2026 年初，一個(gè)名為 OpenClaw 的 AI Agent 產(chǎn)品在全球范圍內(nèi)迅速走紅。它能夠自主操作電腦、讀取文件、執(zhí)行任務(wù)，被視為 AI 從“對(duì)話框”走向“數(shù)字員工”的標(biāo)志性產(chǎn)品。但隨之而來的，是一場關(guān)于數(shù)據(jù)安全的集體焦慮。

這場焦慮并非空穴來風(fēng)。在傳統(tǒng)互聯(lián)網(wǎng)時(shí)代，人們大多只將一些無關(guān)痛癢的生活碎片分享至微博、朋友圈等公開網(wǎng)絡(luò)。即便如此，“人肉搜索”和隱私泄露依然是引發(fā)公眾群體性焦慮的常客。進(jìn)入 AI 時(shí)代以后，用戶上傳至云端的敏感數(shù)據(jù)和文件數(shù)量呈百倍、千倍級(jí)激增。特別是 Agent 的普及，進(jìn)一步放大了數(shù)據(jù)安全防線的漏洞——它們深度嵌入用戶的電腦或手機(jī)，擁有極高的系統(tǒng)權(quán)限，隨時(shí)可能將本地文件和操作記錄同步至云端。

在這一背景下，錯(cuò)誤使用 AI 可能導(dǎo)致三大后果。職業(yè)危機(jī)，機(jī)密公文或案件卷宗被 AI 意外同步至云端，導(dǎo)致法律與職業(yè)道德追責(zé)；個(gè)人隱私受損，醫(yī)療、性取向等高度敏感的私密咨詢一旦被惡意檢索，將導(dǎo)致社會(huì)評(píng)價(jià)受損及社交關(guān)系崩塌；被迫繳納“隱私稅”，用戶的消費(fèi)習(xí)慣被算法跨平臺(tái)精準(zhǔn)畫像，導(dǎo)致其被迫購買溢價(jià)遠(yuǎn)超市場均價(jià)的商品，實(shí)質(zhì)上是在為隱私泄露支付成本。

為了打破“隱私與便利不可兼得”的死局，出生于 2000 年的林修醇按下了博士學(xué)業(yè)的暫停鍵創(chuàng)辦荊華密算，并聯(lián)合清華大學(xué)任炬教授實(shí)驗(yàn)室，共同推進(jìn)高性能密態(tài)計(jì)算的商業(yè)化落地。目前，該公司已完成種子輪和天使輪累計(jì)數(shù)千萬元人民幣的融資。

他們所瞄準(zhǔn)的技術(shù)路徑，是曾被公認(rèn)為數(shù)據(jù)安全終極方案的密態(tài)計(jì)算。

理論上講，密態(tài)計(jì)算能讓數(shù)據(jù)在完全不解密的狀態(tài)下完成計(jì)算，數(shù)據(jù)在流轉(zhuǎn)的每個(gè)環(huán)節(jié)，都處于加密狀態(tài)。用林修醇的話說：“密態(tài)計(jì)算擁有最強(qiáng)健的攻擊模型，即便數(shù)據(jù)在傳輸、存儲(chǔ)及計(jì)算全過程中遭遇黑客竊取或廠商窺探，甚至數(shù)據(jù)丟失，也無需擔(dān)心泄露。因?yàn)閿?shù)據(jù)始終處于加密狀態(tài)，對(duì)外界而言如同無法破解的亂碼。”

然而，在過去的十年里，它更多是被戲稱為一顆“炸不響的啞彈”。原因只有一個(gè)：太慢了。由于需要對(duì)海量密文進(jìn)行復(fù)雜的運(yùn)算，會(huì)給模型訓(xùn)練帶來1,000 到 1 萬倍的時(shí)間損耗。

“我們做了一個(gè)取舍，放棄了 99% 的通用計(jì)算能力，只針對(duì) AI 相關(guān)的 1% 的算子進(jìn)行極致優(yōu)化。”林修醇說道。在歷經(jīng)數(shù)年的技術(shù)長跑后，他們通過對(duì) AI 計(jì)算算子的徹底重構(gòu)，不僅實(shí)現(xiàn)了全面兼容國產(chǎn)異構(gòu) GPU，更將密態(tài)計(jì)算的性能損耗降低了 3-4 個(gè)數(shù)量級(jí)，成功打破了“安全”“效率”與“通用性”難以兼得的行業(yè)“不可能三角”，使其真正達(dá)到可用水平。

這意味著，密態(tài)計(jì)算正在逐步商業(yè)化落地，成為觸手可及的生產(chǎn)力工具。

把傳統(tǒng)密態(tài)計(jì)算損耗從一萬倍降到可用水平

為什么數(shù)據(jù)裸奔了這么久，安全的密態(tài)計(jì)算卻遲遲無法落地？這背后涉及兩個(gè)關(guān)鍵概念——CPU TEE 和 GPU TEE（可信執(zhí)行環(huán)境）。

