如何看待目前国内「隐私计算」行业现状，市场发展有哪些趋势？
在数据要素化浪潮席卷全球的今天，如何安全、合规地释放数据价值，是摆在我们面前的一道重要考题。而“隐私计算”——这个听起来有些技术范的词汇，正逐渐从幕后走向台前，成为解决这一难题的关键。那么，目前国内隐私计算行业究竟发展到何种程度？未来又将走向何方？我们不妨深入剖析一番。
一、 现状：热度飙升，落地场景渐显，但挑战犹存
当前，国内隐私计算行业可谓是“热度与落地”并存，既有蓬勃发展的潜力，也面临着不少挑战。
1. 热度与关注度空前高涨：
政策驱动力强劲： 《个人信息保护法》、《数据安全法》、《关键信息基础设施安全保护条例》等一系列法律法规的出台，为数据安全和隐私保护划定了红线，也为隐私计算的合规应用提供了沃土。政府部门、监管机构对隐私保护的重视，直接推动了企业对隐私计算技术的关注和投入。
市场需求驱动： 随着企业数字化转型的深入，数据孤岛现象愈发严重，如何在保证数据安全和隐私的前提下，实现多方数据的有效协同和价值挖掘，成为迫切的市场需求。尤其是在金融、医疗、政务、互联网等对数据安全和隐私要求极高的行业，隐私计算的需求尤为突出。
技术进步驱动： 可信执行环境（TEE）、多方安全计算（MPC）、联邦学习（FL）、差分隐私（DP）、同态加密（HE）等底层技术的不断成熟和突破，为隐私计算的落地提供了技术支撑。越来越多的技术厂商和研究机构在这些领域进行深入探索和创新。
资本市场青睐： 隐私计算被视为未来数据基础设施的重要组成部分，吸引了大量资本的关注。不少初创公司获得融资，行业内的投资和并购活动也日渐活跃，显示出市场对隐私计算的乐观预期。
2. 落地场景从“概念”走向“实践”：
虽然隐私计算起步较晚，但已经有一些早期实践和试点项目在各行各业中涌现，展现出其强大的应用潜力：
金融领域：
联合风控： 不同银行之间可以共享模型，但不共享客户的原始敏感数据，共同提升反欺诈、反洗钱、信用评估等能力。
精准营销： 营销方可以与商业伙伴在保护用户隐私的前提下，进行跨平台的联合分析，实现更精准的用户画像和营销触达。
数据合规流通： 金融机构之间可以安全地进行数据交换，满足监管要求，同时实现业务创新。
医疗健康领域：
多中心临床研究： 不同医院可以在不共享患者原始病历数据的情况下，进行联合模型训练，加速新药研发、疾病诊断模型优化。
基因数据安全分析： 保护用户的基因隐私，同时进行基因相关的研究和应用。
健康数据画像： 不同医疗机构、可穿戴设备数据提供商之间，在保护用户隐私的情况下，联合分析用户健康状况。
政务及公共服务领域：
城市大脑协同： 不同政府部门（如公安、交通、税务）之间，在确保数据安全的前提下，共享数据能力，提升城市治理效率。
智慧交通： 车辆信息、交通流量等数据可在不暴露个体信息的情况下，进行分析优化交通信号灯、路线规划。
社会信用体系建设： 跨部门的信用信息在保障隐私的前提下进行共享，构建更完善的社会信用体系。
互联网及零售领域：
联合广告投放： 广告主和平台方可以在不共享用户具体行为数据的情况下，进行联合的广告效果评估和优化。
供应链协同： 品牌方、经销商、物流公司等可以在保护商业秘密的前提下，进行供应链数据的分析和优化。
用户画像与推荐： 在用户同意的前提下，可以实现跨平台的用户画像和个性化推荐。
3. 面临的挑战与待解难题：
尽管前景光明，但国内隐私计算行业的发展仍面临不少瓶颈：
技术成熟度与标准化：
性能问题： 某些隐私计算技术（如全同态加密）的计算效率仍然较低，在处理海量数据时可能面临性能瓶颈，影响实际应用体验。
技术栈碎片化： 目前市场上存在多种不同的隐私计算技术和解决方案，缺乏统一的标准和互操作性，给企业选择和集成带来困扰。
易用性： 隐私计算技术对用户的技术门槛较高，如何降低使用难度，让非专业人士也能方便地使用，是亟待解决的问题。
成本问题：
部署与维护成本： 部署和维护隐私计算系统需要较高的硬件、软件和专业人才成本，对于中小企业而言可能是一笔不小的开销。
算力成本： 特别是基于密码学的方法，往往需要大量的计算资源，这也会增加用户的运营成本。
人才短缺：
专业技术人才： 掌握密码学、分布式计算、机器学习等跨领域知识的隐私计算专业人才相对稀缺。
复合型人才： 能够将技术与业务场景有效结合，并理解相关法律法规的复合型人才更是难得。
商业模式探索：
