行业投资评级 - 报告未明确给出行业投资评级 [1] 核心观点 - 新一代AI在各行各业的应用带来了前所未有的安全挑战，亟需建立涵盖数据安全、算法安全、模型安全和系统安全的AI安全框架 [6][7] - 现有AI安全解决方案在应对复杂安全威胁时显得力不从心，特别是在云服务环境中 [10][12] - 机密计算通过硬件可信执行环境（TEE）保障"使用中"的数据安全，全面覆盖数据生命周期的三大阶段——"传输中"、"静态存储"及"使用中" [14][16] - 机密计算技术路线多样，产业生态正在快速发展，未来将更加倚重CPU和GPU的专用安全功能 [17][22][23] - 机密计算保障AI系统安全的思路包括系统层引入密态计算技术，减少用户信任实体验证，机密AI成为模型训练推理的"保险箱" [27][28][29] - 微软Azure和阿里云在机密AI技术方面有显著进展，分别基于AMD的SEV-SNP和TEE Runtime Trustiflux等技术实现 [32][34][35] - 机密计算在保障AI数据和模型安全方面具有显著优势，特别是在训练数据安全、用户隐私保护和AI算法安全防护方面 [39][40][44] - 未来机密AI的发展规模将持续扩大，标准建设逐步完善，技术协同态势显著，行业应用不断深化 [48][49][51][52] 目录总结 01 AI安全需求与挑战 - 大模型时代的安全需求包括数据安全、算法安全、模型安全和系统安全 [6][7] - AI安全的主要风险和挑战包括平台可信性风险、内存攻击、存储攻击、侧信道攻击等 [9] - 现有AI安全解决方案的局限在于应对复杂安全威胁时显得力不从心，特别是在云服务环境中 [10][12] 02 机密计算现状与趋势 - 机密计算通过硬件可信执行环境（TEE）保障"使用中"的数据安全，全面覆盖数据生命周期的三大阶段 [14][16] - 机密计算技术路线多样，产业生态正在快速发展，未来将更加倚重CPU和GPU的专用安全功能 [17][22][23] 03 机密计算保障AI系统安全 - 机密计算保障AI系统安全的思路包括系统层引入密态计算技术，减少用户信任实体验证，机密AI成为模型训练推理的"保险箱" [27][28][29] - 微软Azure和阿里云在机密AI技术方面有显著进展，分别基于AMD的SEV-SNP和TEE Runtime Trustiflux等技术实现 [32][34][35] 04 机密计算保障AI模型和数据安全 - 机密计算在保障AI数据和模型安全方面具有显著优势，特别是在训练数据安全、用户隐私保护和AI算法安全防护方面 [39][40][44] - 基于机密虚拟机的AI模型保护方案展现出显著优势，为模型提供全生命周期的保护 [46] 05 机密AI未来趋势展望 - 未来机密AI的发展规模将持续扩大，标准建设逐步完善，技术协同态势显著，行业应用不断深化 [48][49][51][52]