DeepMind推AI双盲评估Gemini首测

时间 2026年8月27日（北京时间8月28日），Google DeepMind宣布启动全球首个针对专有前沿AI模型的双盲评估试点项目。 地点 美国加利福尼亚州山景城（Google DeepMind总部）；评估运行环境部署于Google Cloud Confidential Space机密计算区。 人物 DeepMind研究员William Isaac、Sol Messing与Kristian Lum主导该试点；新加坡AI安全研究所（Singapore AI Safety Institute）、隐私技术非营利组织OpenMined、评估组织AVERI与标准机构MLCommons作为独立评估方参与。 事件详情 Google DeepMind于8月27日正式推出业内首个针对专有前沿AI模型的双盲评估方案。试点使用Google Cloud Confidential Computing产品组合中的Confidential Space技术，将Gemini Flash Lite模型部署在加密硬件飞地中运行——模型权重存储于硬件加密的GPU内存，评估提示词则保存在加密主机内存中，双方通过远程认证（remote attestation）验证运行环境完全一致。 被测模型为Gemini家族的轻量级版本Gemini Flash Lite，运行于单块H100机密计算GPU上。Google在试点中预先批准评估代码、屏蔽外部网络访问，并完成跨方法律与代码审查。DeepMind将在未来发布完整技术报告详细说明方法论与发现。 技术核心在于：评估方永远无法看到Gemini模型权重，Google也永远无法看到评估方的测试提示词。这种双向隔离打破了此前"评估方交出测试提示词（模型方有提前看到考题风险）"与"模型方交出模型权重（核心IP泄露风险）"的二元权衡。 背景 双盲评估方案直指长期困扰AI评测行业的"基准污染"（benchmark contamination）顽疾——如果模型在训练阶段已经见过测试题，其高分就不再反映真实能力，而是反映记忆能力。Servola引述的早期研究显示，在受测的31个AI模型中，约一半存在基准泄漏迹象，且模型规模越大泄漏越严重。 这一痛点在Anthropic Fable 5模型的ARC-AGI基准评测中曾被放大——Anthropic对其最强模型执行30天数据保留策略，迫使外部评测机构在数据主权与安全之间艰难取舍。DeepMind方案首次以技术手段而非合同条款保障评测公正性。 影响 短期看，试点使用Gemini家族的轻量级模型Flash Lite而非旗舰版本，验证重点在于流程跑通而非揭示能力上限；但其方法论意义重大——为企业采购方、监管机构与政策制定者提供了可参照的技术实施模板。 长期影响包括：一是企业可在采购合同中明确要求供应商提供"双盲评估"作为合规证据；二是各国AI安全研究所在制定治理框架时可将其纳入技术参考标准；三是对传统基准测试机构形成竞争压力，迫使其升级方法论或被边缘化；四是为政府涉密场景的AI评估（如网络安全、关键基础设施）提供数据主权保护路径。 DeepMind明确表示，希望该试点"为模型监督树立新前沿"，推动整个行业建立更安全、更可靠、更广泛受信的AI系统。 总结 Google DeepMind以Confidential Space机密计算为底座，推出全球首个专有前沿AI模型双盲评估方案，联手新加坡AI安全研究所、OpenMined、AVERI与MLCommons对Gemini Flash Lite进行加密飞地测试。该方案从技术层面破解"基准污染"顽疾，将企业采购与AI监管的可信度提升到新量级。 参考来源 1. Google DeepMind官方博客：https://deepmind.google/blog/piloting-the-worlds-first-double-blind-ai-evaluations 2. The Decoder报道：https://the-decoder.com/ai-benchmarks-have-a-trust-problem-and-google-wants-to-fix-it/ 3. BitTide分析：https://bittide.aicompass.dev/article/e4423c8a-1439-4936-99a3-4720a7c93c4f 4. Particle News技术详解：http://particle.news/story/deepmind-pilots-gemini-evaluation-inside-google-cloud-confidential-enclave 5. AIPulseLab政策影响分析：https://aipulselab.tech/news/piloting-the-worlds-first-double-blind-ai-evaluations-61d9ad 6. Global AI Watch行业洞察：https://global-ai-watch.com/article/google-deepmind-tests-cryptographic-ai-evaluation-for-security-2026 7. Servola欧盟视角：https://servola.de/journal/the-first-ai-benchmark-neither-side-could-see 8. Guavy加密频道：https://guavy.com/wire/crypto/deepmind-unveils-double-blind-ai-evaluations-using-cryptographic-26CYcUkbPSe6Ne1Vhlj85C