谷歌DeepMind为Private AI Compute提出一种服务器端持久记忆架构，将加密记忆存于云端但把解密密钥留在用户设备，以在不同设备和会话间保留上下文并提供可验证的隐私保护。该方案目前为架构和验证材料发布，强调硬件隔离、端到端加密和可验证审计，但实际部署与用户控制细节仍待公开与审查。
谷歌DeepMind表示，将为Private AI Compute加入一种服务器端持久记忆架构，使人工智能助手能够在不同设备和会话之间保留必要的上下文，同时尽量维持接近端侧处理的隐私保护标准。
这项技术更新于2026年9月23日公布。它目前首先是一项架构和验证方案，而不是面向所有用户即时开放的新功能。谷歌在公告中使用的是“将带来”和“旨在实现”等表述，因此不能据此推断所有Gemini或其他谷歌人工智能产品已经启用了跨设备长期记忆。
把长期记忆放进云端，但把解密能力留在用户设备
根据谷歌DeepMind发布的官方技术更新，新架构会把用户记忆存放在专用的加密存储中，而用于解锁这些数据的密码学密钥只由用户的个人设备持有。谷歌称，在这一设计下，包括谷歌自身在内的其他主体都不能直接读取这些数据。
当人工智能模型需要调用相关上下文时，用户设备会通过经过认证的端到端加密通道，把请求发送到云端的安全隔离区，也就是secure enclave。系统只在隔离内存中临时解密所需内容，完成推理和处理后保存新增上下文，并立即重新加密。
这条数据路径试图把两个通常相互牵制的目标放在一起：一方面，先进模型所需的计算能力往往超出手机、电脑或智能眼镜本身；另一方面，用户又不希望个人偏好、历史对话、设备内容或生活安排被当作普通云端数据长期保存和处理。
谷歌给出的例子包括：用户此前在智能眼镜上查看过装配说明，之后可以在笔记本电脑上继续使用；或者在手机上开始的复杂对话，能够在网页端恢复。这里的重点不是简单扩大上下文窗口，而是让个人助手在设备切换后仍能找到与任务相关的历史信息。
从“无状态”云端推理转向可验证的持久层
Private AI Compute此前主要处理的是无状态任务。按照谷歌的解释，任务结束后，系统会清除处理过程中的上下文。这种方式有利于缩小长期数据暴露面，但也限制了个人助手提供连续服务的能力。把少量个人事实手工写进普通用户资料，并不能替代对复杂经历、任务背景和跨设备工作流的持续理解。
新方案增加了一个持久化存储层，但谷歌并没有把它描述成普通的云数据库。其Private AI Compute Technical Brief称，平台的目标是让用户数据只能由用户访问，并在具有硬件信任根的受保护执行环境中完成处理。
技术简报还把Private AI Compute描述为同时服务云端模型和隐私要求的基础设施。其设计涉及面向CPU工作负载的硬件可信执行环境，以及面向TPU工作负载的强化安全平台。谷歌此前曾将这一套云端隐私基础设施与Titanium Intelligence Enclaves联系起来，用于在隔离硬件环境中运行更复杂的Gemini模型。
简报所描述的保护措施还包括加密通信、隔离内存、设备派生的加密密钥以及远程证明等机制。不同机制分别解决传输、存储、处理和环境可信度问题，但它们能否在实际产品中形成完整保护，仍取决于具体部署、密钥生命周期、终端设备安全和用户授权流程。
谷歌开始公开更多验证材料
此次更新的另一重点是可验证性。谷歌表示，将同时发布更新后的技术简报、服务器软件的防篡改公开记录，以及有关技术方法和独立网络安全审计的材料。
官方说法是，运行Private AI Compute的设备将能够在发送个人数据前，验证服务器软件是否真实且未被改动。换言之，谷歌希望把信任关系从“用户相信公司已经正确部署系统”，逐步推进到设备和外部研究者能够检查更多密码学和软件证据。
不过，这些材料的公开并不等于所有安全结论已经由外部机构独立证明。谷歌的公告提到独立审计结果，但并未在公告正文中把审计报告的全部边界、测试范围和未覆盖部分展开说明。更准确的表述应是：谷歌正在提供供外界检查的验证资料，并以审计结果支持其架构主张，而不是把“即使谷歌也无法读取”理解为脱离具体威胁模型的绝对保证。
技术简报也把未来方向列为持续扩大外部验证，包括让用户设备直接验证服务器证明材料和经过认可的二进制身份，建立由独立第三方共同观察和签名的透明日志，并扩大可复现构建、定期审计和安全研究者参与的范围。这说明当前公开的系统仍被视为持续演进的验证框架。
个人AI的关键问题不只是“记不记得”，而是“谁能控制记忆”
长期记忆正在成为个人人工智能产品的重要竞争点。助手如果每次对话都从零开始，就很难处理长期项目、重复性任务和跨设备协作；但如果系统默认保存大量个人信息，用户又需要面对数据留存、误用、泄露和错误记忆等风险。
在这一点上，谷歌的方案与另一种本地优先路线形成对照。AIFlux此前报道的Hugging Face开源工具funes把代理会话日志保留在本地，并允许用户决定是否将记忆发布为自己拥有的数据集。谷歌则试图在云端提供前沿模型的计算能力，同时通过终端密钥、硬件隔离和可验证软件，把服务器端记忆限制在更严格的访问边界内。
两种路线都显示，AI记忆正在从单纯的产品功能变成基础设施和治理问题。记忆应该保存多久、用户能否完整查看和删除、错误信息如何纠正、不同设备如何撤销授权，以及当设备丢失或密钥不可用时如何恢复，都会影响用户是否愿意把长期个人信息交给助手。
谷歌此次公告暂未说明Private AI Compute的服务器端记忆何时面向哪些产品和地区开放，也没有公布用户可使用的容量、保留期限、删除机制或具体消费级界面。未来的评估重点因此不只是模型能否跨设备记住上下文，还包括用户是否能够清楚知道系统保存了什么、何时调用了什么，以及在关键操作前能否重新获得控制权。
从技术方向看，Private AI Compute试图把“云端的模型规模”与“端侧的隐私直觉”结合起来；从产品现实看，它仍是一套由谷歌提出并持续验证的架构。最终能否成为可信的个人AI记忆层，将取决于公开审计和密码学证明之外的实际部署、用户控制和长期运营记录。
来源：
- Google DeepMind：Advancing Private AI Compute with secure, server-side memory，2026年9月23日。
- Google Private AI Compute Technical Brief。
- Google：Private AI Compute advances AI privacy，Private AI Compute此前的架构背景。