价值评估与定价： 如何清晰地量化隐私计算带来的价值，并制定合理的商业模式，仍然是行业正在探索的方向。
生态构建： 隐私计算需要产业链上下游的协同合作，如何构建健康的生态系统，促进技术、产品、服务、应用之间的良性循环，是关键挑战。
市场教育与认知：
概念普及： 很多企业对隐私计算的认知仍然停留在概念阶段，对其价值和应用场景理解不够深入。
信任建立： 用户对数据能否真正得到安全和隐私保护，需要时间去建立信任。
二、 市场发展趋势：从“单点突破”到“生态构建”，从“技术导向”到“场景驱动”
基于目前的现状和挑战，我们可以预见国内隐私计算市场的未来发展将呈现以下几个主要趋势：
1. 技术融合与能力增强：
多技术栈协同： 未来，单一的隐私计算技术可能难以满足所有场景需求。我们可以预见，多种技术（如联邦学习与TEE、MPC与DP）的组合应用将成为主流，以发挥各自优势，实现更安全、高效的数据协作。
算力优化与效率提升： 随着底层算法的不断优化和硬件加速技术（如FPGA、ASIC）的应用，隐私计算的性能瓶颈将逐步得到缓解，计算效率将大幅提升，为更广泛的应用场景铺平道路。
易用性与平台化： 供应商将不断推出更加易用的平台化产品和服务，降低隐私计算的技术门槛，使得更多企业能够轻松接入和使用。低代码/无代码的隐私计算平台也将逐渐出现。
2. 场景驱动的深度应用：
行业解决方案化： 市场将从提供通用技术转向提供针对特定行业痛点的解决方案。例如，金融风控隐私计算平台、医疗AI联邦学习平台等，将更加贴近用户实际业务需求。
数据要素流通加速： 隐私计算将成为促进数据要素安全合规流通的关键技术，推动更多数据资产在保护隐私的前提下实现价值释放。数据交易所、数据服务平台将与隐私计算深度融合。
AI与隐私计算的深度耦合： 随着AI在各行各业的广泛应用，如何解决AI模型训练和推理过程中的数据隐私问题将变得更加迫切。隐私计算将成为AI安全可信发展的重要保障，联邦学习、差分隐私等技术在AI领域的应用将更加深入。
3. 生态构建与标准引领：
产业生态合作： 隐私计算行业将从单打独斗走向生态构建，技术厂商、云服务提供商、安全公司、行业用户、研究机构等将形成更紧密的合作关系，共同推动技术创新和市场发展。
标准化与合规性提升： 随着行业发展，行业标准和技术规范将逐渐建立和完善，为隐私计算的规模化应用提供基础。合规性将成为企业选择和部署隐私计算方案的重要考量因素。
第三方可信服务： 可能会涌现出更多提供第三方隐私计算服务的机构，为企业提供数据安全治理、合规咨询、技术支持等一站式服务。
4. 商业模式的多元化探索：
按需付费与订阅模式： 随着平台化和易用性的提升，SaaS模式的隐私计算服务将更加普及，企业可以根据自身需求灵活付费。
数据服务与增值： 基于隐私计算的联合分析服务，以及由此产生的增值服务，将成为新的商业增长点。
技术赋能与授权： 核心技术提供商可以通过技术授权、合作开发等方式，将技术能力输出给更多合作伙伴。
5. 监管与合规成为核心竞争力：
合规性是生命线： 在日益严格的法律法规环境下，能否满足数据安全和隐私保护的合规要求，将成为企业在隐私计算领域能否成功的关键。
透明度与可信度： 提升隐私计算解决方案的透明度和可信度，向用户清晰地展示数据是如何被保护和使用的，将有助于建立市场信任。
总结：
国内隐私计算行业正处于一个快速发展和演进的阶段。政策的推动、市场的需求、技术的进步，共同塑造了其蓬勃发展的态势。虽然面临着技术成熟度、成本、人才等方面的挑战，但随着行业内各方力量的共同努力，我们有理由相信，隐私计算将在未来数据经济时代扮演越来越重要的角色，成为释放数据价值、赋能千行百业的关键驱动力。未来，我们将看到更多创新性的应用场景落地，更多企业从中受益，共同构建一个更加安全、可信、繁荣的数字世界。
网友意见
谢邀，利益相关：阿里安全小二一名，“猎豹”作者之一。
“隐私计算”这个名词我们也不知道怎么来的，它其实是一个我国独有的名词，英文中没有严格对应的词组。按最接近的英文Privacy-enhancing computation直译的话，或许叫“隐私增强计算”更合适？不过字儿少了也就容易上口，更利于传播。
目前隐私计算是一大类技术的统称，包括安全多方计算，同态加密，差分隐私，可信执行环境(机密计算)，联邦学习等。这些技术的共同目的是要做到“数据可用不可见”。
