Hoe test je de veiligheid van een AI-model als beide partijen hun geheimen willen bewaren? De tester wil zijn testvragen niet prijsgeven, anders lekken ze en verliezen de tests hun waarde. De modelbouwer wil zijn bedrijfscode en modelgewichten beschermen tegen spionage. Tot nu toe was dat een onoplosbaar dilemma.
Een internationaal team van onderzoekers zegt nu een oplossing te hebben gevonden. Hun methode, 'Double Blind Evals', maakt het mogelijk om een AI-model te testen zonder dat de bouwer de testvragen ziet — én zonder dat de tester toegang krijgt tot de interne code van het model. Dat staat in een onderzoekspapier dat op 9 november 2026 verscheen via arxiv.org.
Hoe werkt het?
De truc zit in cryptografie. De techniek gebruikt zogenaamde 'secure enclaves': beveiligde omgevingen waarin data in het werkgeheugen (RAM) op hardwareniveau wordt versleuteld. De evaluatie vindt daar plaats, in een soort digitale kluis waar noch de modelbezitter, noch de evaluator directe toegang heeft tot elkaars gevoelige informatie. Beide partijen krijgen dus cryptografische garanties.
🧠 Even simpel uitgelegd
Stel je een afgesloten kamer voor met twee aparte deuren. De AI-maker legt zijn model in de kamer, de tester legt zijn vragen erin. Daarna gaan beide deuren op slot. In de kamer wordt het model automatisch getest, en alleen het eindresultaat komt naar buiten. Geen van beiden kan meekijken wat de ander erin stopt. Dat is in essentie wat deze cryptografische techniek doet, maar dan met versleutelde computerhardware in plaats van een fysieke kamer.
Wereldprimeur met Gemini 2.5 Flash Lite
Om te bewijzen dat het concept werkt, voerden de onderzoekers een wereldprimeur-pilot uit. Daarbij werd een propriëtair model van Google DeepMind — Gemini 2.5 Flash Lite — geëvalueerd met een selectie uit het private AILuminate benchmark-corpus.
De test draaide op het Google Cloud Platform, in een NVIDIA H100 secure enclave. Voor de privacy van zowel data als model gebruikte het team PySyft, een technologie van OpenMined. De auteurs, waaronder Andrew Trask en 29 andere wetenschappers, stellen dat dit de eerste keer is dat deze technologie wordt ingezet om wederzijdse geheimhouding te garanderen tussen de gewichten van een frontier-class model en een gesloten benchmark.
Wat betekent dit voor AI-audits?
De methode kan een belangrijke stap zijn richting professionelere AI-veiligheidsaudits. Kunnen onafhankelijke partijen modellen testen zonder dat de ontwikkelaar de vragen kent of erop kan anticiperen? Dan nemen de objectiviteit en betrouwbaarheid van veiligheidsmetingen toe. Tegelijk hoeven bedrijven hun commerciële geheimen niet meer op te offeren om aan transparantie- of veiligheidseisen te voldoen.
Er blijft wel een praktische uitdaging. Hardwarematige beveiligingen zoals secure enclaves zijn complex om te implementeren. De integratie in cloudomgevingen zoals die van Google Cloud Platform is een essentieel onderdeel van de infrastructuur om dit type dubbelblinde evaluaties op grotere schaal mogelijk te maken.
De volledige technische details en de resultaten van de pilot staan in het onderzoekspapier.