Но у лидерства есть слабое место: оно не устраняет границу доверия — переносит её к аппаратному вендору. Уязвимости side-channel Intel SGX, атаки извлечения AMD SEV и старт правоприменения AI Act в Финляндии (январь 2026) показывают, что доверие к железу — не то же, что решённая безопасность. Кейс Lilly TuneLab + Benchling (1300+ биотехкомпаний, инвестиции свыше $1 млрд) демонстрирует зрелость федеративного обучения. Niobium The Fog сигнализирует о прогрессе FHE, но не о переломе рынка.
На рынке технологий конфиденциальности оформляется простой консенсус: побеждает не самый криптографически строгий подход, а тот, который можно встроить в корпоративную инфраструктуру без разрушения экономики продукта. Поэтому в 2026 году именно confidential computing выглядит главным фаворитом. Рынок этого сегмента уже оценивается в 42,7 млрд долларов, а Gartner относит его к числу ключевых технологических трендов .
Это уже не нишевая история для «особо чувствительных» сценариев, а часть базового enterprise-стека. Компании хотят использовать внешнюю инфраструктуру, данные и модели одновременно, но без полной капитуляции по вопросу доверия. Confidential computing предлагает практичный компромисс: не устранить доверие, а переместить его в аппаратно защищённую среду.
Именно это сегодня и покупает рынок.
Почему confidential computing впереди
Корпоративный спрос почти всегда выбирает не теоретическую чистоту, а приемлемую стоимость внедрения. Если защита требует переписывать пайплайны, платить высокой латентностью или терять в качестве, массового принятия не будет. Если приватность можно получить почти как инфраструктурную функцию, масштабирование становится реальным.
Отсюда и успех confidential computing. Для бизнеса это понятная модель: данные и модели обрабатываются в изолированной среде, не раскрываясь облачному провайдеру или оператору платформы. На фоне более тяжёлых криптографических подходов это выглядит как лучший доступный компромисс.
Но именно здесь и начинается главный неудобный вопрос.
Победа есть. Полной развязки нет
Конфиденциальные вычисления выиграли раунд, но не решили проблему доверия окончательно. Они не устраняют trust boundary, а переносят её в сторону аппаратного вендора, реализации и цепочки поставки. Это гораздо менее комфортная история, чем любит показывать рынок.
Основания для осторожности уже были: у Intel SGX находили уязвимости побочных каналов, у AMD SEV демонстрировались атаки извлечения. Поэтому текущее доминирование confidential computing выглядит одновременно заслуженным и хрупким: это самый практичный путь к приватности в enterprise, но он держится на предположении, что аппаратная граница доверия не даст серьёзной трещины.
История безопасности обычно наказывает именно за избыточную уверенность.
Финляндия показала: AI Act уже не «будущая проблема»
Отдельный сигнал пришёл из Европы. В январе Финляндия стала первым государством ЕС с полностью работающими полномочиями по правоприменению AI Act. На этом фоне особенно показательно, что более половины организаций до сих пор не имеют системной инвентаризации своих ИИ-систем, а многие команды по комплаенсу всё ещё рассчитывают на возможную отсрочку через Digital Omnibus до декабря 2027 года .
Эта ставка становится рискованной. AI Act уже превращается из «горизонтной» нормы в исполнимый режим. Для ML-команд это означает, что privacy-preserving архитектуру больше нельзя откладывать на потом: придётся заранее понимать, какие системы используются, какие персональные данные в них проходят и какие меры защиты можно предъявить в доказуемом виде .
Для AI-стартапов вывод тоже прикладной: растёт цена неформальности. Если компания не может объяснить, где проходят чувствительные данные и как именно они защищены, это будет хуже выглядеть и в enterprise-продажах, и в due diligence. Поэтому дифференциальная приватность, федеративное обучение и конфиденциальные вычисления всё больше становятся не просто техническим выбором, а инструментами комплаенса .
Федеративное обучение тоже вышло из режима обещаний
На этом фоне особенно показателен кейс Lilly TuneLab + Benchling. Платформа Eli Lilly, созданная на исследовательских инвестициях свыше 1 млрд долларов, теперь интегрирована с Benchling: более 1300 биотехнологических компаний могут запускать модели Lilly для разработки лекарств, возвращая отдельные результаты через федеративное обучение, при этом данные партнёров остаются локально, а проприетарные данные Lilly закрытыми.