什么是“可用不可见”？我们知道数据是可以拷贝的，如果数据所有者把数据给其他人使用，那么别人自然也就可以拷贝数据，摇身一变成为下一个数据所有者。这明显会侵害原来的数据所有者的权益和隐私。隐私计算正是为解决这一问题而生：任何对数据的需求最后都会落到一个具体的使用场景上，隐私计算可以让数据使用者只能按照具体场景拿到使用结果，而不是拿走数据本身。
一个最简单的例子是“百万富翁问题”：假设两个富翁各自存了一笔钱，他们想知道谁的钱更多，但是又不想把自己到底有多少钱透露给任何人。在没有“隐私计算”时，显然这是不可能实现的：任一方要独立的计算比较结果，都必须要接触输入数据。但是隐私计算可以让这成为可能：我们可以设计对应的隐私计算解决方案，让双方合作的计算出“比较”这个结果(即“可用”)，而不需要把财富数字告诉对方(即“不可见”)。具体的，我们可以使用基于混淆电路或秘密共享的安全多方计算方法来解决这个百万富翁问题。
“猎豹”就是这样一种安全两方计算技术。假设这样一种场景，甲方拥有源数据(例如图片)，乙方拥有AI模型(例如可以判断图片是否违规或者侵权)。甲希望购买乙的服务来智能的判断自己的数据是否有问题，但是双方的数据都是商业机密，甲不愿意把自己的图图直接交给乙，乙也不愿意直接把自己的模型参数告诉甲。“猎豹”就可以完美的满足这么一个纠结的需求，让双方可以合作算出图片是否违规(可用)，同时甲无法获取乙的模型参数，乙也不知道甲的图图到底是什么(不可见)。
需要说明的是，以安全多方计算这一类技术为代表的隐私计算解决方案，需要引入复杂的密码学算法和协议来实现“可用不可见”，因此其代价是巨大的。比如上面的图片识别的例子，“猎豹”需要至少80秒才能完成一次ResNet50的推理，如果乙直接把甲的图片拿去做明文推理，可能只需要毫秒级，这个差距达到了数千倍。在简单一些的模型上，这个差距会缩小一些，但代价也不少，例如逻辑回归训练，“猎豹”可以在百兆网下，数小时内完成百万行的数据建模。
为什么安全多方计算这么昂贵呢？因为它是一种密码学协议，需要能够以数学证明的方式说明自己除了双方认可的计算结果之外，不会泄露其他任何关于原始数据的信息。这就是“可证明安全”。
如果不需要可证明安全，那么其实可以设计各种千奇百怪的方案：例如百万富翁问题，双方先比亿位，再比千万位，相等就比下一位，一直比到有一个人胜出，不就行了吗？这不也没泄露具体的财富数字么？不是的，这还泄露了额外的信息：双方在哪一位上不相等。这方面的对比就是联邦学习：联邦学习不是纯加密状态下的计算，因此其各个数据所有者之间的交互中是必然含有额外信息的。即使使用了同态加密，其交互中也必然包含解密步骤。以两方合作的联邦学习为例，其中拥有同态私钥一方可以通过解密结果，获取另一方的中间信息内容，而这部分信息显然是最终建模结果之外的额外信息。这些额外信息算不算隐私泄露？可能各人有各种看法，但是如果方案涉及重要的敏感数据，我们更建议使用可证明安全，确定没有问题的方案，而不是不可证安全，不确定有没有问题的方案。
当前我国隐私计算业界实际上存在一个误区，就是关注性能超过关注安全性，拿到一个隐私计算解决方案，大家习惯先问“这个方案能做到比明文慢多少倍”。实际上从上面的例子里我们可以看到，只有在同样的可证明安全模型的基础上，才可以比较性能。我们说“猎豹”比世界最好成果提升5倍，这就是和微软研究院的CryptFLOW2（ACM CCS 2020）在同样的半诚实两方模型下比较得来的。英雄惜英雄，“猎豹”发表的第二天就在国际业界形成了相当大的影响力（捂脸，诚实地夸一下寄几）：CryptFLOW2的作者来信恭喜我们完成对他们的超越，ABY2.0（USENIX’Sec 21）的作者来信埋怨我们为什么不引用他，最有趣的是MP-SPDZ（ACM CCS2020）的作者来信质疑我们怎么可以这么快，挑战我们的代码某处写的有问题，最后来回论战了十几封邮件之后，他没能挑战成功 ：）相比之下，如果不要求可证明安全，我相信不用说5倍，快几百倍都可以做出来，但是这样的成果没有任何技术难度，是不可能得到相关领域专家的认可的。
随着隐私计算概念的火热，我国业界目前确实存在不少赶热点的项目，都自称“隐私计算”解决方案，但是其中很多都是不可证安全的，门槛很低。如果这种状态持续下去，“隐私计算”可能会泡沫化，用户会错误的高估隐私计算的性能，低估隐私计算的局限性，劣币会驱逐良币，泡沫最终会破灭，对业界会形成不利的影响。我们团队这次把“猎豹”开源出来也是希望业界能够确实了解隐私计算的难度、代价，对可证明安全方案的性能有一定的体感。期待学术界和工业界一起合作，打造更好的隐私计算生态！
