「隐私计算」是数据保护科技领域较为热门的话题。
本文用浅显易懂的语言介绍了隐私计算的概念、主流隐私计算技术类别、隐私计算技术的应用场景，以及隐私计算在法律上的意义。
隐私计算（ Privacy Computing ）是指面向隐私信息全生命周期保护的计算理论和方法，是隐私信息的所有权、管理权和使用权分离时隐私信息描述、度量、保护、隐私分析复杂性等方面的可计算模型与公理化系统。[1]
隐私计算的另一表述是隐私保护计算（Privacy-Preserving Computation ），指的是在保障数据隐私的前提下，实现数据价值的分析和挖掘。[2]
实际上，这两个名词的核心都在于强调将数据的控制权和使用权相分离，在保证数据控制权不发生转移的情况下，在一系列保护数据隐私的技术手段的支持下，在达成数据「可用不可见」的效果下[3]，安全可控地分析利用数据，挖掘数据要素价值，促进数据流通共享。
为更好地理解隐私计算，可以从「百万富翁」难题的角度来切入。
图灵奖得主姚期智院士1982年提出了「百万富翁」难题：假设两个百万富翁在街头偶遇，他们想比下究竟谁更有钱，但是却又都不想让对方知道自己拥有多少财产。
那么如何在不借助第三方的情况下，让他们知道究竟谁更富有？针对两位「百万富翁」的小心思，是否存在一种技术手段，将数据的所有权（富翁的实际财产）和使用权（富翁透露自己的财产数据）分离，让两个富翁分别向这个技术平台透露财富数据，在一系列加密计算后，技术平台最终只输出数据提供方想要获得的信息（谁更富有）。
在数据流通共享和隐私保护的冲突日益凸显的现状下，隐私计算有望成为企业挖掘数据价值并满足数据合规义务的替代技术方案之一，帮助企业在不牺牲数据机密性和保留数据控制权的前提下，与其他数据提供方安全有效地进行数据研究分析合作。
国际知名调研机构 Gartner 也把隐私计算列入了2021年企业九大战略技术趋势之中。[4]
隐私计算并不是特指某一项单独的技术，而是一套涉及密码学、分布式计算、人工智能、数据科学等众多领域交叉融合的跨学科技术体系。
其涵盖了联邦学习、安全多方计算、机密计算、差分隐私、同态加密等关键隐私保护计算技术。[5]
联邦学习（ Federated Learning ）：最初由 Google 提出，本质上是一种去中心化的分布式机器学习技术或学习模型。
其意图打破传统机器学习场景下数据孤岛的困境，在保证数据隐私安全及合法合规的基础上，进行协同建模以实现人工智能模型的迭代更新。
在联邦学习模型下，各数据方的原始数据始终存储在本地，数据方仅仅是利用自己的本地数据来训练由中央服务器下载下来的模型，再负责将训练后的本地模型而非原始数据上传至云端的中央服务器，接着便由中央服务器负责聚合不同终端数据方各自上传的模型并优化更新预测模型，此过程周而复始。
安全多方计算（ Secure Multi-Party Computation ）：是指在无可信第三方的情况下，互不信任的不同参与方各自持有秘密数据，安全地完成协同计算。
在安全多方计算中，每个参与方除最终计算结果外不能获得其他参与实体的任何输入信息。
机密计算（ Confidential Computing ）：该技术借助了基于硬件的访问控制技术，将数据、特定功能或整个应用程序隔离在受信任的执行环境（ Trusted Execution Environment, TEE ）中[6]。
在 TEE 环境下，只有获得授权的代码才能访问数据。如果代码被更改或篡改，TEE将拒绝执行该操作。
差分隐私（ Differential Privacy ）：该技术通过给查询结果添加适量的干扰噪声，将单条记录对数据集计算结果的影响降到最低，使得攻击者无法辨别某一样本是否在数据集中，从而防止机器学习模型无意间泄露隐私数据[7]。实践中，谷歌[8]和苹果[9]都已应用了差分隐私技术，对用户数据进行模糊处理，保障企业可在不追踪用户或侵犯用户隐私的情况下挖掘数据。
同态加密（ Homomorphic Encryption ）：该技术不同于常见的加密算法，因为它允许直接对加密的数据进行计算，而无需访问秘密密钥，并且这种计算的结果仍保持为加密形式。[10]
同态加密是加密技术领域的一大突破。
对于敏感数据而言，现在广泛应用的加密技术的最大局限之一是必须解密敏感数据后才能进行处理和分析；而同态加密技术则可帮助数据处理者在蒙着眼睛（不访问秘密密钥）的基础上分析敏感数据。
需要澄清的是，隐私计算技术并不仅适用于处理个人隐私，而是适用于处理所有具有秘密性或敏感性的数据。
在大数据时代，数据已成为了推动经济发展的重要生产要素之一[11]，隐私计算作为一种能在保证数据秘密性或敏感性安全的前提下最大限度挖掘数据要素信息价值的技术路径，其在产业端的应用场景非常广泛，例如：
在政务行业，隐私计算可通过技术手段为智慧城市的建设提供一个安全的数据融合平台。
