NYUs Tandons Orion-Framework ermöglicht es KI, verschlüsselte Daten zu trainieren, ohne sie jemals zu entschlüsseln

Stell dir vor, ein Krankenhaus speist Patientenakten in ein KI-Diagnosemodell ein – und das Modell sieht die eigentlichen Daten dabei kein einziges Mal. Keine geschwärzte Version, kein synthetischer Ersatz: echte, sensible Akten, vollständig verschlüsselt verarbeitet, mit genauen Ergebnissen – ohne dass auch nur ein einziges Byte im Klartext die Rechenebene berührt. Das ist keine Hypothese aus einer Forschungs-Wunschliste. Genau das hat die NYU Tandon School of Engineering mit einem Framework namens Orion demonstriert – und die Implikationen für jede Branche, die KI auf Daten anwendet, die sie rechtlich nicht offenlegen darf, sind enorm.

Was Orion tatsächlich tut (und warum es so schwierig ist)

Die Kerntechnik dieser Arbeit ist die vollständig homomorphe Verschlüsselung, kurz FHE (Fully Homomorphic Encryption). Das Konzept existiert seit Jahrzehnten in der kryptografischen Theorie: Es erlaubt, Berechnungen direkt auf verschlüsselten Daten durchzuführen – sodass das Ergebnis nach der Entschlüsselung genau dem entspricht, was man bei einer Berechnung auf den Klartextdaten erhalten hätte. Das Problem war stets die Geschwindigkeit. Wie IEEE Spectrum über die Entwicklung der FHE-Forschung berichtet hat, war die Technologie historisch gesehen tausendmal zu langsam für den praktischen Einsatz – genau deshalb blieb sie in Forschungslaboren und fand keinen Weg in Produktionssysteme.

Orion ist die Antwort des NYU-Tandon-Teams auf diese Leistungsbarriere. Die Doktoranden Austin Ebel und Karthik Garimella entwickelten gemeinsam mit Assistenzprofessor Brandon Reagen ein Framework, das sichere neuronale Netzwerkberechnungen ohne Genauigkeitsverlust ermöglicht – so die NYU Tandon School of Engineering. Die herausragende Demonstration ist bemerkenswert: Die Forschenden führten erstmals eine hochauflösende FHE-Objekterkennung mit YOLO-v1 durch, einem Deep-Learning-Modell mit 139 Millionen Parametern. Ein Modell dieser Größenordnung unter vollständiger homomorpher Verschlüsselung zu betreiben, ohne die Ausgabe zu beeinträchtigen, ist genau das Ergebnis, das FHE von einer theoretischen Kuriosität zu einem praktisch einsetzbaren Ingenieurswerkzeug macht.

„Verschlüsselungsdurchbruch legt Grundstein für datenschutzfreundliche KI-Modelle. Neues KI-Framework ermöglicht sichere neuronale Netzwerkberechnungen ohne Genauigkeitseinbußen." (NYU Tandon School of Engineering)

Die Arbeit des Teams wurde auf der ASPLOS 2025 in Rotterdam mit dem Best Paper Award ausgezeichnet – einer der renommiertesten Konferenzen für Systemarchitektur in der Informatik. Diese Anerkennung wurde am 3. April 2025 öffentlich von Juan J. de Pablo, dem Senior Vice Provost für Forschung der NYU, erwähnt. Ein Best Paper bei ASPLOS ist kein Trostpreis. Er bedeutet, dass die Systemforschungsgemeinschaft – also die Menschen, die die Hardware- und Software-Stacks entwickeln, auf denen alles andere läuft – diese Arbeit bewertet und für wegweisend befunden hat.

Warum das für regulierte Branchen jetzt relevant ist

Das Datenschutzproblem in der produktiven KI ist nicht abstrakt. Gesundheitsorganisationen, die dem HIPAA unterliegen, Finanzinstitute, die sich durch GLBA und ein immer dichter werdendes Geflecht aus Regulierungen auf Bundesstaatsebene navigieren müssen, sowie jedes Unternehmen, das personenbezogene Daten unter der DSGVO verarbeitet, sehen sich einem strukturellen Spannungsfeld gegenüber: Die nützlichsten KI-Modelle benötigen große Mengen sensibler Trainingsdaten, doch diese Daten einer Trainingspipeline auszusetzen, schafft rechtliche und sicherheitstechnische Haftungsrisiken.

Die üblichen Kompromisslösungen – Anonymisierung, differenzielle Privatsphäre, föderiertes Lernen – bringen jeweils Abstriche bei der Datennützlichkeit oder der Modellgenauigkeit mit sich. FHE, sofern es schnell genug gemacht werden kann, löst dieses Spannungsfeld vollständig auf. Die Daten verlassen ihren verschlüsselten Zustand nie – die Compliance-Frage wandelt sich dadurch von „Wie schützen wir Daten während der Verarbeitung?" zu „Wir haben verschlüsselte Daten von Anfang an nie verarbeitet." Das ist eine grundlegend andere Compliance-Position, und Regulierungsbehörden zeigen zunehmend Interesse an technischen Kontrollen, die kryptografische Garantien bieten statt bloßer Richtlinienversprechen.