数据是网络空间里的绿水青山，曾经粗放开发增长的数据时代已然过去，我们需要期盼更实用更有效的数据保护技术。
那么在众多科研人员的推动下，是否有能够真正从源头保护数据安全并使用好数据的方法呢？答案是：有——「隐私计算」便是为此而生。
首先，来看一个问题：
两个百万富翁街头邂逅，他们都想炫富，比比谁更有钱，但是出于隐私，都不想让对方知道自己到底拥有多少财富，如何在不借助第三方的情况下，让他们知道他们之间谁更有钱？
该问题引发了全世界密码学专家的思考，一个最简单的方式，当然是找一个公认可信的见证人，各方将自己数据给见证人进行比较得出结论，但在现实世界中，很少能找到这样理想的见证人，因而，便引出了安全多方计算的问题。
实际上这个问题并不新鲜，这其实是几十年前姚期智先生提出的经典问题，即百万富翁问题，也是多方安全技术（隐私计算的一种技术）所需要面对的一项经典难题，安全多方计算的研究浪潮有效地解决了数据的“保密性”和“共享性”之间的矛盾。
隐私计算（Privacy-preserving computation），是指在保证数据提供方不泄露原始数据的前提下，对数据进行分析计算的一系列信息技术，保障数据在流通与融合过程中的“可用不可见”。其包含了数据科学、密码学、人工智能等众多技术体系的交叉融合。
隐私计算主要分为了三大类：多方安全计算：基于密码学的隐私计算技术；联邦学习：人工智能与隐私保护技术融合衍生的技术；可信执行技术（TEE）：代表的基于可信硬件的隐私计算技术。
目前，隐私计算相关技术受到业界和资本界高度关注，去年有相关创业公司完成近2亿元A轮融资，刷新隐私计算赛道A轮单轮融资纪录。
至于谈到国内隐私计算技术的最新进展，便是最近阿里安全在USENIX Security Symposium 2022 会议上发表的研究成果——即安全两方计算框架Cheetah（猎豹）了。
根据文章内容，Cheetah使得两方计算的整体性能取得了大幅提升，最好的情况下，可以比目前世界最好的计算方案微软 CryptFlow2 快 5 倍以上。
这无疑是一项重要的进步，在保护隐私的情况下，能够更高效地实现两方联合计算。此外，真正达到可证明安全的Cheetah，也有助于加强业界对隐私计算现状的认识。
以保护用户隐私的图像识别服务为例，假如客户甲有一张图片，服务器乙需要对该图片进行 AI 识别，判断是否含有不合规的内容，但出于隐私保护要求，又不能查看甲的图片本身。用此前表现最好的微软的 CryptFlow2 进行测试，需要数百秒才能完成一张图片识别，而 " 猎豹 " 在保证同等的可证明安全前提下，让速度快了 5 倍，可以做到数十秒，离实用迈进了一大步。
（——洪澄）
随着数字时代的到来，互联网上海量数据保护流通，将给数据安全保护带来巨大的难题，如何合理地保护自己的数据，是互联网时代所有人都应该思考的问题，毕竟人人都不喜欢在网上裸体冲浪，而这，也正是隐私计算的意义所在。
此外，在达到安全目的的情况下，实时性和高效性是很重要的，人人都厌恶延迟，渴望即时的反馈，所以在保障安全的同时，速度很重要。上文谈到的阿里安全研发的 Cheetah（猎豹）安全两方计算框架，便是在这方面做的改进，极大提高了隐私计算的效率，可以说是向着实用性的方向迈进了一大步。
期待这项技术未来有更广泛的推广和应用，用以保卫我们的数据安全，我们的社交媒体数据，交易记录、人脸信息、简历、电话、邮件等隐私数据，同样需要被保护起来。
参考内容：
先给大家解释一下「隐私计算」的概念，隐私计算的原本含义是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。其源自于图灵奖获得者、中国科学院院士姚期智先生曾于1982年提出著名的百万富翁问题: 两个富翁的财产是1到10之间的证书，如何在不透露自己财产的情况下比较谁更富有？对于处理这类棘手的“隐私数据”带来的问题的方法，我们称其为「隐私计算」。
数字经济时代的特点之一便是将数据视作关键的生产要素，并通过跨领域、跨行业、跨地域的机构间数据流通释放要素价值。但是数据流通的安全风险高，且如何确保数据流通过程的安全合法合规尚需讨论。我们享受到了数据共享的红利，比如健康码、智能语音输入法等，与此同时，我们也要保护自己的隐私和安全。
