近年来，在相继出台的众多相关政策的促进下，我国数字经济正在飞速发展。

根据国务院2022年1月发布的《“十四五”数字经济发展规划》中的数据，我国2020年数字经济核心产业增加值已占到国内GDP的7.8%，已成为经济社会持续健康发展的强大动力之一。

而数字经济的发展直接导致数据量正呈指数级增加。据IDC预测，到2025年，全球的数据量将达到175ZB，其中我国的数据量增速最猛，预计到2025年将增长至48.6ZB。

在数字经济快速发展的今天，数据已然成为了重要的生产要素，各行业正不断通过业务数据的流通与协同产生更多的经济效益。

但随着数据带动的应用发展不断升级变革，也迎来了有关数据安全和隐私保护的新挑战。

数据经历了什么？人们为了保护数据做了哪些探索？又探索出了怎样的结果？本文将为大家介绍关于隐私计算技术的起源探索故事。

数据经历了哪些变革？

要想让数据充分发挥价值，则意味着数据需要流通与协同。在数字经济的发展过程中，数据的流通、协同模式也经历了多轮变革和演进——

• 数据1.0

最初，计算机的诞生与应用带来了信息技术发展的浪潮，数据作为其中的重要环节，从默默无闻到崭露头角，随着信息化发展，数据也变得越来越重要，人们也开始意识到了保护数据的重要性。

在1.0阶段，数据流通与协同主要指文件或数据库形式的传输，而数据1.0阶段仅仅只保证数据实体安全，主要核心是对外部进行监管，防止外部的入侵，并不具备完备的业务属性和经济属性。

在此阶段中，数据所有权相关法律法规不明晰，该模式有较高的数据安全风险，较难保护数据所有者利益，易导致涉及用户隐私泄露以及数据被使用方二次利用甚至滥用等情况发生。

• 数据2.0

随着IT建设与互联网发展，数据量迅速膨胀并变大，从TB级别跃升到PB、EB乃至ZB级别，大数据形态初具雏形。

大量数据在产生和汇聚时必然存在许多问题，而要解决的不只是在汇聚过程中的数据安全问题，还有数据离开本地后在协同或存储中的安全问题等。

2.0阶段并没有完全抛弃1.0阶段的技术和产品，而是围绕中心化的技术体系为用户提供数据协同服务。并且，这个阶段除了中心化的技术，还搭配了中心化的管理机制，形成技术和管理相结合的中心化协同治理体系。

在2.0阶段，数据协同需用户发出数据使用请求，由中心化程序从元数据抽取、调用数据反馈给用户。

在此模式中，中心化数据接口请求每日可达上亿次，可满足较广的服务覆盖范围，保护用户隐私信息以及降低二次利用可能性。

• 数据3.0

2021年6月，随着《中华人民共和国数据安全法》正式颁布，揭开了数据3.0的新篇章。

由于数据本身具有流动性、多样性、可复制性等不同于传统生产要素的特性，数据安全风险在数字经济时代被不断放大，因此，对数据协同治理的要求也越来越高。

能够通过协议或算法使得数据计算服务在不泄漏原始数据的前提下充分挖掘数据价值的隐私计算技术在此阶段成为了数据协同的新范式，是对传统数据协同机制的又一次重大升级，真正实现了数据所有权与使用权的分离。

即使市场多机构需要数据协同，但通过隐私计算技术保证用户所产生的数据归自己所有，无法被他人或企业获取，并且无法对来源的数据进行篡改，保证数据运算的准确性与真实性，从而充分发挥数据价值。

在数据安全3.0阶段，隐私计算技术和数据密态已经密不可分，为更好守护数据流通安全，探索隐私计算从而实现数据安全成为事关国家安全与经济社会发展的重要因素，利用隐私计算技术打造密态数据时代开启。

并且，在3.0阶段中，数据协同不再只单一地通过中心化机构进行数据协同管理，而是正在试图借助去中心化方式，打造一个“数据可用不可见”的去中心化密态数据时代。

我国为技术探索做了哪些努力？

随着数据立法进程加快，数据已经成为了我国数字经济发展的重要战略部署，在政策、市场、研究的共同作用下，隐私计算技术得到了迅速的发展。

首先从国家政策层面来说，2016年工业和信息化部、中国人民银行、国家发改委、中央网信办、国家能源局等各部委先后在相关政策文件中提出加强隐私计算相关技术的攻关和应用。

2021年5月，人民银行组织金融机构开展包括应用隐私计算进行数据共享在内的金融数据综合应用试点。

7月，工信部发布《网络安全产业高质量发展三年行动计划（2021-2023年）（征求意见稿）》，旨在通过隐私计算等数据安全技术的研究与应用促进数据要素安全有序流通。

2022年1月，国务院办公厅印发的《要素市场化配置综合改革试点总体方案》中提出探索“原始数据不出域、数据可用不可见”的交易范式，探索建立数据用途和用量控制制度，实现数据使用“可控可计量”。

