隐私计算迎来应用元年！或将撬动千亿市场

隐私计算作为保护数据安全的重要技术之一，受大数据融合应用和隐私保护的双重需求驱动，在国内正迎来爆发前夜。专家认为，隐私计算在金融场景的落地应用还处在初始阶段，风控合规是当前应用考虑的首要关键，行业未来将进入快速发展期，但同时也面临诸多挑战。

数据爆发面临安全需求
 隐私计算或将撬动千亿市场

隐私计算是一种由两个或多个参与方联合计算的技术和系统，参与方在不泄露各自数据前提下通过协作对他们的数据进行联合机器学习和联合分析。隐私计算技术近年来在金融、医疗、政务等多个场景开始陆续落地应用。

微众银行联合毕马威发布的《隐私计算行业研究报告》显示，隐私计算作为近年来兴起的面向隐私信息全生命周期保护的计算方法，将为数据安全共享带来根本性转变。隐私计算国内市场将达到空前规模，三年后技术服务营收规模有望达到100-200亿元人民币，甚至将撬动千亿级数据平台运营收入空间。

据中国银联电子支付研究院新技术研究团队周雍恺博士介绍，隐私计算主要包含三大技术流派，首先是可信执行环境，其次是安全多方计算，第三是联邦计算。

香港科技大学讲席教授杨强表示，企业日常工作中多数面临的都是维度低、样本少的小数据，要联合这些数据进行模型训练，或者成本过于昂贵，或者因难以合规，而被企业机构们“束之高阁”。激活数据价值潜能、实现数据服务创新应用的基础条件，是从根本上解决数据安全共享的基础建设问题。

隐私计算企业星云Clustar首席执行官陈沫认为，隐私计算目前是实现数据安全流通的唯一路径。过去，像数据脱敏以及灰色交易等，它们在跨界流通、合法合规方面都会存在问题。经过这几年探索，通过以联邦学习为主的隐私计算技术，可以有效解决之前的这些难题。数据的价值发现不仅给经济发展带来了机遇，也把数据安全共享及隐私保护提升到了新的高度，这也为技术创新提供了土壤。

华泰创新投资有限公司总经理晋海博认为，隐私计算目前到了一个需要真正开始商业化落地阶段。从隐私计算本身而言，过去属于第一个阶段，即基本含义和技术方案论证阶段；而现在已经是第二阶段，即技术性能和安全统一的阶段。隐私计算未来一定是互联互通阶段，相信在目前应用基础上，未来应该是百倍级别的一个更广阔市场。

金融应用快速落地
风控合规是焦点

隐私计算技术在金融行业正获得广泛应用。以隐私计算目前主要落地场景之一——个人短期消费金融业务为例，包括车贷、小额消费贷、现金贷、信用卡分期等，金融机构风控需要基于多方数据进行联合建模，在这方面隐私计算被视为刚需，比如信贷业务就发生在隐私计算的平台上。

国内隐私计算领域不仅有包括BAT在内的互联网大厂，也有来自于垂直行业的机构以及独立创业公司。各家企业的资源生态、技术路线和行业布局均有所不同，而在金融场景的应用上，仍以营销、风控端等为主要落地场景。以微众银行为例，微众银行联合多家外部合作伙伴一起搭建的基于联邦学习的风控模型，目的就是解决小微企业贷款风控数据不足的问题。

就目前隐私计算在金融场景落地应用所处阶段和原因，招商银行分行信息技术部副总经理蔡毅表示，“银行在整个隐私计算上属于刚刚开始阶段，现在也在银行内部进行试点。招商银行目前做过的试点是用于风控和市场营销，下一步也将会在这方面加大投入力度。”

隐私计算释放的数据价值日益凸显，对金融行业而言，合规与安全是首要主题。浦发银行创新研究中心曹祥博士表示，“联邦学习和多方安全计算相关项目非常火爆，但大家对这个技术还是有一些担心，特别是合规方面。现在只能说是，技术上非常火爆，业务上还在探索。”

针对金融领域应用而言，既要能够使用数据，又要保证不让敏感信息外部泄露。微众银行人工智能事业部副总经理陈天健认为，央行去年就出台了安全多方计算的建议标准，相关标准的建立可以很大程度上解决技术应用上合规性问题，“隐私计算到今天这个时点，它对于安全的关注已不仅仅局限于原始数据，对于查询的数据、过程的数据以及衍生出来的模型数据都会做全面保护。”

隐私计算将迎来快速发展期
风险挑战也不容忽视

随着数据保护重要性不断提升，隐私计算正逐步发展成为数字化时代基础设施建设的重要部分。大众对隐私安全关注度日益增加，作为保护数据安全的重要技术之一的隐私计算也将迎来快速发展期。

目前隐私计算的场景主要聚焦金融、医疗等领域，随着其产品化、商业化进程加速，以及用户对隐私计算接受度提高，隐私计算也正往交通、教育、工业等领域延伸，并且将形成跨机构、跨企业、跨行业的多类应用场景，有望在更多行业进行拓展应用。

在专家看来，隐私计算技术具有广阔市场潜力，但同时也仍面临诸多挑战。这些挑战既有硬件层面如何解决算力、降低成本的挑战，也有软件层面如何打破藩篱的挑战。打破数据孤岛，构建安全连接数据的人工智能基础设施，打造共建共融的生态，这些也是目前业界普遍关注的发展诉求。

浪潮高效能服务器和存储技术国家重点实验室首席科学家阚宏伟认为，从基础设施角度来讲，隐私计算的挑战主要有两个方面。一是类似于联邦学习这样的场景中，它对加密技术要求比较高，而加密技术具有很强的对抗性，这种对抗性就迫使相关算法、解决方案迭代会比较快，这时就需要一些定制化的平台，也给相关FPGA（现场可编程门阵列）厂家提出了课题。

第二个核心矛盾是，这些联邦学习的架构给网络传输带来了新的问题。下一步，如何高效整合目前RDMA（远程直接数据存取）传输的架构，加上基于广域环境下能够友好传输这样一些特点的内容，是像联邦学习这种分布式人工智能学习系统所面临的的共同挑战。

来源：新华财经