Google lança HEIR, compilador que roda IA sobre dados criptografados

O Google apresentou o HEIR (Homomorphic Encryption Intermediate Representation), um compilador e toolchain de desenvolvimento open-source pensado para facilitar a implantação de computação criptografada. O diferencial anunciado é a capacidade de pegar modelos de IA↳Inteligência artificial440 conteúdosUX e IA: Transformando Experiências Digitais com Inteligência ArtificialProduto & UX · jan 2025MCP: O que é e por que você vai ouvir falar disso em breve?AI · jul 2025IA generativa e a urgência de reconstruir nossa relação com a verdadeAI · jun 2025Ver tudo em AI → já treinados, feitos para operar sobre entradas convencionais em texto claro, e recompilá-los para que passem a operar diretamente sobre dados criptografados, segundo reportagem da InfoQ.

O que é criptografia homomórfica, e por que importa

A criptografia homomórfica (HE, na sigla em inglês) permite executar cálculos diretamente sobre dados cifrados. Na prática, um servidor consegue processar ciphertexts e devolver um resultado também criptografado, sem nunca ter acesso à informação original. É uma quebra do trade-off clássico da criptografia ponta a ponta, em que os dados precisam ser decifrados para serem processados.

Segundo o Google, a HE resolve várias limitações da criptografia de ponta a ponta: permite que serviços como detecção de spam e vírus operem sobre dados criptografados do usuário e reduz o risco de expor modelos de IA proprietários quando eles são implantados em dispositivos dos usuários, entre outros cenários.

Onde o Google já aplicou o HEIR

A empresa afirma ter usado o HEIR para casos concretos:

• Recomendação de conteúdo privada, sem expor os dados do usuário;
• Detecção de fraude em cartão de crédito, protegendo informações financeiras sensíveis;
• Identificação de intrusões de rede sem revelar o conteúdo dos pacotes ao provedor do serviço;
• Reconhecimento de hotwords em streams de áudio sem expor as gravações.

Tecnicamente, o HEIR usa uma representação intermediária como camada de abstração para, nas palavras do Google, "representar e escalar modelos complexos através de dialetos diversos". A promessa para o desenvolvedor: escrever um programa em Python↳Python56 conteúdosVSCode + Python + Alexa: Desenvolva e teste skills para alexa localmente com pythonDev (Back & Front) · out 2025Dominando decoradores em Python: um guia completo com exemplosDev (Back & Front) · jan 2025Desenvolvimento de software: diferenças entre Python, JavaScript e JavaGestão Dev & TI · nov 2024Ver tudo em Dev (Back & Front) →, anotar quais tipos de dado devem ser criptografados e usar o HEIR para compilar o código para execução homomórfica.

Como funciona na prática (ainda não é um clique só)

Apesar do apelo de "um clique", o processo atual não é totalmente automatizado. O Google disponibiliza demos mostrando como modelos PyTorch pré-treinados podem ser compilados para FHE (Fully Homomorphic Encryption). O fluxo envolve alguns passos, começando pelo uso do torch_mlir para exportar o modelo PyTorch para MLIR, antes das etapas de compilação para execução criptografada.

Ou seja: o HEIR reduz a barreira, mas a inferência criptografada de fato ainda exige que o desenvolvedor entenda o pipeline de compilação. A visão de "capacidade de um clique" é o destino, não o estado atual.

O elefante na sala: desempenho

O ponto mais debatido, levantado por vários leitores no Hacker News, é o overhead. O usuário Sabretooth1405 resumiu a preocupação: pelo seu entendimento, a HE e técnicas similares têm overheads muito altos (na ordem de ~10³) em tarefas de inferência, o que as torna comercialmente pouco viáveis.

O usuário dhx trouxe números concretos: uma operação de igualdade de 64 bits leva 80ms, adição e subtração 100ms, e divisão chega a 8 segundos. São ordens de grandeza distantes da computação convencional.

Há, no entanto, um contraponto específico para LLMs. O usuário odo1242 apontou que o cenário pode ser mais favorável para modelos de linguagem, já que seus cálculos dependem fortemente de adição e multiplicação, enquanto branching, uma das operações que a FHE processa pior, é pouco relevante nesse contexto. Já patters ofereceu outra perspectiva: um overhead de 1000x levaria algumas tarefas de classificação de imagem de 1ms para 1s, o que "é viável para algumas aplicações".

A discussão também tocou no trade-off maior de privacidade. O usuário meindnoch defendeu que "a IA mais privada é a que roda no meu próprio hardware, não em algum data center gigante", e Chris2048 seguiu na mesma linha, sugerindo que, quando se quer manter uma query ou dado privado, talvez valha o custo extra de energia de rodar localmente.

Um detalhe importante: embora o HEIR inclua código de benchmarking em seu repositório, o Google não divulgou números sobre a velocidade relativa da ferramenta quando aplicada a LLMs, o que deixa em aberto a viabilidade prática para o caso de uso mais aguardado.

O que muda para quem desenvolve no Brasil

Para times brasileiros, o ângulo mais direto é regulatório. A LGPD↳LGPD14 conteúdosComo utilizar a LGPD com o objetivo de conformidade e inovação?Gestão Dev & TI · out 2021LGPD coloca pressão inédita nos responsáveis pela tecnologia das empresasData · ago 2021Proteção de dados: LGPD é sancionada e começa a valerData · set 2020Ver tudo em Gestão Dev & TI → impõe restrições ao tratamento de dados pessoais, e setores como financeiro e saúde convivem com exigências de sigilo que muitas vezes barram o uso de modelos hospedados em nuvem de terceiros. A criptografia homomórfica é, na teoria, um caminho para terceirizar processamento de IA sem entregar o dado em claro, um cenário atraente para fintechs, healthtechs e qualquer aplicação que precise processar dados sensíveis fora do próprio perímetro.

Na prática, porém, dois fatores pesam contra a adoção imediata no contexto local:

1. Custo computacional. O overhead de ordens de grandeza discutido acima se traduz em mais tempo de CPU e, portanto, mais custo de infraestrutura, algo sensível para equipes que já operam com orçamento de nuvem apertado.
2. Maturidade do ferramental. Sendo um projeto open-source em evolução, com pipeline ainda semimanual, o HEIR hoje serve mais para experimentação e provas de conceito do que para produção crítica.

O recado é acompanhar de perto: o HEIR sinaliza a direção de tornar a inferência sobre dados criptografados algo acessível a desenvolvedores de aplicação, e não só a criptógrafos. Para quem lida com dados regulados, vale rodar os demos do repositório para entender o esforço real de integração antes de qualquer aposta de produção.

Fonte: InfoQ