El marco Orion de NYU Tandon permite que la IA se entrene con datos cifrados sin necesidad de descifrarlos

Imagina un hospital que alimenta registros de pacientes a un modelo de diagnóstico de IA, y el modelo nunca llega a ver los datos reales. No una versión redactada, no un sustituto sintético: los registros genuinos y confidenciales, procesados en su estado completamente cifrado, produciendo resultados precisos sin que un solo byte de texto sin cifrar toque jamás la capa de cómputo. Eso no es una hipótesis sacada de una lista de deseos de investigación. Es lo que la Escuela de Ingeniería NYU Tandon demostró con un framework llamado Orion, y las implicaciones para cada industria que ejecuta IA sobre datos que legalmente no puede exponer son enormes.

¿Qué hace Orion realmente (y por qué es tan difícil)?

La técnica central de este trabajo es el cifrado totalmente homomórfico, o FHE por sus siglas en inglés. El concepto existe desde hace décadas en la teoría criptográfica: permite realizar cálculos directamente sobre datos cifrados, de modo que el resultado, al descifrarse, coincide con lo que se habría obtenido calculando sobre la versión en texto sin cifrar. El problema siempre ha sido la velocidad. Tal como ha reportado IEEE Spectrum sobre la trayectoria de la investigación en FHE, la tecnología ha sido históricamente miles de veces demasiado lenta para su despliegue práctico, lo cual es precisamente la razón por la que ha permanecido dentro de los laboratorios de investigación en lugar de integrarse en sistemas en producción.

Orion es la respuesta del equipo de NYU Tandon a ese muro de rendimiento. Los estudiantes de doctorado Austin Ebel y Karthik Garimella, trabajando junto al Profesor Asistente Brandon Reagen, construyeron un framework que permite la computación segura de redes neuronales sin sacrificar la precisión, según la Escuela de Ingeniería NYU Tandon. La demostración más destacada es llamativa: los investigadores lograron la primera ejecución de detección de objetos FHE de alta resolución usando YOLO-v1, un modelo de aprendizaje profundo con 139 millones de parámetros. Ejecutar un modelo de esa escala bajo cifrado totalmente homomórfico, sin degradar el resultado, es el tipo de logro que desplaza al FHE de la curiosidad teórica a una herramienta de ingeniería viable.

"Un avance en cifrado sienta las bases para modelos de IA que preservan la privacidad. El nuevo framework de IA permite la computación segura de redes neuronales sin sacrificar la precisión." (Escuela de Ingeniería NYU Tandon)

El trabajo del equipo obtuvo el premio al Mejor Artículo en ASPLOS 2025 en Róterdam, uno de los foros de arquitectura de sistemas más competitivos de la informática, un reconocimiento mencionado públicamente por el Vicerrector Sénior de Investigación de NYU, Juan J. de Pablo, el 3 de abril de 2025. Un Mejor Artículo en ASPLOS no es un premio de participación. Significa que la comunidad de investigación en sistemas, las personas que construyen las capas de hardware y software sobre las que funciona todo lo demás, evaluó este trabajo y decidió que marcaba una diferencia.

Por qué esto importa para las industrias reguladas ahora mismo

El problema de privacidad en la IA en producción no es abstracto. Las organizaciones de salud sujetas a HIPAA, las instituciones financieras que navegan por la GLBA y una red cada vez más densa de regulaciones estatales, y cualquier empresa que gestione datos personales bajo el RGPD enfrentan una tensión estructural: los modelos de IA más útiles requieren grandes volúmenes de datos de entrenamiento confidenciales, pero exponer esos datos a un pipeline de entrenamiento genera responsabilidad legal y riesgos de seguridad.

Las soluciones de compromiso habituales, la anonimización, la privacidad diferencial y el aprendizaje federado, implican cada una pérdidas en la utilidad de los datos o en la precisión del modelo. El FHE, si puede hacerse suficientemente rápido, elimina la tensión por completo. Los datos nunca abandonan su estado cifrado, por lo que la pregunta de cumplimiento cambia de "¿cómo protegemos los datos durante el procesamiento?" a "nunca procesamos datos sin cifrar en primer lugar". Esa es una postura de cumplimiento genuinamente diferente, y los reguladores se interesan cada vez más por los controles técnicos que ofrecen garantías criptográficas en lugar de promesas de política.

