全球首例雙盲 AI 評測：用密碼學環境建立基準信任

來源： Google DeepMind（William Isaac、Sol Messing、Kristian Lum） 日期： 2026-08-27

摘要

DeepMind 推出全球首例「專有前沿模型的雙盲評測（double-blind evaluation）」，把外部評測侷限在密碼學「盒子」內，防止模型事先看到題目（benchmark contamination）而灌水分數。傳統外部評測有個兩難：要嘛評測方交出測試提示（模型供應商可能提前看到）、要嘛模型方交出權重（洩漏智財）。雙盲評測用 Google Cloud 機密運算（Confidential Space／GPU Enclave）同時保護兩者——評測方看不到 Gemini 權重、Google 看不到測試提示。合作夥伴包括新加坡 AI 安全研究所、OpenMined、AVERI、MLCommons，測試對象為 Gemini Flash Lite 模型。這為資安、政府等高敏感評測開啟「獨立機構嚴謹測試而不犧牲資料主權」的可能。

對 CJ 哥的價值

這是「AI 治理」從紙上政策走向技術可驗證的重要一步——企業採購 AI 模型時最難驗證的正是「廠商宣稱的分數是否可信」。對 CJ 哥的金融/製造客戶（尤其有法遵與資料主權顧慮者）是絕佳素材：說明未來可透過「雙盲、密碼學隔離」的評測機制，在不上傳自家資料、不碰模型權重的前提下驗證模型能力。也豐富 CJ 哥「AI 治理成熟度」的論述層次。

關鍵要點

解決 benchmark contamination（模型先看題目）→ 分數灌水的信任危機

傳統兩難：交測試提示（洩題）或交模型權重（洩智財）→ 雙盲評測兩者都不交

技術手段：Google Cloud Confidential Space 機密運算，密碼學驗證雙方私有性

合作：新加坡 AISI、OpenMined、AVERI、MLCommons；對象為 Gemini Flash Lite

對 CJ 哥的價值

「可驗證的模型評測」是企業 AI 採購治理的未來標配，可寫入顧問治理建議

對資料主權敏感客戶（金融/製造）提供「不上傳資料也能驗證模型」的技術路線圖