摘要： NVIDIA 於 2026 年 7 月 2 日發表 Confidential Computing，作為推論期間資料暴露的硬體層對策。這套做法讓資料在 CPU 與 GPU 處理全程維持加密，官方主張安全與效能不必二選一。文章說明部落格只給概念，未提供效能數據或支援的 GPU 型號。
當 AI 系統從實驗推進到正式營運，資料安全往往是上架前最難跨過的那道門檻。這一點對醫療、金融、政府這類經手敏感資訊的組織特別明顯：資料「正在被使用」的階段，向來比存放或傳遞時更難看住。NVIDIA 於 2026 年 7 月 2 日在官方部落格上給出了他們的對策——Confidential Computing（CC）。它不是抽象口號，而是直接在硬體層堵住「推論期間資料外洩」的風險。
「使用中」的資料為何成為防護缺口
一般的加密機制多半只守住兩種狀態：資料存放時（靜態）與傳遞時（動態）。可是一旦資料被讀進記憶體、交給 AI 模型跑推論，就必須攤成明文才有辦法計算。這代表只要誰碰得到記憶體——心懷不軌的內部人員、已經淪陷的作業系統，甚至是更底層的虛擬機器管理程式——就有機會把敏感資訊撈走。NVIDIA 的 CC 技術正是衝著這個缺口而來：資料在 CPU 與 GPU 上被處理的全程，都維持加密狀態。
對產品建構者而言，這件事的意義遠超出 IT 合規。假如你的產品要經手客戶的機密資料，而對方堅持資料在整個生命週期都得受到保護，少了這層防線，生意可能當場告吹。NVIDIA 這套方案想證明的，正是「安全」與「效能」不必二選一——這也是它最值得盯著看的地方。
硬體加速如何守住效能這一關
回頭看，記憶體加密之所以遲遲難被廣泛採用，是因為每一次資料存取都得多做一道加解密手續，效能損耗相當可觀。NVIDIA 的 CC 選擇借力硬體加速，把這些運算直接融進 GPU 的處理流程，讓額外負擔壓得非常低。官方部落格形容，這套方案是「為了 agentic 時代而設計」，言下之意是它不只服務傳統批次推論，也撐得住需要即時反應的 AI 代理（agent）應用。
正在挑選 AI 基礎設施的團隊，面前的取捨其實很單純：為了拉高安全等級，你願意付出多少代價？NVIDIA 給出的宣稱是，你不必咬牙犧牲其中一邊。不過真要上線，仍得針對自己的工作負載實測效能表現，特別是模型會頻繁存取大量資料的場合。
給產品建構者的行動清單
假如你手上的產品靠 AI 推論運作，客戶又對資料隱私格外在意，那 Confidential Computing 應該排進你的技術評估清單。第一步，查清楚部署環境——不論是雲端供應商還是自有資料中心——能不能支援 NVIDIA CC，畢竟它需要特定的硬體與軟體棧搭配。第二步，實際測量模型開啟 CC 之後的推論延遲與吞吐量，確認服務水準協議（SLA）守得住。第三步，找安全團隊一起盤點，這層防護該怎麼接上既有的加密與身分驗證機制，串成一條完整的防禦鏈。
也要留意，這篇部落格文章只做到概念層次的介紹，既沒有公布具體的效能數據，也沒有列出支援的 GPU 型號。因此在拍板架構之前，比較穩妥的做法是直接翻閱 NVIDIA 的官方文件，或找他們的解決方案架構師討論，把更詳細的技術規格問清楚。
把安全當成產品本身的一部分
這次 NVIDIA 的發布點出一個老道理：AI 安全不該等到上線前才臨時加掛。設計產品的當下，就該盤點資料在整條處理流程上有哪些暴露風險，再挑對應的技術把風險壓下來。硬體級的 Confidential Computing 是一個很有分量的選項，但它合不合用，終究要看你的具體場景。比較穩的順序是：先弄懂客戶的安全需求，再評估技術上行不行得通，最後才決定要不要採用。走完這一輪，你才可能一邊守住資料，一邊不讓安全機制拖住產品的腳步。