先看证据
把机制串起来
联邦学习把训练数据留在手机上，只上传模型更新；服务器聚合这些更新，而不是直接收集原始文本。差分隐私通过裁剪更新并加入噪声，限制单个用户对最终模型的影响。TEE（可信执行环境）则像服务器里的“隔离保险箱”，让外部能够验证指定代码确实在隔离环境中运行，但不能自动消除硬件或实现漏洞。
典型流程是客户端计算并裁剪更新，安全地提交给TEE；TEE在隔离内完成聚合、噪声处理和隐私预算管理，再输出模型更新。远程证明让客户端或审计方检查TEE运行的代码、配置和版本，从而验证“确实执行了规定的DP程序”。中心式DP通常能在聚合后统一加噪，效用较好；本地式DP在设备端先加噪、信任要求更低，但噪声通常更大。TEE因此位于两者之间：保留中心式DP的统计效率，同时减少对服务器诚实执行的依赖。代价是必须信任TEE供应链、远程证明基础设施和实现本身，还要面对侧信道、回滚、内存泄露
['适合键盘预测等高敏感、跨设备训练场景', '先明确保护对象：原始数据、更新还是最终模型', 'TEE不能替代安全聚合和DP，应组合部署', '不适合把硬件隔离当作绝对安全保证']
联邦学习并没有自动消除服务器信任
Google Research提出了将联邦学习训练放入可信执行环境，也就是TEE的方案，并将Gboard作为具体应用对象。联邦学习的基本思路，是让训练尽量靠近用户设备完成，再由服务器聚合来自多台设备的模型更新，而不是直接把用户输入集中到服务器。这个设计减少了原始数据集中化的需要，却没有让服务器从系统中消失。
服务器仍然可能负责接收更新、执行聚合、处理隐私机制，并最终参与模型发布。于是，系统面对的核心问题变成了另一个层面：外部参与者如何知道服务器确实按照承诺执行了这些步骤。此次变化的重点，是把服务器一侧的训练与隐私处理放进一个可以提供运行证据的环境，而不是再次强调“数据没有离开设备”这一已经熟悉的联邦学习叙事。
TEE约束的是执行可信度，不是隐私本身
可以把TEE理解为对服务器执行过程增加一道可检查的边界。如果隐私预算计算、模型更新裁剪、噪声注入或聚合逻辑发生在服务器侧，运营方过去主要依靠内部流程来证明自己没有跳过某个步骤。TEE试图缩小“服务方声称执行了什么”和“系统实际执行了什么”之间的距离，并通过隔离和运行状态证明，让外部验证者获得更多依据。
但TEE本身不是差分隐私算法，也不会自动决定隐私保护的强度。差分隐私仍然取决于算法如何设计，隐私预算如何分配，参与设备规模如何影响统计结果，以及最终输出以什么方式发布。TEE改变的主要是这些选择能否被绑定到一次可验证的执行中，而不是替系统做出这些选择。
“外部可验证”真正改变的是信任模型
材料使用“外部可验证的中心化差分隐私”来描述这项变化。这里的“中心化”并不等于把用户原始输入集中起来，而是指隐私处理和训练控制仍然有一个服务器侧的中心执行点。这个执行点过去往往只能由运营方自己说明其配置和行为，现在则试图让外部观察者确认相关任务是在指定环境中完成的。
这会把联邦学习的信任模型从“相信服务方会遵守流程”推进到“检查服务方是否在受约束的环境中运行”。不过，能否完成这种推进，取决于证明对象的范围。如果外部证明只覆盖TEE正在运行，却没有覆盖代码版本、隐私预算、噪声机制和模型发布策略，那么它证明的只是基础设施状态，并不足以覆盖完整的隐私承诺。
对平台团队而言，证明链也是部署链
如果这类方案进入生产系统，平台团队要处理的就不只是把现有训练代码放进TEE。团队还需要明确哪些代码和配置必须被固定，哪些隐私参数必须与运行实例绑定，哪些状态需要对外提供证明，以及证明失败时是否应当阻止聚合或模型发布。隐私保证因此不再只是政策文本，而会变成部署控制、密钥管理、远程证明和审计记录共同组成的系统属性。
这也意味着故障路径必须和正常路径一样清楚。现有材料没有说明TEE不可用、证明不通过、代码版本不匹配或运行状态异常时，Gboard训练会如何处理。对技术负责人来说，这些不是上线后的运维细节，而是架构承诺的一部分，因为一个无法说明失败时如何停止或恢复的证明系统，很难成为稳定的隐私控制面。
速度收益不能替代证据和参数
材料同时提到服务器侧训练更快，这让TEE不只是隐私治理的额外负担，也可能成为训练路径优化的一部分。若这一收益成立，团队在评估时就不能只比较硬件开销，还要把训练吞吐、处理延迟、部署限制和证明流程放到同一张工程账本中。隐私保护与性能优化在这里并非两个互不相干的项目，而是同一条服务器训练路径上的不同取舍。
但目前没有给出加速幅度、对照基线、硬件条件或额外成本，也没有提供Gboard方案的具体隐私参数、威胁模型和验证接口。因而最稳妥的判断是，Google Research正在把联邦学习向“可证明执行”推进，并展示了一个面向Gboard的应用方向。采用类似架构前，团队应要求看到证明覆盖范围、隐私预算、性能基线和失败处理方案。缺少这些材料时，应该把它当作有前景的研究与架构信号，而不是已经完成验证的产品结论。