谷歌升级联邦学习，借TEE可信执行环境实现可验证隐私

10月2日，谷歌研究院公布新一代联邦学习系统。与以往把训练数据留在手机本地不同，新方案借助可信执行环境（TEE）在服务器端完成梯度计算，同时提供可外部验证的隐私保障，把原本只能“相信服务器运营商”的信任模型，转变为“可审计代码加硬件证明”。

系统由四个环节组成：设备先把训练样本本地加密并附带访问策略后上传；由运行Raft共识的TEE集群组成密钥管理服务，仅在远程证明匹配策略时才释放解密密钥；一个根TEE运行Python训练循环，并把可并行子任务委托给worker TEE；训练轮次结束后仅对外发布差分隐私处理后的模型权重。所有访问策略会写入Rekor公开透明日志，供外部审计者核查。

Gboard的英文与日文“下一词预测”模型已切换到该架构。谷歌称新系统在更强隐私保障下准确率不降反升，隐私预算从0.641降至0.215，训练时间从过去的一到两个月大幅缩短。对依赖手机空闲时段的上一代方案而言，这相当于把算力瓶颈从“设备可用性”转移到了“服务端TEE并行度”。

联邦学习自2017年起就支撑Gboard、Smart Compose等日常功能，但此前的Secure Aggregation无法兼容中心化差分隐私。TEE方案突破了这一限制，却也带来新边界：仍依赖TEE硬件安全假设，运营商可见上传元数据，密钥过期为“尽力而为”。对希望采用该设计的团队，核查允许程序、输出预算与恢复行为，比单纯相信“机密计算”标签更可靠。