如何保障汇聚大量数据的云平台的安全性，如何确保多方联合分析数据过程的安全性，这些问题都是目前智慧城市在信息安全领域方面所遇到的挑战，隐私计算中的联邦学习、安全多方计算和机密计算等技术有望从数据「可用不可见」的角度破解上述难题。
在医疗行业，隐私计算可帮助医疗机构在不泄漏患者隐私的情况下将患者的电子病历、用药情况等敏感个人信息提供给药物研究者用于开发研究药物的真实数据样本。
厦门作为国家医疗健康大数据的首批试点城市，现已构建了基于隐私计算的健康医疗数据应用开放平台。该平台中健康医疗数据可在数据脱敏、治理的基础上向数据的使用者授权开放。
数据使用者获得授权后，并不能下载原始数据，而需依靠第三方应用或自己开发的程序利用沙箱计算等安全计算方式对原始数据进行挖掘。[12]
在金融行业，国内隐私计算产品目前主要应用于风控和获客，即多家金融相关机构在不泄露客户个人信息的前提下对客户进行联合画像和产品推荐，以在多头借贷等场景下有效降低违约风险。[13]
在国家金融监管趋势渐严的大背景下，隐私计算可在不泄露各方原始数据的前提下，促成金融相关机构联合参与风控模型建设。
通过分布式模型的训练与优化，各方提交至风控模型建设的参数不会在去中心化的计算过程中暴露，这就保护了各方的数据私密性。[14]
可以预见的是，隐私计算还将被更广泛地应用于保险、电信、物流、汽车、广告、供应链等众多行业和相关业务场景，在数字化社会发展和企业数字化转型中发挥重要作用。
数据的权属问题（即到底是谁应对数据拥有所有权）是一个异常复杂的经济问题、法律问题和社会问题。
以个人信息为例，如果站在个人的立场上，当然会认为「我的信息就是我的信息」，但企业往往认为个人信息只有经过企业加工、分析和利用（例如基于精准画像的定向广告投放）才释放出数据的价值，因此企业应在某种程度上拥有对这些信息的所有权。
此外，对于企业掌握的行业数据、政府部门掌握的政务数据，也不易分清究竟哪一方才应是真正的所有人。
在大数据时代，数据已成为了推动经济发展的重要生产要素之一。
由于数据权属界定不清，加之严格的数据保护法律制度（例如根据个人信息保护法律制度，如无个人信息主体授权，则个人信息控制者不得将个人信息转让给第三方），导致数据无法像土地、设备一样进行市场化交易和流动，充分释放数据蕴含的巨大价值。
数据权属问题在法律上和实践中均无实质突破，但隐私计算技术的出现有望在「数据确权——交易」路径之外提供一种替代的解决方案，即在搁置数据权属问题和不丧失数据秘密性或敏感性的前提下（所以数据保护法仍然得到了遵从），通过隐私计算技术，使得参与主体可对数据进行约定的使用行为，而该使用行为（或对数据的某种使用权利）则可进行市场化交易。
2021年4月2日，北京国际大数据交易所（下称「北数所」）正式成立。
这是国内首家基于「数据可用不可见，用途可控可计量」新型交易范式的数据交易所，定位于打造国内领先的数据交易基础设施和国际重要的数据跨境流通枢纽。
北数所将以创新技术为支撑，依托北京在隐私计算、区块链等领域的技术先发优势，将数据要素解构为可见的「具体信息」和可用的「计算价值」，对其中「计算价值」进行确权、存证、交易，实现数据流通的「可用不可见、可控可计量」，为数据供需双方提供可信的数据融合计算环境。[15]
如何充分利用好隐私计算等创新技术，将是北数所破解数据权属界定不清、要素流转无序、定价机制缺失、安全保护不足等复杂问题的关键。
注释
[1]李凤华, 李晖, 贾焰, 等. 隐私计算研究范畴及发展趋势[J]. 通信学报, 2016, 37(4): 1-11.
[2]The UN Global Working Group on Big Data: UN Handbook on Privacy-Preserving Computation Techniques, available at
http://publications.officialstatistics.org/handbooks/privacy-preserving-techniques-handbook/UN%20Handbook%20for%20Privacy-Preserving%20Techniques.pdf.
[3]中国人民银行于2021年2月9日发布的金融行业标准JR/T0218—2021《金融业数据能力建设指引》中，明确金融业数据能力建设应遵循的五大基本原则为：用户授权、安全合规、分类施策、最小够用、可用不可见。
[4]Gartner: Gartner Top Strategic Technology Trends for 2021, available at
https://www.gartner.com/smarterwithgartner/gartner-top-strategic-technology-trends-for-2021.
