安全领域有一个长期被忽视的盲点：大多数加密方案保护的是"静止的数据"和"传输中的数据"，却对"计算中的数据"束手无策。当AI模型实际运行时，数据必须在内存中解密，这个瞬间是裸露的——管理员、云服务商，乃至攻击者都可能趁虚而入。随着AI智能体（Agentic AI）的大规模落地，这个问题正在从潜在风险变成迫切需要解决的系统性漏洞。

近期，一种名为"机密计算"（Confidential Computing）的技术正在引发行业关注。英伟达高性能计算与AI工厂解决方案高级总监Dion Harris近日就这一技术的原理、挑战与前景作出了详细阐述。

机密计算为什么现在变得紧迫

Harris指出，全球70%的数据存在于云之外——在企业的本地数据中心和数据湖中。要在这些数据上部署AI同时维持安全性，机密计算是打开这一应用场景的关键。

传统加密覆盖两个阶段：数据静止时（存储加密）和数据传输时（网络加密）。但第三个阶段——计算过程中——一直是空白。"当你运行AI模型时，数据必须解密，以明文形式存于内存中，对管理员和云运营商是可见的。"机密计算的核心就是填补这个空白：在硬件层面创建一个可信执行环境（Trusted Execution Environment），数据只在实际需要计算的那一刻解密，计算完成后立即重新加密。这让金融、医疗、政府等高度监管行业得以在不放弃数据控制权的前提下，获得云端AI的能力。

智能体时代让安全难题升级

从生成式AI到智能体AI，安全边界正在变得更加复杂。Harris解释，智能体系统需要跨系统访问数据、调用外部工具、自主执行任务——每一个环节都是潜在的攻击面。"机密计算在智能体AI中发挥两方面作用：保护数据本身，同时帮助设计安全的实现路径和工作负载架构。"

远程证明（Remote Attestation）机制是这套方案的关键环节。以医疗场景为例：用户想将病历摘要上传给AI处理，终端设备会先向服务器发起验证请求，服务器返回证明："我是英伟达GPU，此环境安全且未被篡改。"终端确认后才将加密数据发送过去。数据到达GPU内存后仍保持加密状态，只有特定计算引擎在需要时才解密，处理完成后立即重新加密并传回。整个过程中，数据不会以明文形式暴露在任何中间环节。

苹果的Private Cloud Compute是这套逻辑的现实案例——当设备端模型不足以处理复杂任务时，苹果将数据发到云端的机密计算环境中处理，同时保留了其一贯的隐私承诺，并已将此方案延伸至Google Cloud。

性能障碍已被突破

机密计算此前长期停留在实验室阶段，原因是代价太高：早期采用机密计算会导致30%到40%的吞吐量损失。这个代价直接影响经济可行性——如果性能损耗如此巨大，硬件利用率下降，Token交付成本随之飙升，整个商业逻辑就站不住脚。

这一障碍在Blackwell架构上被彻底解决。"我们将机密计算作为Blackwell的一级系统功能来构建，不仅交付安全性，也交付市场所需的性能。"Harris表示，新一代GPU可以在不牺牲性能的前提下全量开启机密计算，实现了隐私与算力的双赢。

企业的下一步

Harris给出的部署建议简洁明了：技术已经就绪，生态已经成熟，合作伙伴（包括Red Hat、Fortanix）已将相关机制集成进其平台，Google Cloud也通过服务层提供支持。"从概念验证开始，验证性能与安全，然后规划部署。"他预计到2030年，机密计算相关用例将形成数十亿美元的市场规模。

对于正在将AI嵌入核心业务流程的企业而言，机密计算的战略意义已经超越了"锦上添花"的范畴。当智能体系统开始处理客户记录、医疗数据、财务信息时，能否在计算层面提供可验证的安全保证，将成为企业AI战略能否落地的底层前提。