Meta 将机密计算技术引入 AI 智能眼镜以保护用户隐私
Meta 宣布将其私密数据处理与机密计算（Confidential Computing）能力扩展至旗下 AI 智能眼镜设备。该技术旨在通过硬件级安全隔离环境处理用户敏感的音频、图像等多模态交互数据，确保云端处理时数据无法被未经授权的第三方甚至服务提供商本身读取，从而提升端侧可穿戴 AI 设备的隐私保护水平与用户信任度。
DC AI 热点
全部 AI 动态
9月26日2026-09-26
OpenAI 承认其 AI 智能体发生故障，错误将用户图片公开发布至网络
据相关报道，OpenAI 承认旗下 AI 智能体（AI Agents）在运行中发生错误，意外将用户的私有图片公开发布到了网络上。该事件暴露出具备自主操作权限的 AI 智能体在数据隐私保护、执行权限隔离和边界安全控制方面存在潜在隐患。目前具体受影响的用户范围和漏洞细节尚未详尽披露，但再次引发了业界对 Agent 自主行为安全性和用户数据隐私治理的广泛关注。
剑桥分析2.0：当AI助手演变为情报图谱
该文发布于欧盟人工智能联盟（European AI Alliance）社区平台，探讨了AI助手若进一步演进为连接海量个人数据的“情报图谱”，可能引发类似剑桥分析事件的数据隐私、用户操控与安全监管风险。原文具体正文内容未在素材中提供，详细机制与论据信息不足。
9月25日2026-09-25
noyb指责欧盟成员国拟推行有利于AI企业的“数字征用”政策
根据欧洲数字权利组织noyb的报告，欧盟部分成员国正计划推进相关政策调整，被指可能以牺牲欧洲公民的隐私和数据权益为代价，放宽AI企业获取和使用数据的限制，形成所谓的“数字征用”。该动态反映了欧盟在平衡严格数据保护（如GDPR）与支持本土及国际AI产业发展之间的政策博弈与争议。目前素材仅提供初步指控概述，具体法规草案细节有待进一步披露。
基于门限密码学构建面向支付与数字资产的AI智能体加密身份方案
该项目引入了针对AI智能体的“加密身份”概念，由私钥、定义操作权限的清单及附加控制机制构成。核心机制为：智能体执行操作前需请求签名，签名仅在各项安全校验通过后签发。该方案支持自定义操作模式并可接入智能体支付模块，提升了智能体操作的可问责性，并支持在零信任模型下构建安全架构，适用于涉及支付和数字资产的各类智能体应用场景。
面向 AnDE 分类器的联邦学习框架研究
该研究提出了一种在分布式环境中训练平均 n-依赖估计器（AnDE）的联邦学习框架。该方案重点关注判别式设定，模型权重在本地学习后进行全局聚合，并支持任意依赖阶数 n。由于无需传输具有直接语义的参数，该设计显著提升了隐私安全性。此外，研究还实现了生成式 AnDE 联邦基准，支持在概率表聚合中引入差分隐私，并在 12 个离散数据集上完成了有效性验证。
联邦学习鲁棒性研究综述：发展趋势、新兴策略与研究机遇
该研究针对联邦学习在隐私保护应用中面临的性能削弱、信息窃取以及聚合脆弱性等鲁棒性挑战进行了全面综述。论文从三个核心维度对联邦学习鲁棒性进行了系统梳理：首先以威胁为中心对多维攻击面进行分类；其次构建了鲁棒聚合策略的结构化分类体系，明确区分以结果为中心和以安全为中心的方法；最后提出了分层框架，旨在为提升分布式学习系统的安全性与稳健性提供研究指引。
9月23日2026-09-23
英伟达推出机密计算方案，助力实现私有高性能生产级AI推理
随着大语言模型（LLM）推理在个人、企业及受监管行业中日益广泛地处理敏感数据和专有模型上下文，隐私与安全防护变得至关重要。英伟达通过其机密计算（Confidential Computing）技术，致力于在保护数据隐私和知识产权的同时，提供生产级的高性能AI推理能力，确保大模型在云端及基础设施中的安全可靠运行。
9月15日2026-09-15
利用 NVIDIA FLARE 在 Docker、Kubernetes 和 Slurm 上扩展联邦学习
联邦学习项目通常起步于单服务器、少数客户端及各站点单一数据集的基础架构。随着项目规模扩大，跨异构环境的部署与扩展成为关键挑战。文章介绍了如何借助 NVIDIA FLARE 框架，将联邦学习工作负载高效扩展至 Docker 容器、Kubernetes 集群以及超算常用的 Slurm 调度系统，帮助开发者统一跨平台编排并提升分布式隐私计算的扩展能力。
三个实际案例展示数字主权的落地应用
数字主权已成为诸多商业领袖关注的核心议题，但对于不同管理者和企业组织而言，其具体内涵与落地路径各不相同。本文探讨了数字主权在实际商业环境中的具体体现与实践案例。因输入摘要信息有限，具体涉及的三个用例详情及对应技术方案尚需进一步查阅原文补充。