En 30 segundos
El nuevo diseño cifra ejemplos en el dispositivo y los procesa en entornos protegidos del servidor. Google publica mecanismos de auditoría externa.
Qué ha pasado
Google Research ha anunciado una nueva arquitectura de aprendizaje federado basada en entornos de ejecución de confianza. Gboard ya la utiliza para modelos de predicción de la siguiente palabra en inglés y japonés.
Por qué importa
El diseño permite verificar qué programas pueden procesar los datos y traslada parte del cálculo al servidor. La publicación explica tanto las garantías de anonimización como los límites del hardware utilizado.
A quién afecta
Usuarios de Gboard y equipos que investigan entrenamiento con datos privados.
Qué ha pasado
Los dispositivos cifran localmente los ejemplos y autorizan una política de acceso antes de subirlos. Esa política define qué cálculos podrán procesarlos dentro de entornos de ejecución de confianza, conocidos como TEE.
Un sistema de gestión de claves solo permite descifrar los datos a cargas que cumplen la política. Según Google, los operadores ven métricas y pesos con privacidad diferencial, mientras los ejemplos cifrados solo se procesan en esos entornos durante un tiempo limitado.
Por qué importa
Las políticas se publican en un registro público de transparencia. Los auditores externos pueden observar qué cargas están autorizadas. Google también publica código que permite reconstruir de forma reproducible los componentes del sistema.
Gboard ha adoptado la arquitectura para predicción de palabras en inglés y japonés. Google atribuye mejoras de precisión y velocidad al nuevo diseño. Al recoger los ejemplos antes del entrenamiento en servidores, reduce la dependencia de la disponibilidad y capacidad de cálculo de los dispositivos.
Límites que conserva el diseño
El artículo condiciona las garantías a las limitaciones de los TEE actuales. También señala trabajo pendiente sobre ataques por canales laterales y protecciones para cargas dinámicas. No presenta una prueba completa de corrección de todos los componentes de software.
La arquitectura desplaza cálculo al servidor: no significa que los ejemplos permanezcan siempre en el teléfono. Se suben cifrados bajo políticas de acceso. IARADIA describe el sistema anunciado y no ha auditado su implementación ni medido sus mejoras.
Redactado con IA a partir de fuente oficial. Fuente consultada el 4 de octubre de 2026.
Fuentes y procedencia
- Toward provably private learning from federated data · Google Research · Publicado 2/10/2026