch. Asta inseamna ca:

• HEIR poate prelua optimizari dovedite din alte compilatoare
• Developerii care lucreaza deja cu LLVM pot contribui usor
• Compilatorul poate fi extins pentru hardware accelerators (GPU, TPU, FPGA, ASIC)

Google a anuntat explicit ca HEIR tinteste sa devina compilatorul standard al industriei pentru FHE, la fel cum LLVM a devenit standardul pentru compilatoarele traditionale.

Exemple practice: ce poate face AI-ul pe date criptate

HEIR nu e doar un experiment academic. Are aplicatii concrete si imediate:

Recomandari de continut fara profilare

Un serviciu de streaming poate recomanda filme bazandu-se pe istoricul tau de vizionare — fara sa stie ce filme ai vazut. Datele tale de vizionare sunt criptate. Modelul AI proceseaza vectorii criptati si intoarce recomandari tot criptate. Doar tu le decriptezi si vezi sugestiile.

Serverul nu poate crea un profil al tau, nu poate vinde obiceiurile tale de consum si nu poate fi obligat sa le predea unui tert.

Detectie frauda pe carduri de credit

O banca poate trimite tranzactiile tale catre un model AI de detectie a fraudei, fara ca modelul sa vada sumele, comerciantii sau locatiile. Modelul proceseaza tranzactiile criptate si returneaza un scor de risc criptat. Banca decripteaza doar scorul si decide daca blocheaza tranzactia.

Detectie amenintari in retea

Un sistem de securitate poate analiza traficul de retea fara sa vada continutul pachetelor. HEIR permite ca un model AI sa identifice pattern-uri de atac in date criptate — trafic DDoS, port scanning, exfiltrare de date — fara ca sistemul sa poata citi mesajele utilizatorilor.

Hotword detection fara ascultare

Asistentii vocali precum Google Assistant sau Siri trebuie sa asculte constant pentru a detecta cuvinte-cheie („Hey Siri”, „OK Google”). Cu FHE, device-ul poate trimite audio criptat catre un server care detecteaza hotword-urile fara sa auda niciodata ce spui. Daca nu detecteaza cuvantul-cheie, nu are ce decripta.

Diagnostice medicale pe date criptate

Un spital poate trimite rezultatele unui RMN sau CT catre un model AI de diagnosticare, fara ca modelul sa vada imaginile reale. Modelul proceseaza datele criptate si intoarce un diagnostic criptat. Doar medicul si pacientul pot vedea rezultatul.

Performanta: cat de rapid poate fi AI-ul criptat

Situatia actuala

Honest vorbind, FHE este inca mult mai lent decat procesarea pe date in clar. Cifrele variaza enorm in functie de operatie, schema si hardware:

Operatie	Timp pe date in clar	Timp cu FHE (CKKS)	Overhead
Inmultire matriceala simpla	~0.1 ms	~100-500 ms	1.000-5.000x
Inferenta retea neuronala mica (MNIST)	~1 ms	~1-10 sec	1.000-10.000x
Inferenta model mai complex (CIFAR-10)	~10 ms	~1-60 min	6.000-360.000x

Aceste cifre sunt orientative — performanta depinde enorm de optimizarile aplicate si de hardware-ul folosit.

Progresul din 2009 pana acum

Ca sa intelegi cat de mult s-a imbunatatit totul:

• 2009 (Gentry): ~30 de minute per operatie bit. Complet impracticabil.
• 2015: Primele scheme BGV/BFV capabile sa ruleze functii simple in secunde.
• 2019: CKKS permite operatii pe numere reale, esentiale pentru ML.
• 2022-2023: Primele demonstratii de inferenta AI pe imagini criptate in timp rezonabil.
• 2024-2026: HEIR democratizeaza accesul, hardware accelerators dedicati (FPGA, ASIC) reduc overhead-ul de la 1.000.000x la sub 1.000x pentru operatii specifice.

Ce inseamna „timp rezonabil”

Pentru un model de recomandare care ruleaza o data pe zi pentru fiecare utilizator, chiar si cateva secunde per inferenta e acceptabil. Pentru un model de detectie frauda care trebuie sa decida in milisecunde daca blocheaza o tranzactie, FHE nu e inca gata pentru productie in timp real.

Dulcele prag este scenariul in care:

• Datele sunt foarte sensibile (medicale, financiare)
• Latenta de cateva secunde e acceptabila
• Confidentialitatea valoreaza mai mult decat costul computatiei suplimentare

Hardware-ul schimba jocul

Google nu dezvolta doar compilatorul — investeste si in hardware accelerators pentru FHE. Proiecte precum:

• Google TPU cu instructiuni FHE-native
• FPGA-uri programabile pentru operatii polinomiale
• ASIC-uri dedicate (cipurile custom) care pot reduce overhead-ul de la 1.000x la sub 10x pentru operatii specifice

Cand hardware-ul dedicat va fi disponibil pe scara larga, FHE va putea concura cu procesarea in clar pentru multe aplicatii.

