TEE + 透明日志 + 可复现构建：Google 把「可验证的联邦学习」装进了 Gboard

联邦学习讲了这么多年，一直有两个问题说不清楚：数据到底有没有被看，以及过程和结果能不能被第三方验证。Google 这次把 TEE、透明日志、可复现构建三件事绑在一起，正面回答了这两个问题。

三个技术要件，缺一不可

• TEE（可信执行环境）：提供硬件级隔离，训练在受保护的内存区域里跑，连平台运维都看不到明文；
• 公共透明日志 Rekor：访问策略被发布到公开日志，谁在什么策略下访问过数据，可被审计、不可事后篡改；
• 可复现构建：二进制能由开源代码复现，避免「只能信任厂商编译产物」这个盲区。

落地到什么程度

不是实验室概念——Gboard 的英语与日语下一词预测模型已经部署，训练时间从过去的每次 1–2 个月显著缩短，同时隐私保证更强、准确率更高。过去「隐私」和「效果」常被当成取舍关系，这次是同时变好。

为什么要三件事一起做

单独看，每一件都有短板：

• 只有 TEE：你依然要信任芯片厂商和平台方；
• 只有透明日志：日志只证明「记录了什么」，不保证「执行了什么」；
• 只有可复现构建：证明代码与产物一致，但不保证运行时策略。

三者叠加，才把结论从「相信这家公司」换成了「你可以自己验证」。

对做数据类产品的团队，三个启发

1. 把可验证性当成产品特性，而不只是合规成本——尤其在 to B 或出海业务里，能对客户说清「你怎么自己验证」比一句承诺值钱；
2. 策略公开（哪怕只公开摘要）会显著降低与客户、监管的沟通成本；
3. TEE 的代价是工程复杂度与性能开销，适合数据的采集与聚合环节，不必强行覆盖全流程。

「我们不看你数据」是承诺；「你可以自己验证我们没看」才是产品。

参考来源

• Google Research Blog：Toward provably private learning from federated data（research.google/blog/toward-provably-private-learning-from-federated-data/）