北大博士休學創業，自研異構計算架構，終結密算低效困局

2026 年初，一個名為 OpenClaw 的 AI Agent 產品在全球范圍內迅速走紅。它能夠自主操作電腦、讀取文件、執行任務，被視為 AI 從“對話框”走向“數字員工”的標志性產品。但隨之而來的，是一場關于數據安全的集體焦慮。

這場焦慮并非空穴來風。在傳統互聯網時代，人們大多只將一些無關痛癢的生活碎片分享至微博、朋友圈等公開網絡。即便如此，“人肉搜索”和隱私泄露依然是引發公眾群體性焦慮的?？?。進入 AI 時代以后，用戶上傳至云端的敏感數據和文件數量呈百倍、千倍級激增。特別是 Agent 的普及，進一步放大了數據安全防線的漏洞——它們深度嵌入用戶的電腦或手機，擁有極高的系統權限，隨時可能將本地文件和操作記錄同步至云端。

在這一背景下，錯誤使用 AI 可能導致三大后果。職業危機，機密公文或案件卷宗被 AI 意外同步至云端，導致法律與職業道德追責；個人隱私受損，醫療、性取向等高度敏感的私密咨詢一旦被惡意檢索，將導致社會評價受損及社交關系崩塌；被迫繳納“隱私稅”，用戶的消費習慣被算法跨平臺精準畫像，導致其被迫購買溢價遠超市場均價的商品，實質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業的暫停鍵創辦荊華密算，并聯合清華大學任炬教授實驗室，共同推進高性能密態計算的商業化落地。目前，該公司已完成種子輪和天使輪累計數千萬元人民幣的融資。

他們所瞄準的技術路徑，是曾被公認為數據安全終極方案的密態計算。

理論上講，密態計算能讓數據在完全不解密的狀態下完成計算，數據在流轉的每個環節，都處于加密狀態。用林修醇的話說：“密態計算擁有最強健的攻擊模型，即便數據在傳輸、存儲及計算全過程中遭遇黑客竊取或廠商窺探，甚至數據丟失，也無需擔心泄露。因為數據始終處于加密狀態，對外界而言如同無法破解的亂碼?！?/p>

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：太慢了。由于需要對海量密文進行復雜的運算，會給模型訓練帶來1,000 到 1 萬倍的時間損耗。

“我們做了一個取舍，放棄了 99% 的通用計算能力，只針對 AI 相關的 1% 的算子進行極致優化?！绷中薮颊f道。在歷經數年的技術長跑后，他們通過對 AI 計算算子的徹底重構，不僅實現了全面兼容國產異構 GPU，更將密態計算的性能損耗降低了 3-4 個數量級，成功打破了“安全”“效率”與“通用性”難以兼得的行業“不可能三角”，使其真正達到可用水平。

這意味著，密態計算正在逐步商業化落地，成為觸手可及的生產力工具。

把傳統密態計算損耗從一萬倍降到可用水平

為什么數據裸奔了這么久，安全的密態計算卻遲遲無法落地？這背后涉及兩個關鍵概念——CPU TEE 和 GPU TEE（可信執行環境）。

在數據安全領域，TEE被視為有效的防線之一。傳統的 CPU TEE 雖然安全性可以接受，但面對大模型的海量并行計算時顯得力不從心，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，行業的普遍解法是“機密計算”，即通過英偉達 GPU-TEE 這類硬件，在芯片層面創建一個隔離的“安全屋”。但這種方案有兩個致命局限：一是技術被綁定在海外顯卡上，無法兼容國產廠商；二是安全性由單一海外廠商擔保。在林修醇看來，“把信任根寄托于人，本身就是巨大的潛在風險?！?/p>

為了兼顧絕對安全與極致效率，荊華密算團隊對大模型的計算任務進行了分流。

一方面，將約 95% 的基礎運算，交由普通 GPU 進行加密盲算。 團隊引入了 OTP（One-time Pad）方案——在數據離開安全區（TEE）之前，系統會使用一次性密鑰，將原始數據轉化為一堆毫無規律的密文。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內。計算完成后，結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，針對剩下 5% 的復雜運算，交由 CPU TEE 進行精準保護。 面對那些難以用純密碼學高效處理的非線性算子，團隊直接將其引入防線最堅固的 CPU TEE 中，進行內存級的加密運算，確保核心邏輯滴水不漏。

