في عالم يُعزز فيه الذكاء الاصطناعي (AI) والإبداع الرقمي، تأتي الابتكارات مثل SpliTEE لتشكل نقطة تحول حقيقية في كيفية تعامل نماذج اللغة الضخمة (Large Language Models) مع المعلومات الحساسة. يعاني المستخدمون من قلق متزايد بشأن سرية المعلومات التي يقدمونها للنماذج، حيث يمكن أن يُساء استخدام هذه البيانات من خلال النماذج النشرية عن بعد، نتيجة لمشاكل مثل التذكّر غير المقصود أثناء إعادة تدريب النماذج.

تمثل SpliTEE حلاً ثورياً من خلال تنفيذ نموذج اللغة داخل بيئة تنفيذ موثوقة (Trusted Execution Environment - TEE)، مما يضمن أن مزودي الخدمة ليس لديهم أي حق في الوصول إلى البيانات أو العمليات الجارية داخل TEE. لكن معظم TEEs تعتمد على وحدات المعالجة المركزية (CPU)، مما يصعّب أداء المهام مقارنةً بوحدات معالجة الرسوميات (GPU) التي تُحسن بشكل خاص من أداء نماذج اللغة الضخمة.

من خلال الاعتماد على الابتكارات السابقة مثل نموذج Slalom من تأليف Tramer وBoneh، الذي يوزع استنتاج الشبكة العصبية بين TEE وGPU غير الموثوق، أضافت SpliTEE طبقة أخرى من الأمان من خلال استخدام الخصوصية التفاضلية (Differential Privacy) لحماية المدخلات الوسيطة.

أظهرت الأبحاث الجديدة أهمية تغطية المدخلات الوسيطة، حيث تمكن هجوم إعادة بناء المدخلات من استعادة المعلومات تقريباً بدقة 80%. ومن أهم الإسهامات هو تحليل الحساسية العالمية لوظائف LLM الأساسية، والذي يحدد نطاق الضوضاء المطلوبة للحفاظ على الخصوصية.

ابتكرت هذه التقنية معتمدًا على Intel TDX، حيث تم تقييم أدائها باستخدام نموذجين من نماذج اللغة الضخمة: Llama-3.2-3B وQwen3-4B. حيث أن الأداء كان أسرع تقريباً بمقدار الضعف مقارنةً بتنفيذ CPU بالكامل داخل TDX، بالإضافة إلى توفير وقت يتراوح بين 5 إلى 15 ثانية مقارنةً بنموذج Slalom مع تحقيق دقة أعلى.

ختامًا، أظهرت SpliTEE إمكانية إعادة بناء المدخلات، حتى مع العلم بآلية الخصوصية التفاضلية، دون استعادة معلومات إضافية عن تلك الواردة في مدخلة غير ذات صلة. إن هذا الابتكار يبشر بمستقبل مشرق في استخدام النماذج اللغوية بدون مخاوف تتعلق بالخصوصية.