在數(shù)據(jù)安全領(lǐng)域，TEE被視為有效的防線之一。傳統(tǒng)的 CPU TEE 雖然安全性可以接受，但面對(duì)大模型的海量并行計(jì)算時(shí)顯得力不從心，相比較 GPU速度損耗極大；而 GPU TEE 雖然算力尚可，卻因技術(shù)不成熟且被海外廠商壟斷，長期停留在“看起來很美”的階段。業(yè)界曾陷入兩難：要么犧牲性能保安全，要么為了效率放棄加密。

過去，行業(yè)的普遍解法是“機(jī)密計(jì)算”，即通過英偉達(dá) GPU-TEE 這類硬件，在芯片層面創(chuàng)建一個(gè)隔離的“安全屋”。但這種方案有兩個(gè)致命局限：一是技術(shù)被綁定在海外顯卡上，無法兼容國產(chǎn)廠商；二是安全性由單一海外廠商擔(dān)保。在林修醇看來，“把信任根寄托于人，本身就是巨大的潛在風(fēng)險(xiǎn)。”

為了兼顧絕對(duì)安全與極致效率，荊華密算團(tuán)隊(duì)對(duì)大模型的計(jì)算任務(wù)進(jìn)行了分流。

一方面，將約 95% 的基礎(chǔ)運(yùn)算，交由普通 GPU 進(jìn)行加密盲算。 團(tuán)隊(duì)引入了 OTP（One-time Pad）方案——在數(shù)據(jù)離開安全區(qū)（TEE）之前，系統(tǒng)會(huì)使用一次性密鑰，將原始數(shù)據(jù)轉(zhuǎn)化為一堆毫無規(guī)律的密文。隨后，密文被送入普通 GPU 中快速處理，而密鑰始終死死鎖在安全區(qū)內(nèi)。計(jì)算完成后，結(jié)果回傳并用原密鑰解密還原。在這套流程下，外部 GPU 自始至終只能接觸到與隨機(jī)噪聲無異的密文，根本無法窺探任何原始信息。

另一方面，針對(duì)剩下 5% 的復(fù)雜運(yùn)算，交由 CPU TEE 進(jìn)行精準(zhǔn)保護(hù)。 面對(duì)那些難以用純密碼學(xué)高效處理的非線性算子，團(tuán)隊(duì)直接將其引入防線最堅(jiān)固的 CPU TEE 中，進(jìn)行內(nèi)存級(jí)的加密運(yùn)算，確保核心邏輯滴水不漏。

更關(guān)鍵的是，團(tuán)隊(duì)攻克了最容易帶來的卡頓難題。他們自研了全新的底層架構(gòu)（Infra），將這種復(fù)雜的異構(gòu)計(jì)算環(huán)境進(jìn)行了極致的流水線化（Pipeline）設(shè)計(jì)。這使得數(shù)據(jù)在 CPU 和 GPU 之間流轉(zhuǎn)時(shí)如同上了高速公路，不僅將性能損耗壓降到了最低，實(shí)際的數(shù)據(jù)吞吐量也遠(yuǎn)遠(yuǎn)甩開了傳統(tǒng)方法。

最終，團(tuán)隊(duì)將性能損耗從萬倍降到可用水平的同時(shí)，實(shí)現(xiàn)了對(duì)國產(chǎn)異構(gòu) GPU 的全面兼容，同時(shí)在確保零精度損耗的前提下，密態(tài)計(jì)算正式具備了商用級(jí)的可用不可見。

在林修醇看來，AI 數(shù)據(jù)安全問題并非突然出現(xiàn)，而是隨著計(jì)算范式的躍遷，經(jīng)歷了一場從邊緣到內(nèi)核、從顯性到隱性的危險(xiǎn)突變，并正在歷經(jīng)著三個(gè)時(shí)代的演進(jìn)。

第一個(gè)是傳統(tǒng)互聯(lián)網(wǎng)時(shí)代，隱私威脅主要體現(xiàn)為基于公開信息的人肉搜索，利用邊緣信息推斷人的生活軌跡，最后通過詐騙、威脅等手段獲利，危害范圍相對(duì)有限。

第二個(gè)是以 Chatbot 為主的（前）大模型時(shí)代，用戶開始大規(guī)模將敏感文件、會(huì)議紀(jì)要、工作內(nèi)容上傳至公網(wǎng)，安全與效率的兩難抉擇成為企業(yè)和個(gè)人用戶的普遍困境；

