受大数据融合应用和隐私保护的双重需求驱动，隐私计算迎来爆发前夜。

据《隐私计算行业研究报告》数据显示，隐私计算国内市场将达到空前规模，三年后技术服务营收有望触达100-200亿人民币空间，甚至将撬动千亿级数据平台运营收入空间。隐私计算作为近年来兴起的面向隐私信息全生命周期保护的计算方法，是使数据在高度保存价值的情况下合规、加密流通的技术，将为数据安全共享带来根本性的转变。

就隐私计算在金融行业的应用阶段、场景及安全合规，以及隐私计算的数据基础设施现状与图景展望，4月28日在隐私计算行业技术领跑企业「星云Clustar」举办的主题为“数融有道・数智无界”的行业交流论坛上，来自金融行业以及技术行业的专家们进行了深入交流，为隐私计算行业的技术发展和场景落地带来了诸多前沿观点和行业建议。

联邦学习与迁移学习领军者杨强教授在嘉宾致辞中表示：我们身边多数都是维度低、样本少的小数据，要联合这些数据进行模型训练，或成本过于昂贵，或因难以合规，而被企业机构们“束之高阁”。因此，激活数据价值潜能、实现创新的数据服务应用的基础条件是从根本上解决数据安全共享的基础建设问题。

实际上，隐私计算作为在数据融合应用过程中保障数据安全合规的关键技术路径，其商业模式、应用场景、技术变革、产业趋势、法律问题等正成为当前政、产、学、研、用等各界关注的热点，其发展总体还处于起步阶段。

隐私计算在金融场景的落地应用还在初始阶段，但潜蕴无限。

一组行业数据显示，以隐私计算目前主要落地场景之一——个人短期消费金融业务为例，包括车贷、小额消费贷、现金贷、信用卡分期等。金融机构风控需要基于多方数据进行联合建模，隐私计算就是刚需，信贷业务就发生在隐私计算的平台上。国内个人短期消费金融的市场在2019年已达到9.92万亿元，假设以10%的低复合增长率增长，那么到2024年能达到16万亿元。

据中国银联电子支付研究院新技术研究团队周雍恺博士分析，“隐私计算的技术流派角度主要包含三大技术流派，首先是可信执行环境；其次是安全多方计算，现在也有应用落地，但是它相对于整个应用的领域来说，尤其是它从安全和性能的角度来比，还是可以应用于某些比较特殊特定的场景，例如安全人脸；第三是联邦计算。”

对于隐私计算和联邦学习，星云Clustar CEO 陈沫在此前的主题演讲中有着独特见解：“隐私计算目前是我们认为实现数据安全流通的唯一路径。过去，像类似于数据脱敏，以及灰色交易等，它们在跨界流通、合法合规或高保真方面都会存在问题。经过这几年的共同探索，特别是以联邦学习为主的隐私计算技术，我们可以看到，通过这样的技术手段，我们可以同时实现这三个数据价值所必要的前提。”

就目前隐私计算在金融场景里面落地的应用目前所处阶段和原因，招商银行分行信息技术部副总经理蔡毅表示，“银行在整个隐私计算上属于刚刚开始的阶段，现在也在银行内部进行试点。我们目前做过的试点是用于风控和市场营销，效果非常出乎意料，下一步将会在这方面加大投入力度。“

对于隐私计算所释放的数据价值以及在金融场景上的应用，与会专家均信心十足。

华泰创新总经理晋海博分析，“金融机构对于数字化转型的渴求是毋庸置疑的。隐私计算目前到了一个需要真正开始商业化落地的元年的阶段。从隐私计算本身而言，过去属于第一个阶段，即基本含义和技术方案论证的阶段，而现在我认为已经是第二阶段了，即技术性能和安全统一的阶段。未来一定是互联互通的阶段，我相信隐私计算的应用在目前的基础上，应该是百倍级的市场空间的一个更广阔的市场。”

目前，国内隐私计算领域不仅有包括BAT在内的互联网大厂，也有来自于垂直行业的机构以及独立创业公司。各个玩家的资源生态、技术路线和行业布局均有所不同，而在金融场景的应用上，仍以营销、风控端等为主要落地场景。

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

微众银行人工智能事业部副总经理陈天健认为，“从银行视角一观，对于大型银行机构而言目前已经走过了信息化、智能化的阶段，现在要迈步进入隐私计算、去拓宽自己的数据边界，进一步增强自己的业务竞争力了；但对中小银行而言，面临的挑战会更大。未来会有这样一个趋势，即针对中小型金融机构的专业服务公司会应时而生，帮助他们在短时间内走完信息化、智能化和隐私计算技术导入。“

隐私计算释放的数据价值毋庸置疑，但于金融行业而言，合规与安全亦是永恒的话题。

浦发银行创新研究中心曹祥博士提出，“联邦学习和多方安全计算相关的项目都非常火爆，但大家对这个技术还是有一些担心，特别是合规方面。现在只能说是，技术上非常火爆，业务上还在探索。”

数据孤岛和信息安全是矛盾共生的两难话题，对于金融领域的应用而言，如何能够既使用数据、又能让敏感信息不外泄？

据陈天健分析，“合规角度而言，央行去年就出台了安全多方计算的建议标准。这些标准的建立，以及相关的测试标准和认证标准的配套，可以很大程度上解决技术应用上合规性的问题，或者市场能解决形式合规的问题。当然先进技术的发展，比如隐私计算这种先进技术的发展，为它所建立的规制一定是有滞后性的。”

"安全性而言，现在的隐私计算到今天这个时点，它对于安全的关注已经不仅仅局限于原始数据了，它对于查询的数据，过程的数据，和衍生出来的模型数据都会做全面的保护。”