Las técnicas de IA que preservan la privacidad, incluido el FHE, ya se están explorando en sectores donde la sensibilidad de los datos no es negociable, según el panorama de enfoques de IA con preservación de privacidad de XenonStack. La brecha entre "estar siendo explorado" y "desplegado en producción" ha sido históricamente el problema del rendimiento. La demostración de Orion con 139 millones de parámetros no cierra esa brecha de la noche a la mañana, pero redibuja el límite de lo que es factible.

El problema de infraestructura que viene a continuación

Una demostración de framework, por impresionante que sea, no es un ecosistema de infraestructura. Aquí es donde el trabajo paralelo del equipo de NYU Tandon cobra relevancia. La misma institución lidera una iniciativa separada financiada con una subvención de 3,8 millones de dólares de la Fundación Nacional de Ciencias, en colaboración con la Universidad de Stanford y la Universidad de la Ciudad de Nueva York, para construir herramientas de diseño de hardware de código abierto para la computación con preservación de privacidad, bajo una plataforma llamada Cryptolets, según el anuncio del proyecto de NYU Tandon.

La premisa de Cryptolets es directa: las tecnologías de computación criptográfica más avanzadas de hoy están atrapadas en laboratorios de investigación por una barrera crítica: son miles de veces demasiado lentas para el uso cotidiano. El proyecto financiado por la NSF tiene como objetivo construir la infraestructura que falta, específicamente herramientas de diseño a nivel de hardware, que podrían hacer que esas tecnologías sean prácticas a escala.

Considerados en conjunto, Orion y Cryptolets representan dos capas de la misma ambición: demostrar que la computación funciona a una escala significativa, y luego construir las herramientas a nivel de chip para hacerla lo suficientemente rápida como para ejecutarse fuera de un entorno de investigación.

"Las tecnologías de computación criptográfica más avanzadas de hoy, que permiten la computación con preservación de privacidad, están atrapadas en laboratorios de investigación por una barrera crítica: son miles de veces demasiado lentas para el uso cotidiano." (Escuela de Ingeniería NYU Tandon)

Para quienes están construyendo una carrera en seguridad de IA, ingeniería de privacidad o tecnología de cumplimiento normativo, esta es la frontera que vale la pena observar. Los problemas de ingeniería interesantes aquí se sitúan en la intersección de la criptografía, la arquitectura de computadores y los sistemas de aprendizaje automático: exactamente el tipo de territorio interdisciplinario que produce trabajos genuinamente difíciles y genuinamente gratificantes.

Lo que esto significa realmente para ti

Si estás estudiando IA, seguridad, o ambas, Orion es un caso de estudio útil sobre cómo se ve la ingeniería de privacidad real. No es una política de privacidad. No es una casilla en un formulario de cumplimiento. Es una garantía criptográfica aplicada a nivel matemático, lo que significa que un atacante que intercepte la computación no obtiene nada útil, porque los datos nunca fueron descifrados para empezar.

Esa distinción importa enormemente a medida que la adopción de la IA se acelera en la sanidad, las finanzas y cualquier dominio donde los datos subyacentes tienen protección legal. Para quienes aprenden en estos campos, la conclusión práctica es esta: las herramientas para la IA con preservación de privacidad están madurando más rápido que los planes de estudio que las enseñan. El FHE, la computación multiparte segura y la privacidad diferencial ya no son temas puramente académicos. Se están convirtiendo en requisitos de ingeniería, y las instituciones que forman profesionales que los comprenden tienen una ventaja significativa.

El trabajo de Orion de NYU Tandon, presentado en ASPLOS 2025 y respaldado por financiamiento de infraestructura de la NSF, es una señal de que el campo está pasando de la teoría a los sistemas. El siguiente paso es observar si las herramientas de hardware de Cryptolets pueden acercar el rendimiento del FHE lo suficiente a la inferencia convencional como para convertirlo en una opción realista por defecto para despliegues con datos sensibles, y no solo en una prueba de concepto. Ese es el desarrollo que vale la pena seguir a medida que esta investigación madura.