第三個(gè)是以 Agent 為主的（后）大模型時(shí)代，風(fēng)險(xiǎn)性質(zhì)發(fā)生了根本性變化，Agent 具備自主思考與行動(dòng)能力，可以在用戶完全不知情的情況下，將本地高度敏感的數(shù)據(jù)帶至公網(wǎng)進(jìn)行推理。

基于對(duì)這一趨勢的判斷，荊華密算推出了兩款核心產(chǎn)品：密態(tài)推理引擎解決剛需隱私場景下云端大模型的使用問題，特別是針對(duì)醫(yī)療、法律、科研等極度敏感領(lǐng)域；密態(tài)訓(xùn)練引擎則解決數(shù)據(jù)買賣中的安全隱患，確保數(shù)據(jù)在訓(xùn)練過程中“租而不售”，防止核心資產(chǎn)被復(fù)制。

“我賭AI 安全問題一定會(huì)爆發(fā)”

根據(jù) IBM 和安全研究公司波耐蒙研究所聯(lián)合發(fā)布的《2025 年數(shù)據(jù)泄露成本報(bào)告》，全球數(shù)據(jù)泄露的平均成本為 444 萬美元。在泄露數(shù)據(jù)中，個(gè)人身份信息占半數(shù)以上，知識(shí)產(chǎn)權(quán)泄露更是以每條記錄 178 美元的代價(jià)成為最貴損失。數(shù)據(jù)泄露生命周期一旦超過 200 天，平均損失將突破 500 萬美元。

這種嚴(yán)峻的現(xiàn)狀揭示了一個(gè)殘酷的商業(yè)真相：在大模型深度參與業(yè)務(wù)的今天，數(shù)據(jù)安全不再是單純的合規(guī)成本，而是決定企業(yè)生命周期的核心紅線。如何在 AI 加速迭代的浪潮中，守住數(shù)據(jù)流動(dòng)的安全底線，已成為全球企業(yè)的必答題。

行業(yè)對(duì)安全的迫切需求，正迅速轉(zhuǎn)化為真實(shí)市場動(dòng)力。“龍蝦事件后，市場對(duì)我們的需求迅速升溫，比預(yù)期要快。”林修醇透露，“自四月中旬在大模型上跑通密態(tài)計(jì)算全流程以來，已有多家機(jī)構(gòu)立項(xiàng)或表達(dá)了合作意向，估值翻了一倍。”

他表示，“像‘龍蝦’這類超長上下文應(yīng)用，必須依賴云端滿血版大模型才能發(fā)揮潛力。用戶始終面臨兩難：端側(cè)模型相對(duì)安全但能力受限，云端模型能力強(qiáng)大卻存在數(shù)據(jù)泄露隱患。我們希望提供一個(gè)能夠安全使用云端大模型的方案。”

在具體的商業(yè)落地路徑上，荊華密算試圖針對(duì)不同隱私級(jí)別需求構(gòu)建分層的防護(hù)體系。據(jù)介紹，面向數(shù)據(jù)高敏感行業(yè)提供高密級(jí)的本地化私域部署方案，構(gòu)建覆蓋“輸入-推理-輸出”全流程的密態(tài)計(jì)算防護(hù)體系；面向開發(fā)者與 C 端用戶，推出密態(tài)推理平臺(tái)和“龍蝦安全衛(wèi)士”，支持跨平臺(tái)、多終端即插即用；同時(shí)針對(duì)高價(jià)值私域數(shù)據(jù)領(lǐng)域，基于密態(tài)訓(xùn)練引擎，實(shí)現(xiàn)數(shù)據(jù)真正以密文形式的租賃式出售。首批商業(yè)落地場景覆蓋政企、金融、醫(yī)療、法律、科研等行業(yè)。

在采訪的最后，談及對(duì)未來的判斷時(shí)，林修醇語氣篤定。“我賭兩件事。”他說，“首先，伴隨大模型能力的迅猛提升，人工智能將在高隱私需求的剛需場景中加速滲透。其次，若延續(xù)當(dāng)前的使用模式，疊加黑客技術(shù)的日益精進(jìn)，AI安全領(lǐng)域極有可能爆發(fā)類似‘熊貓燒香’級(jí)別的重大安全災(zāi)難。短期而言，這或許尚屬隨機(jī)的概率事件；但從長遠(yuǎn)演進(jìn)的視角審視，此類毀滅性事故的發(fā)生具有必然性。”他正用一場豪賭，在 AI 安全賽道上穩(wěn)步前行。

1.https://www.morganlewis.com/de/blogs/sourcingatmorganlewis/2026/04/study-finds-average-cost-of-data-breaches-decreased-globally-in-2025

2.https://www.fxbaogao.com/view?id=5171303

排版：胡莉花

注：封面/首圖由 AI 輔助生成