既要保护数据安全，又要利用数据创造经济效益，“鱼与熊掌”如何兼得？
具有“数据不出域”“可用不可见特征”的隐私计算，成为时下最受关注的“技术解”之一。特别是在数据合规风险下，隐私计算有望成为有效保护个人信息的“一剂良方”。
近年来，隐私计算试点应用正在金融、医疗、政务等多个领域铺开。目前，银行业是隐私计算应用实践最多的行业。
不过，隐私计算应用得到快速推进的同时，诸如“系统孤岛”、运算效率低、安全性等挑战也逐步显现，以及商业化的应用价值等问题，都还有待进一步解决。
隐私计算站上风口
数据作为一种新型生产要素，其高效运用与安全之间如何实现平衡？隐私计算，被各方寄予了厚望，并在政策和市场合力推动下站上风口。
所谓隐私计算，是一种多方安全计算技术体系，也就是在保护数据安全及个人隐私的前提下，实现数据流通及数据价值深度挖掘的一系列方法。其中关键技术包括联邦学习、多方安全计算、机密计算、差分隐私、同态加密等。
中国人工智能学会（CAAI）荣誉副理事长、智能投研技术联盟（ITL）主席、微众银行首席人工智能官杨强告诉上海证券报记者，隐私计算的核心特征是“数据可用不可见”，可以保证数据在不出本地的情况下，得到安全使用并实现价值流动。其有效解决了“数据孤岛”与保护用户隐私之间的两难问题，是实现数据安全与隐私保护的关键技术。
记者获悉，近年来，隐私计算的探索发展，不仅得到央行等多个部门鼓励，并在多个城市落地试点，包括北京、上海等城市。“隐私计算正在加速发展，市场层面也从落地初期验证阶段进入加速实施阶段。”杨强说。
风口之下，越来越多的企业嗅到机会，积极布局隐私计算研发，并推动商业化应用落地。在实际应用领域方面，隐私计算产品正快速融入金融、医疗、政务等场景中。艾瑞咨询报告显示，2021年中国隐私计算基础产品服务的技术采购中，金融、政务、运营商占据了75%至80%的市场份额。
头部银行在行动
金融行业是数据密集型行业，金融机构在推进数字化转型时，既要守护客户隐私，又要利用数据。面对这种需求，隐私计算被认为是一种有效的平衡工具。
2020年底以来，央行先后出台两份金融行业标准——《多方安全计算金融应用技术规范》《金融业数据能力建设指引》。此后，银行加快了隐私计算布局，开始“摸着石头过河”。据了解，农业银行、交通银行等国有大行，光大银行、浦发银行等股份行以及部分农商行，均启动了隐私计算研究并搭建隐私计算平台，在部分场景开展了试点。
一家国有大行金融科技部门人士向记者透露，该行从总行到分行都在试点隐私计算应用，“隐私计算试点应用，是我行数字化转型战略的重要部分，因为这是一种确实能解决核心数据不落地的有效方式。”
光大银行从顶层设计出发，与华控清交信息科技（北京）有限公司（下称“华控清交”）联合搭建了一个具有基础设施意义的隐私计算平台。2021年8月，该行上线多方安全计算平台。该平台可以保障各企业原始数据在“可用不可见”“可控可计量”的前提下，规范开展数据共享与融合应用，实现跨企业间隐匿查询、联合统计、联合建模等功能，适用于联合营销、联合风控、统一授信等场景。
热潮之下，市场不乏顾虑。熟悉该行业的人士告诉记者，要让隐私计算在银行业务中真正发挥作用，就要对原有系统流程进行“大刀阔斧”式的改造，但其难度很高。
“隐私计算投入较大，主要是头部银行在布局。而且，对于隐私计算供应商来说，盈利模式也不理想——是收平台建设服务费，还是与银行分润？”一位熟悉该行业的人士说。
“系统孤岛”挑战待解
在试点应用中，隐私计算面临的考验也已显现。
“以我们落地情况来看，还要评估数据交互模型的碰撞效果。每个隐私技术平台的数据模型不同，集合在一个平台，需要不断调整优化。”一家国有大行金融科技部门人士说。
这个考验，正是行业面临的共性挑战——不同隐私计算平台之间，存在数据流通壁垒。
杨强解释说，数据提供方采用不同的隐私计算技术，在不同平台部署，技术实现原理也存在较大差异。如此一来，跨平台就无法互联互通，造成新的“系统孤岛”。
“系统孤岛”会带来不少麻烦：不仅增加系统建设和运维成本，数据应用的安全也面临更大挑战。杨强建议，可以通过开源开放的生产写作方式，有效打通数据、平台、机构之间的“孤岛”，实现跨地区、跨地域、跨平台互联互通，同时推动制定统一行业标准，降低技术的使用门槛，实现真正的技术普惠。
记者注意到，业内开始出现打破不同隐私计算平台壁垒的合作迹象。2021年9月，研发隐私计算技术的两大头部企业——华控清交和星云Clustar达成战略合作意向，双方将在隐私计算平台间的数据互联互通等方面合作，努力打破因隐私计算技术差异造成的数据流通壁垒。
打破前述流通壁垒，只是解决隐私计算应用的诸多挑战之一。对于行业而言，最大的挑战在于——如何将隐私计算产品以简单易部署、低成本的方式推广到更多场景和更广泛的生态。
这其中，一个重要的影响因素就是隐私计算的运算效率。平安科技副总工程师王健宗表示，相较于传统集中式机器学习、明文计算，当前隐私计算会有数十倍甚至百倍的计算损耗。
他认为，算法优化和硬件加速有望提升隐私计算的可用性。“未来，量子计算、光学计算有驱动隐私计算加速发展的可能。”