其次，由于隐私计算能够在对数据形成保护的前提下实现数据价值挖掘，成为了当前数据流通领域最受关注的技术热点之一，相关的学术会议和论文数量在近几年呈现大幅增长。

2022年7月11日，蚂蚁隐私计算创新TEE技术研究成果《Hyper Enclave: An Open and Cross-platform Trusted Execution Environment》被USENIX ATC（计算机系统领域国际顶级学术会议）收录并做报告。

据数据显示，自2011年以来，全球在隐私计算领域共发表了论文5280篇，且论文数量以超过10%的增速逐年上升，而中国的论文发表数量则占到了总数的34.8%。

除此之外，在计算性能逐步得到提升后，越来越多的企业也开始入局隐私计算领域，联邦学习FATE开源社区提出了可信联邦学习，蚂蚁集团提出了可信密态计算，从概念理念上开始初步探索。

据统计，从2017年开始，我国隐私计算专利申请数量增速迅猛，2019年和2020年都相继突破了1000项，截至目前，隐私计算相关专利已达到5000项。

而这些专利的申请人中，既有支付宝、华为、英特尔、微软等科技巨头，也有微众银行、VISA、平安科技、中国银联等金融行业的企业或机构。

可以说隐私计算是助力国家数据要素市场化建设的关键技术，因此加快隐私计算技术的发展已成为业界的共识。

同期还有哪些技术值得关注？

• 大数据

过去一段时间里，大数据产业发展迅速，企业滥用数据问题日益凸显。传统的粗放数据经济模式已经不可行，在监管加强的当下，如何能在数据计算的同时保证数据的隐私安全，成为悬在各企业面前的一道难关。

兼顾数据分析计算和隐私保护、信息经过处理不能被复原等，这正是隐私计算的价值和意义。在这样的背景下，隐私计算成为一抹光亮，市场正被逐步打开。

• 云计算

后疫情时期，企业的数字化转型加速，云计算市场迎来了一个新的发展机会，混合云的潜力也让各大云计算厂商看到了商机，争相布局。

从功能上来说，云计算可以极快处理数以千计的数据，从而提升网络的性能，而隐私计算，则是为了保证数据的安全隐私性。

从行业的角度来看，云计算是最早发展起来的，虽然只占据了4%的市场，而隐私计算行业还在起步阶段，未来还有很长一段路要走。

从发展来看，这两个领域并不冲突，云计算发展离不开隐私计算支持，因为隐私计算让云计算更加可信。同时云计算行业的发展，也为隐私计算带来了更大的发展空间。

• 人工智能

人工智能进步需要数据的支撑，如果数据主权和隐私保护问题不能得到有效解决，这会使人工智能无数据可用的现象会更加严重，人工智能发展也将停滞。

然而隐私计算给我们解决这一问题带来了新的路径。以联邦学习技术为例，它最大价值在于：可以在保护数据隐私的前提下，实现数据充分挖掘和共享利用。

基于联邦学习技术，人工智能公司可以在不收集归纳各方数据、不泄露各方隐私的前提下，通过协同计算进行算法训练，保障数据利用合规性的同时，让数据拥有方更乐意共享数据，让人工智能更加智能。

• 区块链

在隐私计算领域，区块链已成为关键核心技术。

从区块链的角度出发，我们可以发现区块链上的数据需要采用隐私算法来保护，同时区块链也可以成为隐私计算里的枢纽。通过采用区块链技术去记录、追溯多方协作中的数据集、算法模型、计算过程，并对最终结果进行评估和共识，持续优化协作效率。

区块链通过数据目录、数据库等方式，构建数据流转的枢纽，同时引入隐私计算和全面的治理规则，界定数据的边界，使数据在不出库的同时，依旧可以实现身份认证、隐匿查询等能力。

结语

隐私计算旨在打破数据孤岛，促进数据流通。随着相关技术的成熟，隐私计算技术已经走出实验室，逐步探索应用并进行规模化。

从应用落地来看，隐私计算已不再单单是技术问题，它同时也受到政策、市场等多方面制约。因为其落地应用已经呈现出跨技术、跨场景、跨行业融合发展趋势。从动态发展的视角来看，隐私计算应用是一项融合了技术、网络、产业、政策等诸多因素的社会化工程。

当前隐私计算往往作为一项功能服务，应用在特定场景，解决特定问题。隐私计算和其他技术、领域、场景交叉融合的案例并不多见。随着隐私计算的规模化应用发展，未来隐私计算跨技术、跨网络、跨行业、跨场景的融合应用将会成为主流。

虽然，在现有阶段，隐私计算作为一项新兴技术被探索出有无限发展的可能，但是在技术实际规模化商用的过程中，依旧存在一定的挑战，比如安全机制是否可验证可解释、相关标准规范不够健全以及数据源是否合规等。

但一项技术的发展必然经历技术探索、市场启蒙、局部应用到互联互通的过程，因此，隐私计算产业的生态建设尚需各方的努力，而隐私计算在发展历程中的故事仍值得人们继续深挖。

本文为论道隐私计算团队原创，未经允许严禁转载，如需转载请联系我们。