Google เปิด HEIR — คอมไพเลอร์โอเพนซอร์สที่แปลงโมเดลให้อินเฟอเรนซ์บนข้อมูลที่ยังเข้ารหัสอยู่ ไม่ต้องถอดรหัสเลยสักครั้ง

Google ประกาศเมื่อ 14 ส.ค. 2026 (เราเก็บตกมารายงานหลังจากเรื่องนี้ขึ้นอันดับต้น ๆ ของ Hacker News ช่วงสุดสัปดาห์) ถึงความคืบหน้าของ HEIR — Homomorphic Encryption Intermediate Representation — คอมไพเลอร์โอเพนซอร์สที่ตั้งใจทำให้สิ่งที่เคยเป็นงานของนักวิจัยคริปโตกลายเป็นงานที่วิศวกรทั่วไปทำได้

โจทย์ที่ HEIR แก้คือปัญหาที่ทุกทีมที่ทำ AI กับข้อมูลอ่อนไหวเจอ: ถ้าจะให้โมเดลประมวลผลข้อมูลผู้ใช้ ข้อมูลต้องถูกถอดรหัสก่อน และช่วงเวลาที่ข้อมูลอยู่ในรูปแบบเปิดนั่นเองคือช่วงที่มันรั่วได้ Fully Homomorphic Encryption (FHE) แก้ปัญหานี้ในทางทฤษฎีมานานแล้ว — คำนวณบนข้อมูลที่ยังเข้ารหัสอยู่ได้โดยไม่ต้องถอด — แต่ในทางปฏิบัติมันช้ามากและเขียนยากมาก จนแทบไม่มีใครเอาไปใช้จริง

HEIR คืออะไรในเชิงวิศวกรรม

HEIR เป็น toolchain บน MLIR (โครงสร้างพื้นฐานคอมไพเลอร์เดียวกับที่ LLVM และ TensorFlow ใช้) หน้าที่ของมันคือรับโปรแกรมหรือโมเดลที่ฝึกเสร็จแล้ว แล้วคอมไพล์ออกมาเป็นเวอร์ชันที่ทำงานบน ciphertext ได้ — โดยที่นักพัฒนาไม่ต้องเลือกพารามิเตอร์คริปโตเอง ไม่ต้องจัดการ noise budget เอง และไม่ต้องเขียนวงจรด้วยมือ

ที่เก็บโค้ดหลักอยู่ที่ github.com/google/heir ใบอนุญาต Apache-2.0 ปัจจุบันมีราว 838 ดาว และ 4,000 กว่าคอมมิต โดยมีหมายเหตุตามธรรมเนียมว่า “ไม่ใช่ผลิตภัณฑ์ที่ Google รองรับอย่างเป็นทางการ” — อ่านให้ถูกคือ นี่เป็นงานวิจัยเปิดที่พัฒนาจริงจัง ไม่ใช่ผลิตภัณฑ์ที่มี SLA

โครงสร้างการรองรับปัจจุบันครอบคลุมสกีมหลักของ FHE ผ่านแบ็กเอนด์หลายตัว:

สกีม	OpenFHE	Lattigo	tfhe-rs	Jaxite
BGV	✅	✅	—	—
BFV	✅	✅	—	—
CKKS	✅	✅	—	—
CGGI	—	—	✅	✅

ใช้งานได้สามทาง: ต่อผ่าน Bazel กับแบ็กเอนด์ OpenFHE หรือ Lattigo, ติดตั้งเป็นแพ็กเกจ Python, หรือเรียกไบนารีตรง ๆ แล้วต่อแบ็กเอนด์เอง ส่วนตัวอย่างที่คอมไพล์ได้จริงอยู่ในที่เก็บแยกคือ google/fully-homomorphic-encryption (Apache-2.0 เช่นกัน, ราว 3.7 พันดาว)

สี่แอปตัวอย่างที่ Google เอามาโชว์

Google สาธิตแอปที่คอมไพล์ผ่าน HEIR สี่ตัว พร้อมตัวเลข latency ที่วัดบน CPU เธรดเดียว — ตัวเลือกนี้จงใจ เพราะมันคือกรณีแย่ที่สุด ถ้าตัวเลขบนเธรดเดียวยังพอรับได้ การขยายด้วยเธรดหรือฮาร์ดแวร์เร่งความเร็วก็เป็นแค่เรื่องคูณ:

1. ระบบแนะนำแบบ deep learning (DLRM)
2. การตรวจจับการฉ้อโกงบัตรเครดิต
3. การตรวจจับการบุกรุกเครือข่าย
4. การตรวจจับ hotword สำหรับเอเจนต์เสียง

จะเห็นว่าทั้งสี่เป็นงาน inference บนโมเดลขนาดเล็กถึงกลาง ที่ข้อมูลนำเข้าอ่อนไหวสูง — ไม่ใช่การรัน LLM ระดับหลายพันล้านพารามิเตอร์ ซึ่งเป็นการวางกรอบความคาดหวังที่ตรงไปตรงมาและควรจดไว้

