以前做法很简单。比如互联网机构和银行做联合建模，利用消费行为评估信用等级，互联网公司就把数据拷到数据中心，这会导致数据的泄露，这是一种踏过红线的、打擦边球的做法。

第二种是数据脱敏，把关键字符，比如身份证号、手机号、家庭住址等等，做一些分析，然后再去做机器学习的模型，去探寻规律，这种方法的最后结果是不保真的。

而隐私计算是一种数据不用出本地的解决方案。比如两个机构可以通过联合建模的方法，在数据保持在本地的前提下，建出一个模型来为需求方做服务。这就衍生了一个非常好的商业优势，就是它保护了数据的所有权，使数据的所有权和使用权相分离。

以前如果要做一个数据的模型，我们需要把数据拷出去，而随着数据拷贝，这个数据的所有权也就丧失了。隐私计算是数据不出域的，也就是说你可以使用数据，但见不到数据，所以它保证了数据的所有权和使用权的隔离，这使得我们可以去激发整个市场数据。

我们国家一直强调要让数据成为生产要素。既然是生产要素，就是商品，就要定价流通，所以隐私计算的衍生品就是让数据可以变成商品，成为可流通的、有价值、可定价的东西。所以这是隐私计算的副产品，也是它未来可能对这个行业带来的最大的创新源泉。

说到隐私计算，内部还有细分，有三大门派。“华山派”就是指的比较早的可信计算、安全屋，比较流行的像英特尔和阿里蚂蚁的TEE，这种技术可以保证安全可信的计算环境；第二个叫“少林派”，指的是多方安全计算，它的做法就是用秘密分享，不经意传输，混淆电路等算法，保证你的数据既能使用又安全；第三个“武当派”，就是联邦学习，联邦学习是最近比较火的话题，就是在多个分布式的节点，使数据能够进行交互，最后不仅能训练出一个模型来，还能保证数据的隐私和安全性。从三个不同技术的对比可以看出来，联邦学习是最能保证数据的隐私，又能保证效果的一个方法。

现在的隐私计算在金融行业还是非常火爆的。第一，金融行业对外部数据的依赖程度很大，因为金融行业本身就比较闭塞，能够收集到的客户数据非常少，风险控制对于银行来讲是一个非常重要的部门，它要提高风险控制能力，降低坏账率，提高业务水平，所以隐私计算在金融行业是非常重要的。

其次，在一些其他的消费者隐私数据比较敏感的地方，比如医疗、政府等等大数据领域，甚至后边可以扩散到小微企业、产业链金融、还有工业，对个人数据价值的保护，还有数据资产的界定，隐私计算都是非常好的一种解决方案。现在我们正处于一个技术的启动期，大概在2019年的时候，各种技术已经基本成熟了，2020年有些产业开始做一些试点和试用（POC），还有一些点到点的打通。而到了2021年，这个产业就逐渐开始爆发。

举几个例子，隐私计算在金融的几个细分领域应用范围也是比较广的，主要是反洗钱、联合定价、联合信贷风控，还有客户价值的营销筛选模型，在这些领域中隐私计算都已经有落地案例了。

隐私计算的口号就是打破数据孤岛。

数据孤岛分为内部孤岛和外部孤岛。一个大型的集团，比如像长安这种汽车集团，它下面有很多分公司，比如有保险公司、金融公司、汽车公司、车联网公司，这些公司有各种各样的数据，如果长安集团想做数据打通，它是不能把数据拷在一起的，如果拷在一起就违反了《数据安全法》，就出域了。

另外一个，机构和机构之间的数据打通，比如要反洗钱，上海某个银行要和银联进行数据打通，银联的数据不能出来，银行的数据也不能出去，这种情况下就需要机构和机构之间的数据打通。

除了金融行业，还有其他行业，比如样本数据的共享，我们知道CV样本是很难获取的，因为有时候我们去检测缺陷，缺陷并不容易出现，一旦出现，我们即便是标注好了，它的数据样本依然是不够的，所以如果我们大量的人都参与这个行业，去标注自己的样本，样本又能共享，变成一个样本池。同时，这个样本又只属于我自己，你用我的样本，但不会拥有这个样本，这时候又生成了一个产业，对于CV数据的共享，隐私计算也能发挥非常大的作用。

这是金融行业几个比较典型的案例，包括增强风控能力，合规，还有小微企业的贷款几个方面。举个小例子，现在我们都讲供应链金融，想给小微企业贷款，很难，特别是它的信用贷，它没有办法证明自己的还款能力。什么能证明？发票，税务局有它的开票记录，有它的一切经营记录，这些经营记录可以作为它信贷风控的依据。但是这些数据在哪里，可能是在阿里，它可能是阿里上的小微企业，有它的交易流水记录，也可能在税务局，这个数据就在三个方面。用联邦学习的技术，进行数据打通，增加小微企业画像的完整度，银行就可以给小微企业做一个非常客观的信用评分，再给它一个授信额度，小微企业就得到了企业资金的满足。

文章来源：《计算机光盘软件与应用》 网址: http://www.jsjgprjyyy.cn/zonghexinwen/2021/0629/1449.html

上一篇：中考物理解析：难度适中考实验，计算大题挺费
下一篇：如何将电脑上文件刻录到光盘