本報記者 朱寶琛

    在數據融合應用和隱私保護的雙重驅動下，隱私計算熱潮迅速興起。12月10日，在數據安全與隱私計算論壇上，瑞萊智慧RealAI首席架構師徐世真發表《隱私計算助力構建AI新基建》的主題演講，從AI發展的視角出發，為研判隱私計算的未來趨勢提供參考思路。

    隱私計算通常與AI緊密結合。徐世真表示，從技術角度看，隱私計算是AI能力的重要補充。AI高度依賴數據基礎，規模化且多樣化的高質量數據，能夠訓練出效果更好的模型，隱私計算通過解決數據的“鏈接”問題，為算法的持續進化提供數據補充。相應的，這倒逼企業在落地AI應用的過程加大對數據的拓展。但隨著越來越多的數據被收集和利用，數據風險和隱私保護也成為AI系統在開發和應用過程中面臨的一項挑戰。

    在徐世真看來，現階段隱私計算的商業化落地仍面臨四大挑戰：第一，生態壁壘。目前各廠商隱私計算技術互不相通，也無法互相連接，解決數據孤島問題的過程中反而帶來技術孤島的問題，這意味著需要上層進行大量集成。第二，計算性能。密碼學操作的引入、分布式通信問題，以及同態加密導致計算性能慢，難以支撐大規模數據訓練。第三，安全性。從知識產權保護的角度，各家廠商不會公開底層協議，導致協議不透明的問題，難以審計。第四，可用性。目前的隱私計算技術服務商不具備數據生態、數據鏈接的能力，無法提供開箱即用的數據和解決方案，用戶的應用成本和難度增加。

    結合AI發展歷程，徐世真提出，隱私計算的未來發展可借鑒兩大經驗。首先，在技術路徑方面，基于底層數據流圖的編譯器路線將推動技術的兼容互通；性能優化當前可通過優化底層密碼庫來實現，未來仍需借助新硬件；提升安全性需要抵御密碼協議層和應用層的惡意攻擊。

    其次，在產業路徑方面，隱私計算需要逐場景落地，根據不同的場景需求采用合適的技術路線，比如多方安全計算效率高、安全可證明，但通信量大、僅支持簡單計算邏輯；聯邦學習支持復雜機器學習，但主要面向建模場景；TEE路線具備較好的性能和算法生態，但依賴硬件廠商硬件可信性和用戶接受數據集中式處理。

    他介紹，立足于AI視角，瑞萊智慧推出了業內首個編譯級隱私保護計算平臺RealSecure。面向場景需求，瑞萊智慧打造了“平臺+數據+服務+場景”的一體化隱私計算解決方案。

    隱私計算不僅僅是技術行為，也是企業合規性組織建設行為。但在市場早期階段，用戶對于隱私計算的應用模式及場景理解通常存在誤區。徐世真表示，隱私計算僅僅是企業合規建設的一環，需要在法律法規的框架下進行。目前瑞萊智慧與中倫律師事務所展開戰略合作，充分發揮雙方資源優勢，在數字經濟時代針對人工智能、數據交換等新場景下應用與監管機構強監管要求的合規法律與技術體系建設，為企業提供咨詢服務、體系建設等服務。

    另外，雖然政策監管出臺，但讓企業單純為“成本項”的安全投入買單往往是有難度的。本質上隱私計算雖然解決了數據“能”拿出來的問題，但沒有解決讓企業共享數據的意愿問題。

    “關鍵在于數據價值的閉環，充分釋放數據價值，使得各個數據參與方從中獲益，將‘成本項’轉為‘營收項’，才能讓用戶產生持續性的意愿度，開放數據的特定使用權來參與后續數據流通，推動持續性的數據流通。”徐世真表示，這一過程通常需要企業內優勢業務部門的配合和印證。

    “AI技術能夠有效解決數據流通的意愿問題。”徐世真說，AI技術具有強大數據處理與分析能力，是實現數據價值的關鍵技術，隱私計算解決了數據安全流通問題。通過“人工智能+隱私計算”的深度結合，能夠在實現跨業、跨域數據安全融合的基礎上，實現數據價值的深度挖掘與釋放。

（編輯 田冬）