Это важный сигнал для всего PPML-рынка: федеративное обучение всё чаще выглядит не как исследовательская идея или пилот, а как рабочая платформенная модель для чувствительных отраслей .
FHE-инференс становится заметнее. Но это всё ещё не перелом рынка
Показательный сигнал недели: запуск Niobium Microsystems платформы The Fog: облачного сервиса, выполняющего ИИ-нагрузки на данных, которые остаются зашифрованными на всём протяжении вычислений; ключи расшифрования остаются у клиента, а сам провайдер данных не видит. Это важный признак того, что FHE постепенно выходит из зоны лабораторных демонстраций в сторону продуктовых платформ.
Но говорить о переломе рынка пока рано. The Fog опирается на FPGA-акселератор mistic Core, а заявленное двукратное превосходство над GPU в задачах полностью гомоморфного шифрования пока не получило независимой верификации; параллельно Niobium разрабатывает ASIC совместно с SEMIFIVE и Samsung Foundry. Поэтому происходящее разумнее трактовать как шаг к зрелости направления, а не как момент, когда FHE уже начал переписывать правила рынка.
Рыночная логика здесь проста: FHE будет усиливаться там, где уровень недоверия слишком высок даже для аппаратной границы доверия. Но в массовых enterprise-нагрузках confidential computing пока остаётся более удобным вариантом. Иными словами, FHE-инференс это не смена шахматной доски, а усиление важного направления рядом с TEE, а не вместо них.
Что это значит для PPML
Если убрать шум, картина достаточно ясная.
Во-первых, privacy-preserving ML выходит из исследовательской резервации и становится частью практической архитектуры в чувствительных сценариях. Во-вторых, лидирует не самый строгий, а самый внедряемый подход: сегодня это confidential computing. В-третьих, у этого лидерства есть слабое место: оно опирается на доверие к железу. И наконец, регуляторы начинают формировать спрос не на «privacy вообще», а на доказуемые меры защиты .
Вывод
Конфиденциальные вычисления действительно выиграли текущий раунд. Они лучше всего соответствуют реальной логике корпоративного внедрения: понятная интеграция, низкий friction и приемлемая экономика . Но считать это окончательной победой преждевременно.
В безопасности редко побеждает тот, кто объявил проблему решённой. Обычно выигрывает тот, кто точнее понимает, где проходит граница доверия и сколько на самом деле стоит ошибка в её выборе.
Источники
Топ стратегических технологических трендов 2026 по Gartner
Niobium запускает The Fog — SiliconANGLE
Пресс-релиз Niobium — PRNewswire
Гомоморфное шифрование в LLM-пайплайнах: почему оно не работает — Protecto
Benchling + Lilly TuneLab — Benchling News
Запуск Lilly TuneLab — TipRanks
Руководство по соответствию AI Act ЕС в 2026 году — SecurePrivacy
AI Act ЕС: 6 шагов до 2 августа 2026 — Orrick
Сроки соответствия AI Act ЕС — GDPR Register
Прогноз рынка конфиденциальных вычислений — Fortune Business Insights
Конфиденциальные вычисления NVIDIA
Confidential Computing Consortium — Linux Foundation
Часто задаваемые вопросы
Какова стоимость рынка конфиденциальных вычислений в 2026?
Рынок конфиденциальных вычислений в 2026 оценивается в $42,7 млрд (Fortune Business Insights). Gartner включил его в число ключевых стратегических технологических трендов. Рост отражает корпоративный спрос на защиту, встраиваемую в существующую инфраструктуру без разрушения экономики продукта — confidential computing предлагает изоляцию данных в аппаратно защищённой среде без переписывания ML-пайплайнов или платы высокой латентностью.
Почему конфиденциальные вычисления лидируют в PPML?
Корпоративный спрос выбирает приемлемую стоимость внедрения, а не теоретическую чистоту. У FL высокая стоимость координации (5,2% клинического внедрения). FHE требует специальных аппаратных ускорителей, недоступных в массовых облаках.
Конфиденциальные вычисления находятся между ними: данные и модели обрабатываются в изолированных, защищенных аппаратными средствами средах без доступа к облачным провайдерам. NVIDIA Vera Rubin NVL72 сделала это стандартом; AWS, Google Cloud, Microsoft, Oracle Cloud Infrastructure — все они интегрируют эту технологию. Модель удобна для предприятий: низкие затраты, приемлемая экономичность, понятная интеграция.
