本文提出了一种名为 GPU Travelling 的新型机制，旨在解决机密协作机器学习（Confidential Collaborative ML）中因模型和数据集规模快速增长而导致的通信开销过大的问题。在传统的多方联合训练场景中，多个互不信任的数据持有方需要共同训练一个模型，同时保护各自私有数据的机密性。然而，现有方法通常需要在训练过程中通过较慢的常规网络频繁交换模型参数和梯度，当训练对象为大规模语言模型（LLM）等现代工作负载时，通信成本急剧上升，成为性能瓶颈。GPU Travelling 的核心思想是利用新兴的机密 GPU 技术（如 Intel TDX 和 NVIDIA H100 机密计算能力），让 GPU 以安全的方式“移动”到某个数据持有方处，直接将数据集加载到 GPU 的受保护内存中，然后再返回计算节点进行训练，从而完全避免了原始数据的网络传输，同时将机密性保障提升到数据中心级别。作者基于 Intel TDX 和 NVIDIA H100 构建了原型系统，并在基于 CUDA 的 LLM 训练项目 llm.c 上进行了性能评估。实验结果表明，与传统的传输方式相比，在传输 512 MiB 数据块时，GPU Travelling 实现了至少 4 倍的加速，同时保持了较强的安全保证。该研究为隐私保护下的协作训练提供了一种新的硬件辅助思路，尤其适用于模型和数据集规模庞大的场景，但也面临硬件依赖、数据中心内信任边界以及调度复杂性等挑战。