De ce conteaza pentru Romania si Europa

Contextul GDPR

Regulamentul General privind Protectia Datelor (GDPR) impune principiul minimizarii datelor — companiile trebuie sa colecteze si sa proceseze doar datele strict necesare. FHE este, tehnic vorbind, cea mai pura implementare a acestui principiu: procesezi datele fara sa le vezi vreodata.

In Romania, ANSPDCP (Autoritatea Nationala de Supraveghere a Prelucrarii Datelor cu Caracter Personal) a amendat deja companii pentru procesare neadecvata a datelor. FHE ar elimina fundamental acest risc.

Sanatatea digitala

Romania digitalizeaza incet sistemul de sanatate — dosarul electronic de sanatate, reteta electronica, programarile online. Toate acestea implica date medicale extrem de sensibile. Cu FHE:

• Un AI poate analiza dosarele medicale ale intregii populatii pentru pattern-uri de boli fara sa vada niciun dosar individual
• Spitalele pot partaja date pentru cercetare fara sa riste expunerea pacientilor
• Laboratoarele pot trimite analizele catre AI de diagnostic fara sa le decripteze in tranzit

Banking si fintech

BNR si bancile comerciale din Romania gestioneaza milioane de tranzactii zilnic. FHE permite:

• Detectie de frauda fara acces la datele tranzactiilor
• Scoring de credit fara ca banca sa vada detaliile financiare complete ale clientului
• Raportare catre autoritati fara expunerea datelor individuale

Conformitate usoara

Pentru companiile romanesti care proceseaza date personale, FHE ofera un avantaj de conformitate clar: daca nu vezi datele, nu le poti scurge, nu le poti folosi gresit si nu le poti fi furate. E cel mai simplu argument in fata unui audit GDPR.

Daca te intereseaza subiectul protectiei datelor, am scris despre cum te afecteaza Chat Control UE si despre transferurile de date UE-SUA — ambele articole sunt relevante pentru contextul FHE.

Limitari si ce lipseste pina la adoptie de masa

Toate aceste limitari sunt in curs de rezolvare. Google, Microsoft, IBM si zeci de startup-uri investesc masiv in FHE. Intrebarea nu e „daca”, ci „cand” va deveni practic pentru majoritatea aplicatiilor.

Alternative actuale: de la procesarea locala la TEE

FHE nu e singura solutie pentru privacy. Iata ce alternative exista si cand e fiecare potrivita:

Procesarea locala (on-device)

Rulezi modelul AI direct pe device-ul utilizatorului — telefon, laptop, NAS. Datele nu parasesc niciodata device-ul.

Avantaje: Privacy total, fara costuri cloud, functioneaza offline.

Dezavantaje: Limitat la modele mici, consuma baterie, nu poti folosi modele uriase.

Daca vrei sa experimentezi cu AI local, am scris ghidul complet despre cum rulezi AI gratuit pe calculatorul tau cu Ollama si despre modelele AI locale pentru programare.

Federated Learning

Datele raman pe device-urile utilizatorilor. Fiecare device antreneaza local un model mic, apoi trimite doar gradientii (nu datele) catre server, care ii combina intr-un model global.

Avantaje: Datele nu parasesc device-ul, suporta antrenare distribuita.

Dezavantaje: Gradientii pot fi inversati pentru a reconstrui datele originale (atacuri de tip gradient inversion). Nu e o garantie matematica.

Trusted Execution Environments (TEE)

Datele sunt procesate intr-un enclave hardware securizat — Intel SGX, AMD SEV, ARM TrustZone. Nici macar administratorul serverului nu poate vedea datele.

Avantaje: Performanta aproape normala, suporta orice tip de calcul.

Dezavantaje: Garantia e hardware, nu matematica. Au fost gasite vulnerabilitati (Spectre, Foreshadow, Plundervolt). Trebuie sa ai incredere in producatorul de cipuri.

Am scris despre cum AMD a eliminat in secret criptarea memoriei din Ryzen — un exemplu perfect de ce nu poti avea intotdeauna incredere in garantiile hardware.

Secure Multi-Party Computation (MPC)

Datele sunt impartite intre mai multe parti. Niciun participant nu vede datele complete, dar impreuna pot calcula rezultatul.

Avantaje: Garantie criptografica, fara incredere intr-o singura parte.