就合规性，周雍恺还补充，“合规性角度，我们在实际使用中碰到最大的一个场景问题亦是第一步，即ID撞库，这块处于一个比较灰色的地带。”

目前，整个隐私计算相关技术在金融场景的落地可以说是元年，也是最初始的阶段。构建一个中国金融数据共享的生态圈，完成整个金融场景的数据安全、基础建设，仍存在诸多难题和挑战，但未来的趋势势不可挡，无论是监管、金融机构还是技术参与方，都在共同筑造数据价值和金融安全共享的生态圈。

随着数据保护重要性的不断提升，隐私计算这一新兴技术正在逐步发展为数字化时代基础设施建设的重要部分，除了在具体场景中的应用落地，以数字基础设施建设的现状与图景展望亦是技术圈最为关注的话题。

随着科学技术的进步，各行各业的数字化发展趋势已不可逆转，尤其在2020年经历了新冠疫情，数字化发展趋势明显加快。数据的重要性也因此成为社会各界的共识，并成为新的生产要素。与此同时，大众对于隐私安全的关注度日益增加，作为保护数据安全的重要技术之一的隐私计算迎来快速发展期。

就隐私计算的未来发展，Intel AI首席工程师夏磊表示，“今天，国内AI的应用领域已经非常丰富，在很多应用领域已经在朝深度方向，行业纵深去发展。我们看到在这中间，确实数据孤岛的局限、瓶颈越来越多的暴露出来，使得大家在应用过程当中，AI本身对数据依赖的基础产生了限制。所以现在在金融、医疗、制造等等行业，都出现了对隐私计算技术非常直接的需求。”

从发展进度一观，据浪潮高效能服务器和存储技术国家重点实验室首席科学家阚宏伟介绍，“浪潮是一个人工智能计算平台的服务商，对于像高度可定制的异构计算平台，我们叫分布式人工智能计算平台这方面的研究，我们更为关注。浪潮国家重点实验室一直在很前沿的跟踪，基于FPGA、GPU，或者我们叫XPU这样的异构计算平台，特别像今天星云发布的多源异构平台，我们也是在跟踪，我们也希望有更多特别高度可定制的加速平台出现，让行业内有个快速的迭代。”

来自英伟达的解决方案工程师罗晟表示，“我们从两个方面关注隐私计算。第一是底层，第二是应用。另一方面，我们关注的是，比如我们现在很多样的数据都会传到服务器里面，我们有各种访问的限制，我们有非常多的SDK软件，能够从应用的层面防止一些不必要的访问，需要加强。”

就传统基础设施和云计算的转型，以及隐私计算将对于云原生方面产生的影响和挑战，夏磊分析，“我们一方面是支持隐私计算，支持更好的云原生方案的实现。同时我们也考虑，怎么能够把隐私计算部署的成本降下来，让这样一个好用的技术，大家有需求的技术，能够变得让用户更能够在经济上承受，不需要额外花太多的资金方面的投入，你就能够去导入，去应用。”

燧原科技首席芯片架构师刘彦认为，“当我们考虑到隐私计算，我们会需要配格外的成本，那个成本如果大家还有印象的话，大概10-20倍的存储，代表10-20倍的通讯带宽需求，一百倍到一万倍的计算需求，这代表从应用需求到算法需求，对整个背后的硬件生态和实施都会提出新的一个需求。针对这些变化，星云用FPGA异构计算的结构和快速的迭代给出了几十倍加速的解决方案。”

罗晟表示，“从硬件到软件，再到整个生态，这一整套大平台，才能更好的服务到隐私计算的环境，去加速整个隐私计算未来往前的发展。”

隐私计算技术虽然颇具市场潜力，但仍面临诸多挑战。这些挑战既有硬件层面如何解决算力、降低成本的挑战，亦有软件层面如何打破藩篱的挑战。打破数据孤岛，构建安全连接数据的人工智能基础设施，共建共融的生态亦是整个技术圈的愿望所在。

就具体问题，阚宏伟分析，“从基础设施的角度来讲，挑战主要有两个方面。第一方面，比如说类似于联邦学习这样的场景中，它对加密技术要求是比较高的。而类似于加密技术具有很强的对抗性，这种对抗性就迫使我们的算法，我们的解决方案迭代会比较快，这个时候就需要一些定制化的平台，这给我们FPGA厂家提出了课题。”

“第二个最核心的矛盾，是我们这些联邦学习的架构是给网络传输带来了新的问题。下一步，如何高效的整合目前RDMA传输的架构，加上基于广域环境下，能够很友好传输这样一些特点的东西，是我们像联邦学习这种分布式人工智能学习系统所面临的的共同挑战。”

面对上述痛点，星云Clustar CTO 张骏雪博士结合星云的大量合作实践中谈到，“我们在与金融头部客户等数据使用方合作时，发现客户往往需要消耗大量的人力物力去搭建隐私计算基础设施，而我们“三年磨一剑”研发的星云隐私计算一体机，能够将隐私计算软件平台与隐私计算加速卡以软硬件结合的方式，提供数据安全性的强大保障与高效计算的算力支持，而且带给客户开箱即用的使用体验。”

隐私计算的不断发展，需要基础设施的夯实，也对基础设施带来了新的挑战和机会。目前虽然隐私计算的场景主要聚焦金融、医疗等领域，但随着其产品化、商业化的进程的加速，以及用户对隐私计算的接受度的提高，隐私计算也正往交通、教育、工业等领域延伸，并且将形成跨机构、跨企业、跨行业的多类应用场景，有望在更多行业进行拓展应用。

来源：          亿欧