什么是隐私计算？

在大数据时代的背景下，数据已经成为推动整个世界发展的生产要素之一。而数据的大量使用又引出了新的社会问题：数据的隐私安全该如何保证？隐私计算的出现与兴起推动了数据安全和数据合规分享等技术路径趋于成熟，在保证了数据的隐私安全的前提下能够最大限度的挖掘数据的信息。

隐私计算（Privacy compute 或Privacy computing）是指在保护数据本身不对外泄露的前提下实现数据分析计算的技术集合，达到对数据 “可用、不可见” 的目的；在充分保护数据和隐私安全的前提下，实现数据价值的转化和释放。

隐私计算（Privacy compute）是面向隐私信息全生命周期保护的计算理论和方法，是隐私信息的所有权、管理权 和 使用权 分离时 隐私度量、隐私泄漏代价、隐私保护 与 隐私分析复杂性 的可计算模型 与 公理化系统。

此前，达摩院认为，全域隐私计算将成为安全领域的基石性技术。随着专用芯片、加密算法、白盒化、数据信托等技术融合发展，隐私计算有望跨越到海量数据保护，数据源将扩展到全域，激发数字时代的新生产力。达摩院预计未来三年，全域隐私计算技术将在性能和可解释性上有新的突破，或将出现数据信托机构提供基于隐私计算的数据共享服务。

据悉，由于隐私计算在提供隐私保护的前提下构建数据价值挖掘的技术体系，通过数据方、计算方、结果方的分离，有效解决数据流通与隐私保护之间的矛盾，打破数据孤岛，真正实现数据的“可用不可见”。

 

另外了解到，隐私计算的发展历程大致可分为萌芽期、探索期、成长期、应用期四个阶段：

1949年—1982年，萌芽期，以现代信息学之父克劳德·香农为首的密码学家开启了现代密码学时代，秘密分享、不经意传输、安全多方计算等主流技术先后被提出，奠定了隐私计算的基础；

1983年—2005年，探索期，零知识证明、混淆电路、半同态加密等协议和算法陆续出现，为隐私计算提供技术支撑；

2006年—2018年，成长期，多个隐私计算技术、方法纷纷涌现，包括差分隐私、全同态加密、联邦学习、可信执行环境等，隐私计算技术得到了快速发展；

2019年至今，应用期，隐私计算开始广泛与行业应用场景相结合，赋能数据价值的安全、合规流转。

 

尤其近年来，隐私计算技术快速发展并取得关键突破，已经中理论研究逐渐走向商业应用。隐私计算的主要技术流派包括可信执行环境、多方安全计算、查分隐私技术、联邦学习。隐私计算的具体落地场景包括：移动设备、医疗数据、金融机构等等。例如：

在金融风控场景中，隐私计算技术被用于在各方原始特征不出域的前提下建立风控模型，形成对业务的多维度认识，提升风控质量；

在政务场景中，隐私计算技术被用于搭建政务公共数据密文开放共享交换平台，实现政务数据的开放和共享，充分发挥数据融合价值；

在互联网营销推荐场景中，隐私计算可以用于帮助互联网机构之间共享和交换密文数据，实现对已有客户的精准推荐，以及进行数据协作，实现获客引流；

在医疗领域中，隐私计算技术主要用于跨医疗机构之间的数据共享流通，用于临床辅助决策、医学研究等。

再以金融反欺诈领域为例，单个机构的数据显然难以防控愈加复杂的欺诈风险，建立跨机构跨行业的反欺诈生态是必然趋势。而隐私计算在其中发挥重大作用。

基于隐私计算建立跨行业的反欺诈生态，对于各机构来说是互惠互利的。比如银行可实现双向赋能，包括对内和对外。通过隐私计算获取多维度数据，以提升金融反欺诈能力，为对内赋能；同时通过隐私计算对其它机构输出数据或能力，为对外赋能。

 

最后值得一提的是，根据艾瑞咨询报告《中国隐私计算行业研究报告：云程发轫，精耕致远》，2021年中国隐私计算市场规模为4.9亿元。2021年中国隐私计算基础产品服务的技术采购中，金融、政务、运营商占据75%—80%的市场份额，医疗领域占比约为10%。

国际巨头从2015年起，在隐私计算方面进行产业布局，既有Google、微软、IBM、Intel、三星等巨头布局隐私计算的核心技术，也有infosum、Owkin等初创公司，在细分的技术领域进行深耕。

国内从2018年开始，腾讯、阿里、蚂蚁、京东、百度、字节跳动等互联网龙头企业，富数、同盾、华控清交、锘崴科技等初创型科技企业，都在隐私计算方面进行产业布局。此外，中国移动、工商银行、农业银行、建设银行、招商银行、微众银行、平安集团等行业数据高度聚合企业涌入隐私计算领域，开展数据增值业务。

由于隐私计算有多种技术路线，很多厂商在联邦学习、安全多方计算、可信执行环境等多个技术路线上都同时进行布局。以腾讯为例，腾讯具备Angel PowerFL隐私计算框架、安全隐私计算平台、联邦学习平台等多套平台，既可以保障数据安全和用户隐私，又能够挖掘多方数据协同应用带来的价值。