云端也能守隐私：Google DeepMind 为 AI 持久记忆找到新解法

当 AI 开始「记事」，隐私还能保住吗？

过去几年，个人 AI 助手的能力边界不断外扩——它能理解上下文、记住偏好、跨设备协同。但一个根本矛盾始终悬而未决：越想要 AI 记得住，就越需要把数据交给云端；而数据一旦上了云，隐私便不再由用户独占。

Google DeepMind 联合 Platforms & Devices、Core 与 Cloud 团队近期给出了一份技术答卷：在 Private AI Compute 平台中引入服务端持久记忆层，让云端 AI 拥有跨设备连续记忆的同时，仍维持接近端侧处理的隐私标准。这一进展值得国内 AI 从业者认真审视，因为它触及的正是「能力」与「信任」之间的长期拉锯。

核心思路：钥匙留在你手里，数据锁在云端

这套架构的关键，可以用一句话概括：加密数据存放在云端专用存储中，而解密密钥只存在于用户个人设备上。 即便是 Google 自身，也无法读取这些内容。

具体流程大致如下：

1. AI 模型需要调用某条记忆来完成任务时，设备与云端之间会建立一条经过认证的端到端加密通道。
2. 云端侧启用硬件级安全隔离区（secure enclave），在隔离内存中临时解密数据、处理请求。
3. 处理完成后，新产生的上下文立即被重新加密写回，仿佛数据从未离开过设备。

这套机制同时叠加了三重防护：硬件强制的安全隔离、加密传输通道，以及由设备派生密钥保护的个人数据库。三者协同，才让「云端记忆」在隐私层面站得住脚。

为什么非要上云？端侧处理不够吗？

端侧处理长期被视为隐私保护的黄金标准，这一点没有争议。但问题在于，前沿 AI 模型的算力需求，早已超出任何单一设备的承载能力。

如果坚持只在本地运行，用户得到的要么是能力缩水的轻量模型，要么是频繁的等待与妥协。要让个人助手真正「懂你」，就必须找到一种方式：既能调用云端的算力，又能让个人数据保持如同从未离开设备般的受保护状态。

此前的 Private AI Compute 平台已经允许用户在硬件隔离的云端环境中处理复杂任务，但那个版本是「无状态」的——任务一结束，所有上下文立即清空。业内其他类似方案也大多如此。用一份静态的偏好清单来模拟记忆，远远撑不起人们对个人 AI 的连续体验期待。

正因如此，把「持久记忆」做进安全架构，才成为这一轮技术更新的真正难点。

信任不只靠技术，还靠可验证的透明

隐私架构再精巧，如果用户无法验证，信任就无从建立。

Google DeepMind 团队此次同步公开了一份防篡改的服务器软件公共记录。运行 Private AI Compute 的设备在发送任何个人数据之前，可以先行验证服务器软件是否真实、未被篡改。此外，团队还披露了技术方法的更新说明，包括由一家头部网络安全公司完成的独立审计结果。

这种做法本质上是在邀请更广泛的安全与隐私社区参与验证——把「请相信我们」变成「你可以自己查」。对于任何想要在 AI 时代建立长期信任的平台而言，这种可验证性正在从加分项变成必选项。

国内视角：同一条赛道上的不同跑法

把视线拉回国内，隐私计算与云端记忆同样是各家大模型厂商绕不开的课题，只是路径选择各有侧重。

端云协同是较为普遍的方向。文心一言、通义千问、豆包、Kimi 等产品在端侧承担唤醒、轻量推理与敏感数据预处理，云端负责重负载任务，部分厂商通过可信执行环境（TEE）来隔离云端计算过程。DeepSeek 则在模型效率上持续压缩推理成本，间接降低了「必须上云」的算力压力。智谱 GLM、讯飞星火等也在探索面向企业场景的私有化部署与数据隔离方案。

差异在于，国内方案更多围绕合规框架与行业落地展开，强调数据不出域、可审计；而 Google DeepMind 这次的技术叙事，把重点放在「设备持有密钥」这一密码学保证上。两条路线并非对立，未来很可能相互借鉴——谁能先把「云端能力」与「用户可控」这两个目标同时兑现，谁就更有机会赢得下一阶段的个人 AI 入口。

从「无状态」到「有记忆」，意味着什么

想象这样一个场景：你在智能眼镜上看过一段家具组装说明，之后在笔记本电脑上再次打开时，AI 已经知道你在做什么，直接接着上次的进度给出提示；又或者，你在手机上与助手展开的复杂讨论，切换到网页端后可以无缝继续。

这些体验的背后，是云端 AI 第一次能够在保证隐私的前提下，跨时间、跨设备地保留必要上下文。它不只是功能叠加，而是个人 AI 从「一次性问答工具」向「持续陪伴的助手」演进的关键基础设施。

当然，技术白皮书里的架构图与真实世界的攻击面之间，永远存在差距。独立审计、公开验证记录、社区监督，这些机制能否持续运转，才是这套承诺能否兑现的长期考验。

对于关注 AI 隐私架构的读者，建议进一步阅读 Google DeepMind 官方发布的技术说明 以及 Google 隐私与安全相关文档，也可参考 Wikipedia 上关于可信执行环境的条目 了解底层硬件隔离原理。

常见问题

Google DeepMind 这次发布的 Private AI Compute 新能力是什么？

它是在原有 Private AI Compute 平台上新增的服务端持久记忆层，让云端 AI 能够跨设备、跨时间保留上下文，同时通过设备端持有密钥、硬件安全隔离区等方式，维持接近端侧处理的隐私标准。

云端保存我的数据，Google 自己能读取吗？

按照其架构设计，解密密钥仅存在于用户个人设备上，云端存储的是加密数据，Google 自身也无法解密读取。处理请求时数据仅在隔离内存中临时解密，完成后立即重新加密。

这和之前的 Private AI Compute 有什么不同？

此前版本是「无状态」的，任务结束即清空所有上下文。新版本引入了持久记忆能力，使 AI 助手能够在不同设备间延续对话与偏好，而不必依赖静态的偏好清单来模拟记忆。

用户如何验证自己的数据真的被保护了？

Google DeepMind 公开了防篡改的服务器软件公共记录，设备在发送个人数据前可验证服务器软件是否真实未被篡改。此外还有独立网络安全公司的审计结果与技术方法说明可供查阅。

国内大模型厂商在类似方向上进展如何？

国内厂商多采用端云协同加可信执行环境的路线，文心一言、通义千问、豆包、Kimi、DeepSeek、智谱 GLM、讯飞星火等均在推进数据隔离与私有化部署，整体更强调合规与行业落地，与 Google DeepMind 侧重设备持有密钥的密码学路径形成互补。

关于 Bingdada

Bingdada 是一个专注 SEO、GEO（生成式引擎优化）与 AEO（答案引擎优化）的内容平台，由资深内容编辑、SEO 技术工程师与 AI 研究专家组成的团队持续运营。我们追踪搜索引擎与生成式 AI 的最新动态，为读者提供准确、实用、可落地的方法论与行业洞察。

编辑团队：内容策划 · 技术编辑 · AI 研究组
网站：bingdada.com

© 2026 Bingdada. 保留所有权利。