，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ldquo;鏈接rdquo;問題，為算法的持續進化提供數據補充。

相應的，這也倒逼企業在落地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。9月26日，國家新一代人工智能治理專業委員會發布《新一代人工智能倫理規范》，其中數據與隱私安全內容貫穿了人工智能管理、研發、供應等特定活動的具體倫理要求。

產品層面來看，復制性低和通用性差是當前隱私計算產品化面臨的一大局限。徐世真提供了兩方面的解決思路，一是盡量從規范成熟、少定制化的需求場景切入，二是將隱私計算嵌入現有的成熟產品，比如隱私保護數據庫、隱私保護大數據分析引擎。后者思路下，在與AI技術能力的結合中，隱私計算可看成AI中臺2.0，即在原有機器學習平臺中添加隱私計算功能模塊。

ldquo;這也是用戶理想的隱私計算產品形式，對外依舊輸出AI建模能力，用戶操作層面幾乎無感，在使用原有機器學習建模技術的同時，底層已經通過密碼學、MPC技術實現了隱私保護功能。rdquo;徐世真表示。

某種程度上，AI也可看成隱私計算的上層應用。徐世真介紹道，隱私計算目前不存在場景通用解決方案，單一技術路線無法適配所有場景。實際應用中，隱私計算無法與上層應用解耦，不同技術路線之間也無法解耦，多數情況下，用戶需要的仍是AI相關功能，AI也因此成為牽引隱私計算的一項核心需求。

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。

徐世真表示，結合AI發展歷程，隱私計算的未來發展可借鑒兩大經驗。首先技術路徑方面，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。

鄭重聲明：此文內容為本網站轉載企業宣傳資訊，目的在于傳播更多信息，與本站立場無關。僅供讀者參考，并請自行核實相關內容。