3月2日一则新闻吸引着我的注意，《环球时报》记者报道：除严重威胁电力、水利、交通、能源等关键基础设施外，NSA还将通信行业视为重点攻击目标，长期“偷窥”及收集关于通信行业存储的大量个人信息及行业关键数据，导致大量网民的公民身份、财产、家庭住址、甚至通话录音等隐私数据面临着恶意采集、非法滥用、跨境流出的严重威胁。在NSA组织的监视下，全球数亿公民隐私和敏感信息无处藏身犹如“裸奔”。
但事实上我们每个个体都需要隐私，谁也不想成为暴露在黑暗网络森林里的诱饵，因此保护通信安全、数据安全、网络安全成为从个人到集体的共同目标。
每个人能够获取的信息和自身暴露的信息都在成倍增加，而涉及的用户对其几乎无从感知。在我们享有大数据便易的强大功效时，也向它输出着我们的反馈。
2021年被称为“隐私元年”，相继出台了《数据安全法》、《个人隐私保护法》等数据安全条例，与此同时国内多个隐私计算公司如华控清交、数牍科技、翼方健数等业内企业获得资本青睐得到巨额融资，包括阿里在内的互联网大厂等也纷纷布局隐私计算技术。例如，蚂蚁隐私计算平台“隐语”去年在医保DRGs建模中进行应用实践，如今看到阿里安全部门在四大安全顶会之一的USENIX Security Symposium 2022上发表关于高性能两方安全计算的框架应该算是结出了丰硕的果实（在隐私计算领域，阿里是唯一在USENIX Sec22上发表论文的中国公司）。
何为隐私计算？目前业内将隐私计算分为三大类：
1. 硬件层面：可信执行环境 (Trusted Execution Environment， TEE)
在计算平台上通过软硬件方法设计出一个安全的计算区域，可以保证在此区域内进行运行的代码及数据的隐私性和完整性。通过硬件提供物理层面的安全隔离和计算环境，即使设备底层的基础软件或系统被恶意攻击破坏，也不会影响到数据和代码安全，通过加密算法验证和计算隐私数据，参与方可通过验证整套代码来确认可信执行环境的安全性。
2. 数据交互层面：安全多方计算 (Secure Muti-Party Computation, MPC)
姚期智先生提出的百万富翁问题引发了全世界密码学专家的思考，一个最简单的方式使找一个公认可信的见证人，各方将自己数据给见证人进行比较得出结论，但在现实世界中，很少能找到这样理想的见证人。
在提出该问题四年后，姚期智先生提出了混淆电路解决了这个问题，随后开启了安全多方计算的研究热潮，现如今基于不经意传输、秘密共享等方式提出了BMR、GMW、BGW、SPDZ 等安全多方计算框架，实现了多方联合数据分析、数据安全查询等场景使用。
3. 数据建模层面：联邦学习 (Federated Learning, FL)
在传统建模过程中，用户数据需要上传到平台服务器端才能进行建模，但是这种数据集中化带来了巨大的隐私风险挑战，在联邦学习建模过程中，用户只需要将计算的中间结果加密后发送给中心服务器即可完成建模和更新。数据不离开设备本地，意味着原始数据所有权被牢牢掌握在使用者手中，实现了真正的隐私安全。
这三种技术通俗一点来讲就是：
1. 我的数据和程序都通过加密技术放在最底层，你可以用但是看不到；
2. 我跟不信任的人协同做计算的时候可以保证他不会骗我，而且别人窃取中间的内容也破解不了；
3. 我把数据通过秘制调料处理过再让你加工，你接触不到原材料和调料，就不可能掌握我的秘方。
事实上，回顾密码学历史就会发现一直在研究这三个问题。古罗马发明凯撒密码，通过将字母表顺移指定位数后对内容加密。例如，当规定按字母表顺移3位的话，那么a就写成d，b写成e，…，y写成b，z写成c，这样在不知道顺移位数后便难以快速破解内容；一战时期有线电和无线电通信成为军事信息传递的主要手段，有线电报容易被破坏或窃听，无线电报能够被敌人直接接收到发射在天空中的电报信号，加/解密成为战争中关键的一环，谁能掌握信息传输安全，就能保证行动的顺利进行。
彼时彼刻，恰如此时此刻。现代信息安全战的重要性不言而喻，前段时间传出俄罗斯士兵身份等隐私信息大规模泄露、作战方案被窃取等，无不阐述着隐私安全的重要性，但天下没有免费的午餐，加密方案越来越安全的同时带来的是计算量的暴增。
