专题演讲嘉宾：陈昱 博士

随着大语言模型（LLM）的加速普及，其在应用中带来的数据隐私与安全风险，正成为制约其规模化落地的关键挑战。传统的隐私计算方案，如联邦学习或同态加密，虽然安全性高，但因其技术复杂、成本高昂，难以在通用场景中广泛部署，无法满足日益增长的 AI 应用需求。

大语言模型强大的智能能力，本质上依赖于对用户提供信息的深度理解与处理。然而，将包含个人隐私或企业核心机密的原始数据直接提交给云端模型，存在着不可控的泄露风险。这种在“AI 效能”与“数据安全”之间的内在矛盾，导致用户难以在享受AI便利的同时确保自身信息安全，构成了当前 AI 普惠化进程中的核心瓶颈。

本次分享我将介绍一种创新的 HaS（Hide and Seek）隐私保护系统，通过首创的“语义同构标签”技术，在不暴露原始数据的前提下，实现了对敏感信息的结构化保护与云端大模型的安全交互。我们将展示该系统如何通过轻量化的端云协同架构，有效解决上述矛盾，为个人与企业提供一条兼顾隐私安全与 AI 效能的全新路径，让用户能够真正掌控自己的数据，安心释放 AI 的全部潜力。

演讲提纲

1. 背景与挑战

• 分析大语言模型普及带来的新型数据隐私风险
• 探讨传统隐私计算方案（如联邦学习、同态加密）在 LLM 应用场景下的局限性与不适用性
• 揭示核心技术痛点：传统脱敏技术因破坏上下文而导致模型推理能力严重下降，即“上下文黑洞”问题

2. HaS 的解法

提出一种新的解耦思路：从“隐藏数据”转向“翻译业务意图”，该思路的核心技术是“语义同构标签”，一种保留了逻辑关系的结构化隐私表达。为此，我们设计了端云协同架构，将信任边界与数据控制权完全回归用户侧，并自研了轻量化端侧模型 HaS_SLM，用于高效执行本地的编译与还原任务

3. 系统架构设计

• 端侧的核心职责：执行智能实体编译、管理本地映射关系，并进行最终的安全还原
• 云侧的职责：仅对标签化数据进行无状态推理，确保其无法访问任何原始敏感数据
• 通过一个典型请求的生命周期，展示端云协同的工作流与数据闭环

4. 实践效果与案例

• 个人应用场景：通过浏览器插件实现公文写作、邮件处理等任务的无感知隐私保护
• 企业应用场景：通过工作流节点保障合同审查、财务分析等核心业务的数据安全
• 展示关键性能指标，如响应延迟、模型体积，以及对主流大模型平台的兼容性测试结果

5. 未来展望

• 探讨未来的技术演进方向，如持续优化模型性能与拓展多模态支持
• 展望构建开发者生态与开放社区的长期愿景

您认为，这样的技术在实践过程中有哪些痛点？

• HaS 系统的核心 trade-off 在于：用一部分推理质量和交互流畅性，换取了可控的数据隐私和合规性

演讲亮点

• 全新的隐私保护交互范式：通过首创的“语义同构标签”，在不暴露原始数据的前提下，让云端大模型能够理解并执行推理任务，实现AI效能与数据安全的统一
• 轻量化的端云协同架构：用户端侧完成敏感实体的编译与还原，确保隐私数据始终不出域；云端仅处理结构化标签，实现对各类大模型的无缝、低成本接入
• 安全可控的全流程隐私闭环：实现从“标签编译、云端推理”到“智能引导、本地还原”的完整闭环，用户可精确控制隐私披露边界，并通过审计日志确保全链路可追溯

听众收益

• 获得一种创新的 AI 交互设计模式：听众将学习到如何通过设计一种与大模型预训练知识“同构”的结构化标签，在不进行额外模型训练的前提下，低成本地引导模型在不接触原始数据的情况下完成复杂推理。这为他们在处理各类私域数据与LLM结合问题时，提供了一种超越传统数据脱敏或API隔离的全新思路
• 了解一种轻量化的端云协同架构范式：在传统的重型隐私计算方案之外，听众可以了解如何通过将“信任边界”回收到端侧，并结合轻量级端侧模型（SLM）与云端大模型（LLM）的协同，来巧妙地平衡隐私安全、实现成本与系统性能这三者间的复杂关系，为他们自己的系统架构设计提供有价值的参考
• 收获“端侧小模型+云端大模型”的落地案例：听众能具体了解到端侧小模型在整个隐私保护工作流中扮演的关键角色（如实体识别、标签编译、结果还原），及其在模型选型、轻量化部署（浏览器内WASM）和性能优化上的实践经验，为构建类似的混合AI系统提供具体的、可借鉴的工程实践