Google libera HEIR, compilador open source para IA sobre dados criptografados

Em 14 de agosto de 2026, o Google apresentou o HEIR, um compilador open source que, segundo a empresa, torna prática a inferência 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 → sobre dados criptografados. O nome é sigla de Homomorphic Encryption Intermediate Representation, e a proposta é atacar o principal gargalo da criptografia totalmente homomórfica: a dificuldade de escrever código que a use bem.

O problema que a criptografia homomórfica resolve

Proteções padrão como criptografia ponta a ponta trazem um trade-off descrito pelo próprio Google no anúncio: os dados do usuário ficam protegidos contra vazamentos, mas o provedor do serviço deixa de conseguir oferecer recursos que dependem desses dados, como detecção de spam ou de vírus. Setores como saúde e finanças são ainda mais avessos a esse risco, e regulações restringem o compartilhamento de dados entre instituições.

Alternativas como processamento local esbarram na capacidade do dispositivo e na proteção da propriedade intelectual do provedor: enviar um modelo proprietário para o aparelho do usuário arrisca vazar o próprio modelo.

A criptografia totalmente homomórfica (FHE, na sigla em inglês) muda essa equação. Ela permite executar computações diretamente sobre dados criptografados. O servidor processa o texto cifrado (ciphertext) e devolve um resultado também cifrado, sem nunca ter acesso à informação subjacente. No exemplo do Google, um serviço em nuvem consegue gerar recomendações de conteúdo sem enxergar as características (features) do usuário.

O custo computacional continua sendo o calcanhar de Aquiles. Mas o Google argumenta que a FHE transforma o antigo dilema entre capacidade e privacidade em uma questão de custo, e que esse custo vem caindo rapidamente. Diferentemente de soluções baseadas em hardware, como os secure enclaves do Google Cloud↳Google Cloud13 conteúdosPrograma da Google Cloud no Brasil projeta formar de forma gratuita 30 mil universitáriosDev (Back & Front) · mar 2026Google Cloud OnBoard capacita estudantes e desenvolvedores de TIGestão Dev & TI · mai 2019Desenvolvedores poderão participar de treinamento gratuito do Google CloudGestão Dev & TI · mai 2019Ver tudo em DevSecOps →, a garantia da FHE é puramente criptográfica.

Por que um compilador

O ponto central do anúncio não é a FHE em si, tecnologia que existe há anos, e sim a usabilidade. O Google admite que converter manualmente um programa existente para usar criptografia homomórfica de forma eficiente exige uma equipe de criptógrafos. É esse conhecimento especializado que o HEIR pretende empacotar.

Na prática, o HEIR consegue converter modelos de IA pré-treinados que operam sobre dados em texto claro para operar sobre entradas criptografadas. A visão declarada pela empresa é ambiciosa: tornar o HEIR uma solução "de um clique" que permita a não especialistas incorporar inferência criptografada em aplicações de produção.

O projeto não é novo. O Google anunciou a intenção em 2023 e diz que, desde então, viu a comunidade de FHE adotar a ferramenta. O HEIR virou também plataforma de pesquisa: cientistas podem construir suas otimizações específicas sobre a infraestrutura existente de testes, benchmarking e comparações. O Google cita colaborações com Georgia Tech, Carnegie Mellon, UC Santa Barbara, Illinois Institute of Technology, Purdue, Universidade de Edimburgo e Tsinghua, além de quatro publicações revisadas por pares já baseadas no HEIR.

Os quatro casos de uso demonstrados

Para mostrar o estado atual da tecnologia, o Google divulgou quatro aplicações de inferência privada, todas compiladas com o HEIR. Os números de latência apresentados são para CPU single-threaded, e o código-fonte dos exemplos está no repositório do projeto no GitHub:

• Recomendação de conteúdo: um Deep Learning Recommendation Model capaz de servir recomendações privadas, em trabalho conjunto com Belfort Labs, LG e a Universidade de Nova York.
• Detecção de fraude em cartão de crédito: compilada com Niobium e hardshell.ai.
• Detecção de intrusão: o sistema Kitsune, de detecção de anomalias em tráfego de rede criptografado, compilado com a Niobium. Permite que um provedor detecte anomalias sem ver o conteúdo dos pacotes de rede.
• *Detector de hotword***: modelo compilado com a Belfort Labs que permitiria a um agente de IA acionado por voz reconhecer palavras-chave sem expor a gravação de áudio.

O Google também firmou parcerias com fabricantes de aceleradores de hardware para FHE, entre eles Belfort, Niobium, Cornami e Optalysys, e afirma que pretende demonstrar em breve os ganhos de latência com esses aceleradores.

O que muda para quem desenvolve no Brasil

Os casos citados batem direto com dores conhecidas do mercado brasileiro. Detecção de fraude em cartão e antifraude em geral são áreas em que fintechs e adquirentes nacionais investem pesado, e sempre esbarram no dilema de treinar modelos com dados sensíveis de transação. Um pipeline em que o modelo roda sobre dados cifrados muda o desenho de conformidade com 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 →, já que o provedor de inferência tecnicamente nunca acessa o dado em claro.

O mesmo vale para saúde, setor em que o compartilhamento de dados entre instituições é justamente o tipo de operação que a FHE promete destravar. Para quem constrói software em nuvem no país, a possibilidade de oferecer features dependentes de dados sem custodiar a informação em texto claro é um argumento comercial e regulatório relevante.

Ainda assim, vale ler o anúncio pelo que ele é. Os benchmarks divulgados são de CPU single-threaded, ou seja, um piso de desempenho, não um cenário de produção otimizado. O próprio Google trata a latência acelerada por hardware como demonstração futura, não como algo disponível hoje. A promessa de solução "de um clique" também segue sendo visão, não estado atual da ferramenta.

Para o desenvolvedor que quer avaliar na prática, o caminho é o repositório no GitHub, onde estão o compilador e os quatro exemplos. O HEIR entra no chamado Private Computing Toolkit do Google, ao lado de técnicas como differential privacy, private set membership e private information retrieval. Fica em aberto quanto o custo computacional ainda pesa em cargas reais e em que prazo os aceleradores de hardware citados chegam a um ponto que justifique a adoção fora de provas de conceito.

Fonte: Hacker News