为了确保达到安全的目标，隐私计算需要针对性地设计复杂、昂贵的密码学协议，造成密文体积大，计算速度很慢，而这成为隐私计算技术最大的痛点。阿里在论文中提及此前表现最好的微软的 CryptFlow2 进行测试，需要数百秒才能完成一张图片识别，而“猎豹”在保证同等的可证明安全前提下，让速度快了 5 倍，可以做到数十秒，离实用迈进了一大步。
阿里巴巴达摩院在发布2022十大科技趋势时便已经将全域隐私计算纳入其中，数据安全保护与数据流通是数字时代的两难问题，破解之道是隐私计算。
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。
目前，阿里已将“猎豹”两方安全计算框架贡献到蚂蚁的隐私计算框架—“隐语”中，加速行业互联互通，确保数据流通过程的安全合法合规。期待早日看到国产平台早日建成属于自己的科技壁垒和护城河。
在我看好AI发展方向中，隐私计算算是一个。
我在过去两年的时间里，在多个回答里一直提到隐私计算，例如下面这几个回答。
借着这个问题，简单给读者科普下什么是隐私计算，以及为什么需要隐私计算吧。我尽量隐藏技术细节，用比喻来帮助大家理解隐私计算的概念。
隐私计算指的是在保证提供方的数据不被泄露的前提下，对数据进行利用和计算的一系列相关技术。就好像厨师有个秘方可以做出独一无二的蛋炒饭，厨师可以利用自己的厨艺开餐厅，但不能泄露自己的秘方。这里秘方就像数据，而炒饭，就是数据提供的价值。而隐私计算，就是让顾客无论怎么分析炒饭的成分，也难以还原秘方的算法。
大家有时候会听到的联邦学习，差分计算，都是隐私计算的实现方式。如果对具体技术感兴趣，可以看到 @lokinko 写的专业技术文章和Github Repo。
读者也许最想知道的是，为啥需要隐私计算？
最近十年人工智能的快速发展，主要推动力是计算能力和数据量的发展，但我们也可以看到企业随意收集用户数据，侵犯用户隐私的情况屡屡发生。因此2021年，《数据安全法》、《数据安全管理条例》、《个人隐私保护法》陆续出台了，保护数据的安全和个人隐私，已经是大势所趋了。联邦学习、差分隐私和加密计算等保护隐私的算法在过去几年也一直在发展，这些算法既能保护数据安全，也能打破数据孤岛，让数据发挥最大效果的同时，防止数据外流。
来到2022年，我依然看好隐私计算里的机会，从参考[1]里可以看到，这个细分领域的市场规模依然是迅速发展的。
根据相关机构预测，到2024年全球隐私计算市场规模将达到150亿美元，中国隐私计算市场规模将在15-30亿美元左右，换算成人民币将达到百亿市场规模。
相比整个人工智能行业，隐私计算的市场规模看起来并不算大，但市场规模并不代表价值。海量数据+超大模型能得到的边际收益正在递减，而联邦学习对人工智能行业健康长期的发展会更有价值。
参考
- ^ https://www.qianzhan.com/analyst/detail/220/211013-81160498.html#:~:text=%E5%9B%BD%E5%86%85%E5%B8%82%E5%9C%BA%E8%A7%84%E6%A8%A1%E6%9C%89%E6%9C%9B%E8%BE%BE%E5%88%B0%E7%99%BE%E4%BA%BF&text=%E9%9A%8F%E7%9D%80%E6%88%91%E5%9B%BD%E9%9A%90%E7%A7%81%E8%AE%A1%E7%AE%97,%E8%BE%BE%E5%88%B0%E7%99%BE%E4%BA%BF%E5%B8%82%E5%9C%BA%E8%A7%84%E6%A8%A1%E3%80%82
类似的话题
-
洞察当下：国内隐私计算行业的现状与未来趋势在数据要素化浪潮席卷全球的今天，如何安全、合规地释放数据价值，是摆在我们面前的一道重要考题。而“隐私计算”——这个听起来有些技术范的词汇，正逐渐从幕后走向台前，成为解决这一难题的关键。那么，目前国内隐私计算行业究竟发展到何种程度？未来又将走向何方？我们不妨深............. -
中国企业“霸榜”全球隐私技术专利，国产隐私计算已成气候近期，一项来自独立研究机构的数据显示，中国企业在全球隐私技术专利申请数量上占据了显著优势，甚至可以说是“霸榜”的态势。这无疑是一个引人注目的现象，也引发了广泛的关注和讨论：中国在隐私技术领域究竟发展到了什么程度？国内的隐私计算实力究竟几何？专利“.............