Google ยังระบุว่า HEIR อยู่ภายใต้ร่ม Private Computing Toolkit และมีพันธมิตรด้านฮาร์ดแวร์เร่งความเร็ว FHE อย่าง Belfort, Niobium, Cornami และ Optalysys — แต่ยังไม่ประกาศกำหนดวางจำหน่ายที่ชัดเจน เป้าหมายที่ทีมประกาศคือทำให้ HEIR เป็น “โซลูชันกดปุ่มเดียว” ที่คนไม่ใช่ผู้เชี่ยวชาญเอา encrypted inference ไปใส่ในแอป production ได้

มุมมอง AI Curator

ต้องพูดให้ชัดก่อน: นี่ยังไม่ใช่เทคโนโลยีที่คุณจะเอาไปรัน LLM บนข้อมูลลูกค้าได้พรุ่งนี้ ช่องว่างด้านประสิทธิภาพระหว่าง FHE กับการคำนวณปกติยังอยู่ในระดับหลายร้อยถึงหลายพันเท่า และงานที่ Google เลือกมาโชว์ก็สะท้อนข้อจำกัดนั้นอย่างซื่อสัตย์ — โมเดลเล็ก งานจำเพาะ อินพุตสั้น

แต่สิ่งที่เปลี่ยนคือ ต้นทุนการเข้ามาลอง ก่อนหน้านี้ การจะทำ encrypted inference สักตัวต้องมีคนในทีมที่เข้าใจ noise budget, การเลือกพารามิเตอร์, และการ bootstrap — ซึ่งแทบไม่มีบริษัทไหนนอกวงวิจัยมี การมีคอมไพเลอร์ที่ซ่อนชั้นนั้นไว้ทำให้คำถามเปลี่ยนจาก “เราจ้างนักคริปโตได้ไหม” เป็น “งานของเราทนความช้าระดับนี้ได้ไหม” ซึ่งเป็นคำถามที่ทีมวิศวกรรมทั่วไปตอบเองได้

และคำถามนั้นมีคำตอบว่า “ได้” มากกว่าที่คิด เพราะงานประเภทที่เอกชนอยากใช้ AI แต่ไม่กล้าเพราะข้อมูลอ่อนไหวนั้น มักไม่ใช่งานเรียลไทม์ — การคัดกรองธุรกรรมผิดปกติแบบ batch ทุกชั่วโมง, การจัดกลุ่มเวชระเบียนข้ามโรงพยาบาล, การวิเคราะห์ log ความปลอดภัยที่ต้องส่งออกไปให้ผู้ให้บริการภายนอก — งานพวกนี้รอสิบวินาทีต่อรายการได้สบาย ๆ ถ้าแลกกับการที่ข้อมูลดิบไม่เคยออกจากรูปแบบเข้ารหัสเลย

สำหรับไทยและ SEA เรื่องนี้ตรงกับข้อจำกัดเชิงกฎหมายที่คนทำระบบเจอตลอด PDPA และกฎของ ธปท. กับ กลต. ทำให้การส่งข้อมูลลูกค้าไปประมวลผลบนคลาวด์ต่างประเทศเป็นเรื่องที่ต้องผ่านกระบวนการยาว หรือทำไม่ได้เลยในบางประเภทข้อมูล ซึ่งเป็นเหตุผลจริงที่ธนาคารและโรงพยาบาลไทยจำนวนมากยังไม่ได้ใช้ AI กับข้อมูลที่มีค่าที่สุดของตัวเอง encrypted inference ไม่ได้ทำให้ปัญหาเชิงกฎหมายหายไปทันที — แต่มันเปลี่ยนรูปคำถามจาก “ผู้ให้บริการเห็นข้อมูลเราหรือเปล่า” (ซึ่งตอบยาก ต้องเชื่อใจสัญญา) เป็น “ผู้ให้บริการเห็นไม่ได้ในทางคณิตศาสตร์” (ซึ่งตอบได้ด้วยการพิสูจน์) และนั่นคือความแตกต่างที่ฝ่ายกฎหมายฟังรู้เรื่อง

ข้อเสนอเชิงปฏิบัติสำหรับทีมที่สนใจ: อย่าเพิ่งคิดใหญ่ ลองหางาน classification เล็ก ๆ ที่มีอยู่แล้วในระบบ — โมเดลตรวจธุรกรรมผิดปกติ, ตัวจัดหมวดเอกสาร — แล้วลองคอมไพล์ผ่าน HEIR วัด latency จริงบน workload จริง ต้นทุนของการทดลองคือเวลาวิศวกรไม่กี่วัน และผลลัพธ์จะบอกได้ทันทีว่าองค์กรคุณอยู่ห่างจากจุดที่ใช้ได้จริงแค่ไหน ในสายเทคโนโลยีที่คนพูดถึงมาสิบห้าปีแต่ไม่เคยจับต้องได้ การได้ตัวเลขของตัวเองมีค่ากว่าการอ่านเปเปอร์อีกสิบฉบับ

แหล่งข่าว

• How Google is making private AI practical with homomorphic encryption — Google
• ที่เก็บโค้ด HEIR บน GitHub (Apache-2.0)
• ที่เก็บตัวอย่าง FHE ของ Google บน GitHub