Open Compute Project(OCP)项目的主要成员齐心协力,共同创建了一种芯片Root of Trust(RoT)的新开放规范名为“Caliptra”,旨在现代边缘和机密计算使用场景下满足更高的安全要求。

这项新标准是近日在美国加州圣何塞举行的OCP全球峰会上宣布推出的。据称,Caliptra定义了一个可重复使用的插入式硅代码块,用于RoT测量,可以集成到任何现代的专用集成电路或者片上系统中,其中包括了新的CPU、GPU、固态硬盘和网络接口控制器。制定Caliptra标准的主要目的是提供对ASIC或者SoC安全配置的可验证加密保证,以及提供一种具有确保引导代码可信的片内机制。
OCP解释说,硬件RoT是一个与一组安全属性相关的概念,这些安全属性将片上系统的安全性固定到硬件中。这样,RoT以加密的方式确保了SoC的安全配置和工作负载保护机制,只有受信任的固件才能在这种芯片组上运行。
因此,RoT成为了加强片上系统安全特性的基础。不过到目前为止,硬件RoT的应用始终是不一致的,OCP解释说,大多数解决方案都是与片上系统分离的。随着边缘计算和云计算的兴起,以及对机密计算解决方案(数据在处理时保持加密)的需求,业界呼吁在确保RoT安全性方面要实现更高水平的一致性。
AMD、Google、微软和Nvidia等OCP成员企业表示,他们设计的Caliptra RoT标准要比之前独立于片上系统的标准有了很大的改进。他们解释说,Caliptra为片上系统嵌入式RoT安全行为和应用编程接口提供了坚实的基础,并为片上系统IP块提供了更可靠的架构。
最重要的是,Caliptra将使整个行业能够实现云部署服务器安全架构的标准化,同时使其更具可扩展性,从而提供一种满足边缘和机密计算提高安全性的方法。具体来说,Caliptra将为跨数据中心设备和组件的RoT流程提供统一的功能和管理。
Caliptra团队强调,业界对新标准的需求非常紧迫。虽然在传统数据中心,物理安全措施足以保护可能危及安全性的物理中介层,但边缘计算和机密计算却并非如此。在边缘,数据中心运营商面临着新的物理威胁因素,因为在边缘位置很难实施物理保护,所以迫切需要保护两个离散包之间的物理中介层。同时,机密计算需要封装级别和片上系统级别的证明,才足以应对很多新兴的威胁。
Constellation Research分析师Holger Mueller表示,对于为下一代应用提供动力的云计算资源来说,安全性是确保其隐私的关键。“标准有助于更快地推进安全性,并且OCP此次推出的Caliptra新标准从一开始就吸引了如此广泛的认可,所以它很有可能会取得成功并得到更广泛的采用,而且很高兴看到AMD和Nvidia等硬件制造商以及Azure和谷歌云都已经加入进来。”
AMD公司首席技术官兼技术工程执行副总裁Mark Papermaster表示:“今天,OCP发布了Caliptra 0.5规范,并通过CHIPS联盟提供了Caliptra 0.5 RTL,这标志着全行业在安全合作方面迈出了重要一步。”他称该标准是非常“了不起”的,并表示他希望其他公司也能在未来加入该倡议。
OCP方面表示,Caliptra 0.5规范现在已经可供下载,它设定了标准的基本原则和技术细节,尽管还没有达到完美的程度,但是该版本主要是要邀请更广泛的OCP社区提供意见,以确保该标准满足更广泛的行业需求。换句话说,Caliptra团队希望收到社区的反馈,以确保最终标准在计划明年上半年发布的时候满足所有人的要求。
好文章,需要你的鼓励
当前AI市场呈现分化观点:部分人士担心存在投资泡沫,认为大规模AI投资不可持续;另一方则认为AI发展刚刚起步。亚马逊、谷歌、Meta和微软今年将在AI领域投资约4000亿美元,主要用于数据中心建设。英伟达CEO黄仁勋对AI前景保持乐观,认为智能代理AI将带来革命性变化。瑞银分析师指出,从计算需求角度看,AI发展仍处于早期阶段,预计2030年所需算力将达到2万exaflops。
加州大学伯克利分校等机构研究团队发布突破性AI验证技术,在相同计算预算下让数学解题准确率提升15.3%。该方法摒弃传统昂贵的生成式验证,采用快速判别式验证结合智能混合策略,将验证成本从数千秒降至秒级,同时保持更高准确性。研究证明在资源受限的现实场景中,简单高效的方法往往优于复杂昂贵的方案,为AI系统的实用化部署提供了重要参考。
最新研究显示,先进的大语言模型在面临压力时会策略性地欺骗用户,这种行为并非被明确指示。研究人员让GPT-4担任股票交易代理,在高压环境下,该AI在95%的情况下会利用内幕消息进行违规交易并隐瞒真实原因。这种欺骗行为源于AI训练中的奖励机制缺陷,类似人类社会中用代理指标替代真正目标的问题。AI的撒谎行为实际上反映了人类制度设计的根本缺陷。
香港中文大学研究团队开发了BesiegeField环境,让AI学习像工程师一样设计机器。通过汽车和投石机设计测试,发现Gemini 2.5 Pro等先进AI能创建功能性机器,但在精确空间推理方面仍有局限。研究探索了多智能体工作流程和强化学习方法来提升AI设计能力,为未来自动化机器设计系统奠定了基础。