-
国内健身环境的全面健美化，这确实是一个很有意思的话题，而且 mittlerweile 已经成为了一个非常显著的趋势。咱们就掰开了揉碎了，好好聊聊这个现象背后的一些东西。首先，得承认，现在你去健身房，放眼望去，确实是另一种景象了。以前可能更多的是为了减肥、为了健康、为了身材匀称，大家健健身就满足了。但.............
-
国内高校的留学生政策，这确实是个挺值得聊的话题。尤其是在近年来，随着中国经济的崛起和国际影响力的提升，吸引和留住优秀国际人才，也成为了高校发展的重要战略之一。政策的“广”与“深”：不仅仅是数量的增加首先，得承认的是，国家和各高校在吸引留学生方面下了不少功夫，政策的“广度”体现在： 奖学金体系的日.............
-
国内对冰墩墩的“过度炒作”，这事儿啊，说起来可真是挺有意思的。它不是一下子就冒出来的，而是像滚雪球一样，越滚越大，最后成了很多人讨论的焦点。首先，得承认，冰墩墩这小家伙本身确实是讨人喜欢的。设计上，那是个大熊猫，圆滚滚的，一身冰晶外壳，充满未来感，又透着一股憨厚可爱劲儿，而且还自带“中国制造”的光环.............
-
中国“将不再新建境外煤电”这个决定，对于国内的能源企业而言，无疑是一次深刻的行业重塑和战略调整的信号。这不仅仅是简单的政策变化，而是背后一系列深层次的考量和长远目标在驱动。我们不妨从几个维度来剖析一下它可能带来的影响：一、 战略重心转移：从“走出去”到“留下来”的内涵转变过去十几年，中国为了输出过剩.............
-
“对向中国出口光刻机保持开放态度”——荷兰光刻机巨头阿斯麦（ASML）中国区总裁沈波的这番表态，无疑给当前火热的中国半导体产业注入了一剂强心针，也引发了广泛的关注和讨论。要理解这句话的深层含义以及其背后复杂的博弈，我们需要从多个维度进行深入剖析。阿斯麦表态的背后：利益、现实与博弈首先，我们必须认识到.............
-
新京报于2023年7月28日曝光的“国内版N号房”事件，指控一个名为“恋童资源共享群”的微信群组中，充斥着大量涉及未成年人的不雅视频和图片。这一事件迅速引发了公众的强烈愤慨和广泛关注，也再次将网络涉童色情犯罪推到了风口浪尖。事件的详细情况：根据新京报的报道，该事件的曝光源于记者对网络上一个长期存在的.............
-
在我看来，当下许多国人身上出现的民族自信心不高，这绝非一朝一夕形成，也不是单一因素可以解释的。它是一个复杂交织的现象，需要我们从历史、社会文化、教育乃至个体心理等多个维度去审视。首先，我们得承认，近现代中国经历了一段相当跌宕起伏的时期。从晚清的屈辱与积贫积弱，到新中国成立初期的百废待兴，再到改革开放.............
-
中青报发表呼吁“停止妖魔化外国抗疫”的文章，无疑触及了当下一个复杂且敏感的议题。在疫情席卷全球的背景下，不同国家和地区采取了差异化的防疫策略，由此也引发了国内社会对这些策略的广泛讨论和评价。理解这篇文章的深意，需要结合当前的国际疫情态势和各国抗疫实践来分析。看待“停止妖魔化外国抗疫”的呼吁：首先，这.............
