92 TEE与机密AI推理：当模型权重比黄金更贵去年秋天，我帮一家医疗影像公司做TEE改造。他们的核心资产是一套肺结节检测模型——训练花了两百多万，标注用了三年。客户要求：模型必须跑在云端GPU上，但绝不能离开TEE环境。当时工程师的做法是：把整个PyTorch模型序列化后塞进enclave，结果内存爆了，推理速度从50ms飙到2.3秒。问题出在哪？他们把TEE当成了“加密沙箱”，以为把模型整个丢进去就安全了。实际上，模型推理的机密性挑战远不止于此——模型权重的保护、输入数据的加密传输、推理结果的防篡改，每一步都有坑。今天我们就来啃这块硬骨头。痛点拆解：那些“看起来安全”的错误实现最常见的错误是把模型加载和推理混在同一个enclave里，不做任何分层。我给你看一个反面教材：# 反例：全部塞进enclave的“暴力方案”importtorchimporttensealastsfromcryptography.fernet