Какие уязвимости есть у Intel SGX и AMD SEV?
Intel SGX (Software Guard Extensions) — это доверенная среда выполнения (TEE) от Intel, защищающая данные с помощью аппаратно-защищенных анклавов. Были обнаружены уязвимости, распространяющиеся по побочным каналам, которые потенциально могут привести к утечке защищенных данных через наблюдаемое поведение оборудования. AMD SEV (Secure Encrypted Virtualization) — это технология конфиденциальных вычислений от AMD для виртуализированных сред.
Были продемонстрированы атаки с извлечением данных. Оба примера показывают, что конфиденциальные вычисления не устраняют доверие — они переносят границу на сторону поставщика оборудования, реализации и цепочки поставок. История, как правило, наказывает чрезмерную уверенность в технологиях безопасности.
Что такое AI Act и какова роль Финляндии в правоприменении?
EU AI Act — закон ЕС об искусственном интеллекте — регулирует системы ИИ по категориям риска. В январе 2026 года Финляндия стала первым государством ЕС, обладающим полностью функционирующими полномочиями по обеспечению соблюдения этого закона. Это превращает регулирование из «проблемы будущего» в действенный режим.
Несмотря на это, более половины организаций по-прежнему не имеют систематического перечня систем ИИ. Многие команды по комплаенсу продолжают рассчитывать на продление действия «Цифрового свода правил» до декабря 2027 года — ставка, которая становится все более рискованной.
Что такое кейс Lilly TuneLab + Benchling?
Платформа TuneLab Eli Lilly создана на инвестициях в исследования свыше $1 млрд. Теперь она интегрирована с Benchling, биотех R&D платформой.В результате объединенной системы более 1300 биотехнологических компаний могут использовать модели разработки лекарств от Lilly, получая индивидуальные результаты посредством федеративного обучения. Данные партнеров остаются локальными. Собственные данные Lilly остаются закрытыми.
Это свидетельствует о том, что федеративное обучение перешло от исследовательской идеи или пилотного проекта к рабочей платформенной модели для чувствительных отраслей.
Что такое The Fog от Niobium Microsystems?
The Fog — это облачный сервис, запущенный компанией Niobium Microsystems в 2026 году. Он выполняет задачи ИИ на данных, которые остаются зашифрованными на протяжении всего процесса вычислений. Ключи дешифрования остаются у клиента; провайдер никогда не видит открытый текст. The Fog использует ускоритель Niobium Mistic Core FPGA и, как утверждается, обеспечивает двукратное преимущество перед графическими процессорами в задачах FHE (пока не подтверждено независимыми экспертами).
Nibium одновременно разрабатывает ASIC в сотрудничестве с SEMIFIVE и Samsung Foundry. Запуск сервиса свидетельствует о переходе FHE от лабораторных демонстраций к производственным платформам, но это шаг к зрелости, а не переломный момент на рынке.
Стоит ли AI-стартапам делать ставку на отсрочку AI Act Digital Omnibus?
Ставка становится все более рискованной. Начало действия закона в Финляндии в январе 2026 года, а также перенос сроков, указанных в Приложении III/I, на март 2026 года (окончательные даты — декабрь 2027 года / август 2028 года), демонстрируют, что Закон об ИИ превращается в режим, подлежащий исполнению. Для стартапов в сфере ИИ: если компания не может объяснить, куда перемещаются конфиденциальные данные и как они защищены, это выглядит хуже как при корпоративных продажах, так и при комплексной проверке.
Дифференцированная конфиденциальность, федеративное обучение и конфиденциальные вычисления все чаще становятся не просто техническими решениями, но и инструментами обеспечения соответствия требованиям.
Что это всё значит для PPML в 2026 году?
Четыре вывода.
- Машинное обучение, обеспечивающее конфиденциальность, перешло из разряда исследовательских задач в практическую архитектуру для чувствительных сценариев.
- Лидирует не самый строгий, а самый внедряемый подход — сегодня это конфиденциальные вычисления.
- У этого лидерства есть слабое место: оно опирается на доверие к железу.
- Регуляторы создают спрос не на «конфиденциальность в целом», а на доказуемые меры защиты.
Победителем в сфере безопасности редко становится тот, кто объявил проблему решенной — обычно тот, кто точно понимает, где проходит граница доверия и чего стоит ошибка в её определении.
