联邦学习硬件支持：隐私保护加密计算Chiplet与本地训练Chiplet的协同架构.docxVIP

PAGE2

联邦学习硬件支持：隐私保护加密计算Chiplet与本地训练Chiplet的协同架构

摘要

本报告聚焦于人工智能芯片领域的前沿方向——联邦学习硬件支持架构，深度研究在边缘设备中集成支持同态加密等隐私计算技术的Chiplet，与AI训练Chiplet协作完成联邦学习的协同架构。

随着全球数据隐私法规趋严，联邦学习作为兼顾数据价值挖掘与隐私保护的核心范式，正从云端向边缘端快速渗透。然而，边缘设备在算力、功耗与安全隔离上的固有矛盾，使得传统单芯片方案难以同时满足本地训练的高算力需求与隐私计算的高安全要求。Chiplet技术通过将不同功能模块解耦为独立芯粒并进行异构集成，为破解这一困局提供了全新路径。

本报告核心发现如下：第一，隐私保护加密计算Chiplet与本地训练Chiplet的协同架构，能够实现物理级的安全隔离与功能级的高效协作，将联邦学习边缘推理能效比提升3至5倍。第二，2024年全球联邦学习芯片市场规模约为12亿美元，预计到2029年将增长至78亿美元，年复合增长率达45.3%，其中Chiplet架构的渗透率将从不足5%提升至35%以上。第三，同态加密加速Chiplet的算力瓶颈正被突破，单Chiplet的加密运算吞吐量在2025年已达到每秒百万次级别，功耗控制在3瓦以内。第四，竞争格局尚处早期，英特尔、AMD等传统巨头与新兴AI芯片企业形成两大阵营，差异化竞争空