Datenschutzfreundliche KI-Techniken, einschließlich FHE, werden bereits in Bereichen erforscht, in denen Datensensibilität nicht verhandelbar ist – so XenonStack in seiner Übersicht zu datenschutzfreundlichen KI-Ansätzen. Die Lücke zwischen „wird erforscht" und „im Produktionsbetrieb eingesetzt" war historisch gesehen das Leistungsproblem. Orions Demonstration mit 139 Millionen Parametern schließt diese Lücke nicht über Nacht, verschiebt aber die Grenze dessen, was machbar ist.

Das Infrastrukturproblem, das als nächstes kommt

Eine Framework-Demonstration ist jedoch – so beeindruckend sie auch sein mag – kein Infrastruktur-Ökosystem. Hier wird die parallele Arbeit des NYU-Tandon-Teams relevant. Dieselbe Institution leitet eine separate Initiative, die durch einen Zuschuss von 3,8 Millionen US-Dollar der National Science Foundation gefördert wird und in Zusammenarbeit mit der Stanford University sowie der City University of New York offene Hardware-Design-Tools für datenschutzfreundliche Berechnungen unter einer Plattform namens Cryptolets entwickelt – so die Ankündigung des Projekts durch NYU Tandon.

Der Grundgedanke von Cryptolets ist direkt: Die fortschrittlichsten kryptografischen Rechentechnologien von heute sind durch eine entscheidende Barriere in Forschungslaboren gefangen – sie sind tausendmal zu langsam für den alltäglichen Einsatz. Das NSF-geförderte Projekt zielt darauf ab, die fehlende Infrastruktur zu schaffen – konkret Hardware-Design-Tools –, die diese Technologien in großem Maßstab praktikabel machen könnten.

Zusammengenommen repräsentieren Orion und Cryptolets zwei Schichten desselben Vorhabens: Beweise, dass die Berechnung in bedeutendem Umfang funktioniert, und entwickle dann das Chip-Level-Tooling, um sie schnell genug zu machen, um außerhalb eines Forschungsumfelds zu laufen.

„Die fortschrittlichsten kryptografischen Rechentechnologien von heute – die datenschutzfreundliche Berechnungen ermöglichen – sind durch eine entscheidende Barriere in Forschungslaboren gefangen: Sie sind tausendmal zu langsam für den alltäglichen Einsatz." (NYU Tandon School of Engineering)

Für Lernende, die eine Karriere in KI-Sicherheit, Privacy Engineering oder Compliance-Technologie anstreben, ist das die Entwicklungsfront, die es zu beobachten gilt. Die interessanten Ingenieursprobleme liegen hier an der Schnittstelle von Kryptografie, Computerarchitektur und maschinellen Lernsystemen – genau die Art von interdisziplinärem Terrain, das wirklich anspruchsvolle und wirklich lohnende Arbeit hervorbringt.

Was das konkret für dich bedeutet

Wenn du KI, Sicherheit oder beides studierst, ist Orion eine nützliche Fallstudie dafür, wie echtes Privacy Engineering aussieht. Es ist keine Datenschutzrichtlinie. Es ist kein Häkchen auf einem Compliance-Formular. Es ist eine kryptografische Garantie, die auf mathematischer Ebene durchgesetzt wird – was bedeutet, dass ein Angreifer, der die Berechnung abfängt, nichts Verwertbares erhält, weil die Daten nie entschlüsselt wurden.

Dieser Unterschied ist enorm wichtig, da die KI-Adaption in Gesundheitswesen, Finanzen und allen Bereichen, in denen die zugrundeliegenden Daten rechtlichen Schutz genießen, weiter zunimmt. Für Lernende in diesen Feldern lautet die praktische Schlussfolgerung: Die Werkzeuge für datenschutzfreundliche KI reifen schneller, als die Lehrpläne, die sie vermitteln. FHE, sichere Mehrparteienberechnungen und differenzielle Privatsphäre sind keine rein akademischen Themen mehr. Sie werden zu Ingenieuranforderungen – und die Institutionen, die Fachkräfte hervorbringen, die sie verstehen, haben einen erheblichen Vorsprung.

NYU Tandons Orion-Arbeit, präsentiert auf der ASPLOS 2025 und durch NSF-Infrastrukturförderung unterstützt, ist ein Signal dafür, dass sich das Feld von der Theorie hin zu Systemen bewegt. Der nächste Schritt ist zu beobachten, ob das Hardware-Tooling von Cryptolets die FHE-Performance nah genug an konventionelle Inferenz heranführen kann, um sie zu einer realistischen Standardlösung für sensible Deployments zu machen – und nicht nur zu einem Proof of Concept. Das ist die Entwicklung, die es zu verfolgen gilt, während diese Forschung reift.