Sifted于2026年9月23日刊发报道称，VAST Data推出名为DataEnclave的新技术，允许企业将AI模型带入存放敏感数据的保密环境，同时保持模型、数据与底层基础设施相互隔离。这家公司将其平台描述为一套统一的AI操作系统，把数据存储、数据库和计算基础设施整合在一起，目标不是让企业把敏感信息交给外部AI服务，而是把模型带到数据所在之处。

企业通常有最不愿外泄的数据。对银行而言，可能是数百万客户交易记录；对制药公司而言，可能是多年专有研究；对网络安全企业而言，可能是网络威胁和漏洞的详细信息。这些数据往往构成竞争优势，也使企业不愿将其输入外部AI模型。将敏感客户信息、知识产权或受监管数据放入AI服务，会带来谁能访问、在哪里处理以及处理后如何处置等问题。面对GDPR、AI与行业监管或国家安全要求，处理不当可能带来严重后果。

文章指出，过去几年企业AI讨论多集中在模型本身，即哪些模型更聪明、更快或更便宜，但模型只是问题的一部分。银行若要识别复杂欺诈，AI系统掌握的交易历史、客户行为和既往事件上下文越多，分析可能越有用；制药公司若能把多年实验数据与强大AI模型结合，也可能加快原本需要数月的研究。真正的机会在于让企业已经拥有的信息发挥作用，以改进产品、降低风险、加速研究或创造新服务。但数据越有商业价值，使用起来就越不简单。

企业已有保护静态存储或系统间传输数据的方法，困难出现在数据需要被实际使用的时候。AI模型必须处理信息才能分析，传统上这会形成敏感信息可能在运行工作负载的基础设施中变得可见的节点。保密计算正是为应对这一问题而设计：它不只依赖规定谁应有权访问信息的规则，而是用硬件支持的保护措施，在数据处理过程中将其隔离。这相当于创建一个用于计算的上锁房间，数据和AI模型可以进入，但基础设施运营商，有时甚至模型提供商，也无法访问。

DataEnclave的设计目标，是让企业把AI模型带入含有敏感数据的保密环境，同时让模型、数据和底层基础设施彼此隔离。文章举出若干可能场景：金融服务公司可以分析敏感客户信息，而不把底层记录交给AI模型；网络安全企业可以针对高度机密的威胁数据运行AI；政府可以对永远不会考虑放入公共AI服务的信息使用AI能力。欧洲在金融、医疗、国防和工业技术等领域建立了拥有高度专业化数据集的企业，其竞争优势很大程度来自多年积累的信息，这些企业自然不希望信息泄漏到他人系统中。如果这些数据能安全地与更多AI模型结合，企业就不必在获取最新AI能力和保护自身知识产权之间做同样的取舍。

文章同时指出，这并不会消除良好治理的需要。企业仍需决定哪些数据应被使用、信任哪些模型，以及员工或AI代理应被允许对结果做什么。保密计算不会让这些决策消失，但可能移除一个重要障碍。AI行业过去几年竞相构建能力越来越强的模型，而对许多企业来说，下一个大机会可能并非来自模型性能的又一次跃升，而是终于能够使用此前被锁住的信息。