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——iiOOS10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——“翼数坊”(XDP)助力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。
蚂蚁金服集团——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
今年7月29日，翼方健数完成的3亿元 B+轮战略融资，或为目前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，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。
（免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。
任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。 ）
