全球企业加码数据安全，正是智能时代的“基座”

数据，是人工智能技术的三大基础之一。而数据安全，或将成为智能时代更快到来的“铁轨”与“基座”。

随着信息技术和人类生产生活交汇融合，各类数据迅猛增长、海量聚集，对 经济 发展、人民生活都产生了重大而深刻的影响。而数据在收集、存储、共享的过程中同时面临收益与风险。

如何确保数据安全，并做到“可用不可见”，至此隐私计算技术应运而生。

资料来源：国家工业信息安全发展研究中心发布《中国隐私计算产业发展报告（2020~2021）》

越来越多的企业正把目光投向隐私计算领域，隐私计算技术也已在不同场景中落地。

国外隐私计算代表案例：

谷歌 ——Password Checkup保护数据安全共享

2019 年2 月，谷歌推出密码检查器Password Checkup，一个Chrome扩展程序，帮助用户检测他们在网站上输入的用户名和密码是否已被盗用。

Password Checkup依赖于隐私集合交集（PSI）的加密协议，协议收集超过“40 亿个”的已知不安全或已外泄的账号和密码，在Chrome 用户安装这功能后，一旦用户登录某个网站时，Google 便会主动侦测帐户密码是否在外泄名单中。

Password Checkup程序体积小巧，功能简单，但背后却对大量数据进行高安全等级处理。本地加密、密文数据对比等可以说是隐私计算基本概念的教科书式展现，也令其成为数据安全共享的典型科普案例。

苹果 ——iOS10引入差分隐私技术保护用户数据

移动 互联网 时代， 手机 承载一个人所有的秘密。

早在2013年一位当时就读于美国西北大学的研究生，结合搜索引擎与纽约城市出租车和豪华轿车委员会对外公布的一份2013年全市的出租车行程数据，便锁定几位明星的行踪。

但要如何抵御对于个体用户隐私数据的“精确计算”，而又能提高数据共享和使用的效率？

苹果公司在当时推出的iOS 10系统中，用差分隐私收集法做出回答。

差分隐私的原理是用算法加扰个人用户数据，使追踪技术无法实现回溯。随后在无法获得原始数据的情况下对数据批量计算，输出计算结果。

在获得机器学习所需的数据资源的同时，实现用户隐私数据的保护。

目前国外，谷歌、苹果、facebook等企业都在进一步加强对数据安全的保护力度。

国内也有翼方健数、微众银行、蚂蚁金服、华控清交这“隐私计算四小龙”领跑行业，呈现出四超多强的局面。

国内隐私计算企业一览图：

资料来源：微众银行&毕马威发布《2021隐私计算行业研究报告》

国内隐私计算代表案例（以隐私计算四小龙为例）：

翼方健数——厦门市城市级健康医疗大数据开放平台

在医疗资源总量不足，优质资源匮乏，分布也不够合理的大环境下，分级诊疗成为重要的解决方案。

如何将三甲医院医生积累的丰富临床经验转化为智能化的知识输出，并辅助诊断？医疗AI也许是很好的解决方案。

但囿于对数据安全、医学伦理和个人隐私方面的担心，数据的获取、治理以及合理应用仍是医疗AI行业的难题。

翼方健数基于隐私安全计算技术平台“翼数坊”（XDP），在厦门市卫健委的主导下，汇聚厦门市各医疗机构的健康医疗数据，引入第三方服务机构来处理和挖掘原始数据，提供应用服务。

“翼数坊”首先在厦门全市基层社区医院儿科诊疗过程中落地应用，通过学习海量的儿科电子病历，开发病例结构化、辅助诊断、辅助用药，辅助检查推荐等一系列深度学习模型，通过打通智能模型、电子病历EMR与其他信息系统，形成一套智能临床辅助决策和知识库体系。

翼方健数CEO罗震认为，未来，技术甚至支持多个隐私安全计算平台作为分布式网络进行交互。完成数据探查、数据价值输出到数据价值流通，数据价值高地将会真正出现，形成一个“数据和计算的互联网”（IoDC）。

微众银行——联合多家外部合作伙伴建立小微企业信贷风控模型

近年来，虽说小微贷款越来越受重视，但由于风险过高，许多银行不愿给小微企业贷款，因此如何规避风险，降低微型企业贷款的不良率显得尤为重要。

微众银行联合多家外部合作伙伴一起搭建基于联邦学习的风控模型，以解决小微企业贷款风控数据不足的问题。

在报告中，通过以微众银行和发票信息服务公司的合作案例，验证微众银行“基于开源的联邦学习系统FATE进行纵向联邦建模，多个机构可以建构联合模型而无需共享其数据”模式的有效性和安全性。

与只使用传统模型来训练标签Y相比，联合发票数据的纵向逻辑回归AUC增加12%，随着模型效果的改善，贷款不良率明显下降。

蚂蚁金服——蚂蚁链摩斯多方安全计算平台

金融 企业应用场景各方都有各方的数据系统，并不互用，而且互用方式对隐私信息的保护也需要单独投入研发，蚂蚁链服务可解决这一难题。在金融场景下，蚂蚁链可以解决单一机构数据不足，第三方合规数据不易获取的困难。

蚂蚁链摩斯多方安全计算平台采用去中心分布式架构，数据合作各方通过本地安装的摩斯计算节点完成安全计算，保证原始数据不出域，仅输出计算结果。

并可将查询调用记录存证在 区块链 上，防止数据造假，保障数据质量。

例如与富民银行联合风控，富民银行利用摩斯安全计算平台，和合作方实现多方联合风控，在保证数据安全的同时，实现模型预测效能提升25%。有效降低业务风险和不良资产率。

华控清交——PrivPy多方计算平台助力金融机构

金融业作为经营风险的行业，在业务数据化驱动与合规经营的内外部环境要求下，其数据安全共享与融合应用的需求愈加迫切。

金融机构面向个人 投资 者销售资管产品时，需要严格确认投资者当前持有的金融资产总额或年收入总额等，以核实其是否具有投资资格。

面对上述问题，华控清交在中国 互联网金融 协会指导下，使用多方安全计算技术，实现了在保护申请者数据隐私的前提下，融合各机构客户金融资产、收入流水等数据，自动计算投资者的金融资产或收入状况信息，实现高效合规的个人合格投资者认证，同时全流程可验证、可追溯、可解释、可审计、可监管。

在大数据与人工智能时代背景下，AI与数据计算在各行各业应用越广泛，数据价值就愈加凸显。

隐私计算看似是个全新的概念，其实是个世界级的话题。隐私计算最早源于人工智能的兴起，直到今天随着数据的价值日益彰显。

近年来，资本市场对该领域的关注度愈渐火热，2020年-2021年隐私计算赛道融资事件也呈现几何式增长状态。2021年7月底，隐私计算领域技术专精型公司中已披露的最大规模单笔融资由国内“隐私计算四小龙”之一的翼方健数宣布完成，总金额超过3亿元人民币。隐私计算企业获得来自资本的认可，无疑也肯定了隐私计算将在未来发挥巨大的潜力。