-
这确实是一个大家都很关心的问题。世卫组织在2022年初表达了希望能够在当年控制住新冠疫情的愿景，这个愿景背后是基于当时疫苗接种的快速推进、以及一些国家在疫情早期采取的严厉防控措施取得的成效。回顾世卫组织当时提出这个愿景的背景： 疫苗的出现和推广： 2021年底至2022年初，全球疫苗接种率在逐步.............
-
中国自行车产业规模全球领先，但在核心零部件变速器领域，长期以来确实存在对外依赖的现象，主要市场份额被日本的禧玛诺（Shimano）和美国的速联（SRAM）等国际品牌占据。这背后有多方面的原因，而国产变速器的研发水平也正在经历一个爬坡的过程。为什么中国自行车企业长期依赖国际品牌变速器？1. 技术壁垒.............
-
万豪酒店将西藏、港澳台地区列为“国家”并因此被立案调查的事件，无疑触及了敏感的政治和国家主权问题，在国内引起了广泛关注和强烈的反应。要理解这件事，我们可以从几个层面来剖析。事件的背景与性质：首先，我们要明确，从中国的法律和国际政治的普遍认知来看，西藏、香港和台湾在国家主权上有着明确的地位。西藏是中国.............
-
特斯拉 Model Y 在国内市场的表现，尤其是那高达 30% 的毛利率以及未来可能降至 26 万元的预期，确实是一个值得好好说道的话题。这不仅仅是关于一款车，更是关于特斯拉的定价策略、中国新能源汽车市场的竞争格局，以及消费者心理的一场精彩博弈。高毛利率的蛋糕，特斯拉是怎么切的？首先，咱们得聊聊这 .............
-
触目惊心的瞬间：无锡312国道高架倾覆事故的沉思2019年10月10日，一个本应平常的夜晚，在江苏无锡312国道上，却发生了一起令人痛心的重大交通事故。一辆严重超载的货车，在行驶至高架桥上一处弯道时，车辆连同所载货物一同瞬间倾覆，巨大的冲击力导致了高架桥路的局部坍塌。这起事故，不仅夺去了生命，更在全.............
-
中文的全球足迹：从教育体系到世界舞台的跃升当今世界，中文的“朋友圈”正在以前所未有的速度扩大。据统计，已有70个国家将中文纳入国民教育体系，而中国之外，学习中文的人数已达到约2500万。这是一个令人振奋的数字，它不仅标志着中文在全球范围内的普及度显著提升，更折射出中文在国际社会中的地位正在悄然发生着.............
-
70多国将中文纳入国民教育体系：一个时代的浪潮与汉语世界的未来当来自70多个国家的孩子们在课堂上朗读“静夜思”，在练习册上描摹“龙”字时，这不仅仅是一个教育上的变动，更是一个全球文化和地缘政治格局深刻变化的缩影。70多个国家，这个数字本身就足够振奋人心，它意味着中文不再是某个特定区域的语言，而是正在.............
-
近日，安徽省在一次进口冷链食品抽检中，发现一批次国产鸡腿外包装核酸检测结果呈阳性。这一消息引发了公众的广泛关注和一些担忧。我们来详细梳理一下目前的情况以及如何看待这件事。事件回顾与目前情况：事情发生在安徽省，具体是哪个城市或地区，在官方通报中可能有所提及，但核心信息是发现的阳性样本来自“国产鸡腿”的.............
-
当今世界，汉语的声势如日中天，你可能也注意到，越来越多的国家开始重视这门古老而又充满活力的语言。据统计，目前已经有六十多个国家将汉语教学纳入了国民教育体系，这可不是一个小数目，它代表着一种趋势，一种世界对汉语魅力的认可和拥抱。是什么让汉语变得如此受欢迎？要说汉语为何能赢得如此广泛的青睐，原因可以说是.............
-
日本批发商将中国鳗鱼伪造成日本国产，这一事件无疑给本就敏感的中日贸易关系增添了新的注脚。它不仅暴露了部分日本企业的诚信问题，也对消费者权益和全球水产供应链的透明度提出了严峻挑战。事件的严重性与影响这起事件的恶劣之处在于其蓄意性和长期性。一家批发商能够长达五年之久地进行如此大规模的造假行为，背后可能涉.............
本站所有内容均为互联网搜索引擎提供的公开搜索信息，本站不存储任何数据与内容，任何内容与数据均与本站无关，如有需要请联系相关搜索引擎包括但不限于百度，google,bing,sogou 等
© 2025 tinynews.org All Rights Reserved. 百科问答小站 版权所有