Phalaとは?TEE対応AI APIの仕組みを解説
PhalaのTEEを使ったAI実行の考え方、リモートアテステーションによる検証、利用時に確認すべき点を整理します。
- 公開:
- 著者:
- Private AI Navi 編集部
- 読了目安:
- 約10分
広告について: 本ページには広告・アフィリエイトリンクが含まれます。掲載順位や評価は報酬額だけで決定せず、編集方針に基づいて作成しています。 広告掲載ポリシー
Phalaとは
Phala は、TEE(Trusted Execution Environment、保護された実行環境)上でAIワークロードを動かすことを中核に据えたクラウドです。推論APIと、任意のコンテナを機密実行環境へ配置する用途の両方を扱っています。
TEEで何が変わるのか
通常のクラウドでは、基盤を運用している事業者は原理的にメモリの内容へアクセスできます。これは悪意の話ではなく、構造の話です。
TEEは、CPU(および対応GPU)の機能を使って、外部から中身を読めない領域を作ります。処理はその中でだけ行われ、外側の管理者権限を持つプロセスからも内容が見えないことを目指します。
アテステーションが本質
TEEを使っていること自体よりも、それを外部から検証できることが重要です。
リモートアテステーションは、「特定のコードが、改変されていないTEE環境で動いている」ことを、ハードウェアが署名した証明として提示する仕組みです。これがあると、事業者の申告を信じる代わりに、証明を検証するという運用が可能になります。
証明されているのはゲートウェイであってモデルではない
ここが実務上いちばん誤解されやすい点です。
Phala の推論APIには /v1/attestation/report というエンドポイントがあり、model パラメータを付けて呼び出せます。返ってくるのは Intel TDX の quote、NVIDIA GPU のアテステーション、鍵の系統、そして動いているコードの出自(GitHubリポジトリとコミットハッシュ)です。実在する、検証可能な証明です。
ただし model に何を指定しても、返ってくる証明は同じものです。編集部が 2026-08-14 に、自社ホストの無検閲モデル・DeepSeek 系・アップストリーム経由のモデルと指定を変えて呼び出したところ、ワークロードのダイジェスト(workload_keyset_digest)も署名アドレスも TDX quote も、すべて一致しました。応答には serving: "aggregator" という値が入っています。
これは不具合ではなく、設計どおりです。公式の Trust Boundary 文書自身が、アテステーションレポートの役割を「ゲートウェイが本物のTEEで動く特定のワークロードであることを検証する」と説明しています。
モデルごとに提供元が違う
同じカタログに並んでいても、実際にホストしている事業者はモデルごとに異なります。2026-08-14 に公式のモデルAPI(inference.phala.com/v1/models)を取得した時点では、25モデルが並んでいて全モデルが is_tee: true でしたが、内訳はこうなっていました。
| ホストしている事業者 | モデル数 |
|---|---|
| Chutes のみ | 8 |
| Phala 自身のみ | 6 |
| NEAR AI のみ | 5 |
| Tinfoil のみ | 1 |
| 複数事業者が提供(Chutes / NEAR AI / Phala / Tinfoil / SecretAI の組み合わせ) | 5 |
単独の事業者が提供しているモデルが20、複数にまたがるものが5です。Phala 自身だけがホストしているモデルは25のうち6にとどまり、カタログの大半は他の TEE 事業者が動かしています。各モデルの providers フィールドで判別できます。
ゲートウェイの証明とは別に、「そのモデルを実際に動かしている事業者の保護をどう担保するか」は自分で決める必要があります。
何を信頼することになるか
TEEは信頼を消すのではなく、信頼する相手を移す技術です。
- クラウド事業者を信頼する → 不要になる(目指す形として)
- ハードウェアベンダー(CPU/GPUの製造元)を信頼する → 必要になる
- 実行されるコード自体が正しいことを確認する → 利用者の責任
つまり「TEEだから安全」ではなく、「何を前提に守られているか」を把握したうえで採用するものです。
使う前に確認したいこと
- 保護される範囲(推論の入力・出力・モデルの重み・ログのどこまでか)
- アテステーションの検証手順が文書化されているか、そしてその証明がどの層を対象にしているか
- 使うモデルを実際にホストしているのが誰か(
providers) - ログ保持と学習利用の扱い
- 料金体系
| サービス | プライバシー方式 | 提供形態 | 総合スコア | 情報の状態 |
|---|---|---|---|---|
| Phala | TEE | api / confidential-ai / gpu-cloud | 64/100 | 一部検証・15日前 |
| RedPill | TEE | api / marketplace / chat / confidential-ai | 57.5/100 | 一部検証・15日前 |
| NEAR AI | E2EE + TEE | api / confidential-ai | 51.5/100 | 一部検証・14日前 |
| Nillion | TEE | confidential-ai / api | 48/100 | 一部検証・18日前 |
| Chutes | TEE | api / gpu-cloud | 53/100 | 一部検証・25日前 |
スコアの算出方法は編集方針に記載しています。料金・機能は変更される場合があります。
よくある質問
TEEを使えばクラウド事業者にデータを見られませんか?
そう設計されている仕組みですが、実装・構成・運用によって前提は変わります。また保護の範囲は製品ごとに異なります。「絶対に見られない」と考えるのではなく、公開されている技術文書で保護範囲を確認するのが実務的です。
TEEとZDRはどちらが安全ですか?
性質が異なるため単純比較はできません。TEEは技術的な検証可能性を、ZDRは契約・運用上の約束を提供します。詳しくは「TEEとZDRの違い」で解説しています。
アテステーションが返ってくれば、そのモデルの推論がTEE内で行われた証明になりますか?
なりません。返ってくるのはリクエストを受け取ったゲートウェイに対する証明です。編集部が2026-08-14にmodelパラメータを変えて呼び出したところ、どのモデルを指定しても同一の証明が返り、応答にはserving:"aggregator"と入っていました。公式のTrust Boundary文書も、アテステーションレポートはゲートウェイを検証するものだと説明しています。
本記事の掲載内容の最終確認日: 2026-08-14(15日前)
出典
- #Phala
- #TEE
- #Confidential AI
- #アテステーション
本記事の内容は執筆時点の公開情報にもとづきます。料金・機能・ポリシーは変更される場合があります。 誤りを見つけた場合はお問い合わせからご連絡ください。確認のうえ修正し、更新日を明記します。