更關鍵的是，團隊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（Infra），將這種復雜的異構計算環境進行了極致的流水線化（Pipeline）設計。這使得數據在 CPU 和 GPU 之間流轉時如同上了高速公路，不僅將性能損耗壓降到了最低，實際的數據吞吐量也遠遠甩開了傳統方法。

最終，團隊將性能損耗從萬倍降到可用水平的同時，實現了對國產異構 GPU 的全面兼容，同時在確保零精度損耗的前提下，密態計算正式具備了商用級的可用不可見。

在林修醇看來，AI 數據安全問題并非突然出現，而是隨著計算范式的躍遷，經歷了一場從邊緣到內核、從顯性到隱性的危險突變，并正在歷經著三個時代的演進。

第一個是傳統互聯網時代，隱私威脅主要體現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，危害范圍相對有限。

第二個是以 Chatbot 為主的（前）大模型時代，用戶開始大規模將敏感文件、會議紀要、工作內容上傳至公網，安全與效率的兩難抉擇成為企業和個人用戶的普遍困境；

第三個是以 Agent 為主的（后）大模型時代，風險性質發生了根本性變化，Agent 具備自主思考與行動能力，可以在用戶完全不知情的情況下，將本地高度敏感的數據帶至公網進行推理。

基于對這一趨勢的判斷，荊華密算推出了兩款核心產品：密態推理引擎解決剛需隱私場景下云端大模型的使用問題，特別是針對醫療、法律、科研等極度敏感領域；密態訓練引擎則解決數據買賣中的安全隱患，確保數據在訓練過程中“租而不售”，防止核心資產被復制。

“我賭AI 安全問題一定會爆發”

根據 IBM 和安全研究公司波耐蒙研究所聯合發布的《2025 年數據泄露成本報告》，全球數據泄露的平均成本為 444 萬美元。在泄露數據中，個人身份信息占半數以上，知識產權泄露更是以每條記錄 178 美元的代價成為最貴損失。數據泄露生命周期一旦超過 200 天，平均損失將突破 500 萬美元。

這種嚴峻的現狀揭示了一個殘酷的商業真相：在大模型深度參與業務的今天，數據安全不再是單純的合規成本，而是決定企業生命周期的核心紅線。如何在 AI 加速迭代的浪潮中，守住數據流動的安全底線，已成為全球企業的必答題。

行業對安全的迫切需求，正迅速轉化為真實市場動力?！褒埼r事件后，市場對我們的需求迅速升溫，比預期要快?！绷中薮纪嘎?，“自四月中旬在大模型上跑通密態計算全流程以來，已有多家機構立項或表達了合作意向，估值翻了一倍?！?/p>

他表示，“像‘龍蝦’這類超長上下文應用，必須依賴云端滿血版大模型才能發揮潛力。用戶始終面臨兩難：端側模型相對安全但能力受限，云端模型能力強大卻存在數據泄露隱患。我們希望提供一個能夠安全使用云端大模型的方案?！?/p>

在具體的商業落地路徑上，荊華密算試圖針對不同隱私級別需求構建分層的防護體系。據介紹，面向數據高敏感行業提供高密級的本地化私域部署方案，構建覆蓋“輸入-推理-輸出”全流程的密態計算防護體系；面向開發者與 C 端用戶，推出密態推理平臺和“龍蝦安全衛士”，支持跨平臺、多終端即插即用；同時針對高價值私域數據領域，基于密態訓練引擎，實現數據真正以密文形式的租賃式出售。首批商業落地場景覆蓋政企、金融、醫療、法律、科研等行業。

在采訪的最后，談及對未來的判斷時，林修醇語氣篤定?！拔屹€兩件事?！彼f，“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，若延續當前的使用模式，疊加黑客技術的日益精進，AI安全領域極有可能爆發類似‘熊貓燒香’級別的重大安全災難。短期而言，這或許尚屬隨機的概率事件；但從長遠演進的視角審視，此類毀滅性事故的發生具有必然性。”他正用一場豪賭，在 AI 安全賽道上穩步前行。

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