Dezavantaje: Comunicare intensiva intre parti, necesita mai multi participanti onesti.

Cand folosesti ce

Solutie	Performanta	Privacy	Cand o folosesti
Procesare locala	Excelenta	Totala	Modele mici, device-uri puternice
Federated Learning	Buna	Buna (nu perfecta)	Antrenare distribuita, modele mobile
TEE	Buna	Buna (hardware)	Cand viteza critica, risc hardware acceptat
MPC	Medie	Excelenta	Calcul intre parti concurente
FHE (HEIR)	Slaba	Matematic perfecta	Date ultra-sensibile, latenta acceptabila

Nu exista o solutie universala. Fiecare are trade-off-uri. FHE este cea mai sigura, dar si cea mai lenta. TEE este cel mai rapid, dar se bazeaza pe incredere in hardware. Procesarea locala este ideala, dar limitata la modele mici.

Daca vrei sa-ti protejezi device-urile in general, vezi si ghidul despre cum iti faci telefonul privat cu GrapheneOS si despre ce vad aplicatiile de pe iPhone-ul tau.

Intrebari frecvente

Cat de sigura este criptarea omomorfica?

Securitatea FHE se bazeaza pe aceleasi probleme matematice care stau la baza criptografiei moderne — problema retelelor (lattice-based cryptography). Aceleasi probleme sunt folosite si de NIST pentru noile standarde post-cuanta (CRYSTALS-Kyber, CRYSTALS-Dilithium). Atat timp cat aceste probleme raman greu de rezolvat (inclusiv cu computatoare cuantice), FHE este considerata sigura. Niciun atac practic nu a fost demonstrat impotriva schemelor FHE moderne.

Pot folosi HEIR daca nu sunt criptograf?

Da, asta e ideea. HEIR a fost creat exact pentru developerii obisnuiti. Scrii cod normal in Python, marchezi datele secrete si compilatorul se ocupa de restul. Nu trebuie sa intelegi matematica polinoamelor sau a retelelor. Trebuie totusi sa intelegi ce operatii sunt suportate si cum sa-ti structurezi codul pentru a fi „FHE-friendly”.

Cat costa sa rulezi AI pe date criptate?

Costul depinde de complexitatea modelului si de dimensiunea datelor. Pentru o inferenta simpla (un model mic pe cateva sute de date), costul poate fi de 100-1.000x mai mare decat procesarea normala pe un serviciu cloud. Pentru modele mari, costul devine prohibitiv cu hardware-ul actual. Cand acceleratoarele FHE dedicate vor fi disponibile pe scara larga, costurile vor scadea semnificativ.

Este FHE compatibil cu AI-ul generativ (ChatGPT, Claude)?

In stadiul actual, nu — sau nu practic. Modelele mari de limbaj (LLM) cu sute de miliarde de parametri necesita operatii care sunt extrem de costisitoare cu FHE. In schimb, FHE functioneaza bine pentru modele mai mici si mai specifice: clasificare, detectie de anomalii, recomandari simple, scoring. Pentru LLM-uri, procesarea locala (rulezi modelul pe device-ul tau) ramane solutia practica. Vezi ghidul nostru despre modele AI locale pentru programare.

Ce legatura are FHE cu calculul cuantic?

FHE modern se bazeaza pe criptografie pe retele (lattice-based), care este considerata rezistenta la atacuri cuantice. Spre deosebire de RSA si ECC, care pot fi sparte de un calculator cuantic suficient de puternic (algoritmul lui Shor), problemele pe retele nu au algoritmi cuantici cunoscuti care sa le rezolve eficient. Deci FHE nu doar ca protejeaza datele acum, ci ofera si protectie post-cuanta.

Unde pot invata mai multe despre HEIR?

Documentatia completa este pe heir.dev. Codul sursa este pe github.com/google/heir. Google organizeaza intalniri lunare si office hours saptamanale — detalii pe heir.dev/community. Pe Discord, canalul #heir de pe FHE.org este activ si util pentru intrebari. YouTube-ul HEIR are inregistrari de la intalniri si prezentari.

---

Concluzie: Criptarea omomorfica nu mai e doar un concept teoretic. HEIR a facut primul pas important catre accesibilitate — un compilator open-source care permite oricarui developer sa scrie cod care opereaza pe date criptate. Performanta inca lasa de dorit pentru multe aplicatii, dar directia e clara: hardware dedicat, optimizari de compilator si scheme noi reduc constant diferentele. Pentru Romania, unde GDPR-ul e deja lege si digitalizarea sanatatii si banking-ului accelereaza, FHE va deveni un instrument esential in urmatorii 3-5 ani. Intrebarea nu e daca il vei folosi, ci cand.