[5]中国信息通信研究院、阿里巴巴（中国）有限公司、北京数牍科技有限公司：《隐私保护计算技术研究报告（2020年）》。
[6]Institute of Electrical and Electronics Engineers (IEEE): What Is Confidential Computing?, available at
https://spectrum.ieee.org/computing/hardware/what-is-confidential-computing.
[7]Dwork C, Roth A. The algorithmic foundations of differential privacy[J]. Foundations and Trends in Theoretical Computer Science, 2014, 9(3-4): 211-407.
[8] Google Developers: Enabling developers and organizations to use differential privacy, available at
https://developers.googleblog.com/2019/09/enabling-developers-and-organizations.html.
[9]Apple: Differential Privacy Technical Overview, available at
https://www.apple.com/privacy/docs/Differential_Privacy_Overview.pdf.
[10]Gentry C. A fully homomorphic encryption scheme[M]. Stanford: Stanford university, 2009.
[11]党的十九届四中全会通过的《中共中央关于坚持和完善中国特色社会主义制度、推进国家治理体系和治理能力现代化若干重大问题的决定》首次将数据列为与劳动、资本、土地、知识、技术、管理并列的生产要素。
[12]https://www.basebit.me/en/newsinfo.aspx?id=56.
[13]https://mp.weixin.qq.com/s/2jL3x-m-IX5Cc8ZRSxpdV.
[14]中国人民银行2019年9月颁布的《金融科技（FinTech）发展规划（2019-2021年）》明确指出，要充分利用可信计算、安全多方计算、密码算法等技术提升金融服务安全性。
[15]http://www.ccgp-beijing.gov.cn/xxgg/sjzfcggg/sjzbjggg/P020210301508052454247.pdf
本文用浅显易懂的语言介绍了隐私计算的概念、主流隐私计算技术类别、隐私计算技术的应用场景，以及隐私计算在法律上的意义。
隐私计算（ Privacy Computing ）是指面向隐私信息全生命周期保护的计算理论和方法，是隐私信息的所有权、管理权和使用权分离时隐私信息描述、度量、保护、隐私分析复杂性等方面的可计算模型与公理化系统。[1]
隐私计算的另一表述是隐私保护计算（Privacy-Preserving Computation ），指的是在保障数据隐私的前提下，实现数据价值的分析和挖掘。[2]
实际上，这两个名词的核心都在于强调将数据的控制权和使用权相分离，在保证数据控制权不发生转移的情况下，在一系列保护数据隐私的技术手段的支持下，在达成数据「可用不可见」的效果下[3]，安全可控地分析利用数据，挖掘数据要素价值，促进数据流通共享。
为更好地理解隐私计算，可以从「百万富翁」难题的角度来切入。
图灵奖得主姚期智院士1982年提出了「百万富翁」难题：假设两个百万富翁在街头偶遇，他们想比下究竟谁更有钱，但是却又都不想让对方知道自己拥有多少财产。
那么如何在不借助第三方的情况下，让他们知道究竟谁更富有？针对两位「百万富翁」的小心思，是否存在一种技术手段，将数据的所有权（富翁的实际财产）和使用权（富翁透露自己的财产数据）分离，让两个富翁分别向这个技术平台透露财富数据，在一系列加密计算后，技术平台最终只输出数据提供方想要获得的信息（谁更富有）。
在数据流通共享和隐私保护的冲突日益凸显的现状下，隐私计算有望成为企业挖掘数据价值并满足数据合规义务的替代技术方案之一，帮助企业在不牺牲数据机密性和保留数据控制权的前提下，与其他数据提供方安全有效地进行数据研究分析合作。
国际知名调研机构 Gartner 也把隐私计算列入了2021年企业九大战略技术趋势之中。[4]
隐私计算并不是特指某一项单独的技术，而是一套涉及密码学、分布式计算、人工智能、数据科学等众多领域交叉融合的跨学科技术体系。
其涵盖了联邦学习、安全多方计算、机密计算、差分隐私、同态加密等关键隐私保护计算技术。[5]
联邦学习（ Federated Learning ）：最初由 Google 提出，本质上是一种去中心化的分布式机器学习技术或学习模型。
其意图打破传统机器学习场景下数据孤岛的困境，在保证数据隐私安全及合法合规的基础上，进行协同建模以实现人工智能模型的迭代更新。
在联邦学习模型下，各数据方的原始数据始终存储在本地，数据方仅仅是利用自己的本地数据来训练由中央服务器下载下来的模型，再负责将训练后的本地模型而非原始数据上传至云端的中央服务器，接着便由中央服务器负责聚合不同终端数据方各自上传的模型并优化更新预测模型，此过程周而复始。
安全多方计算（ Secure Multi-Party Computation ）：是指在无可信第三方的情况下，互不信任的不同参与方各自持有秘密数据，安全地完成协同计算。
在安全多方计算中，每个参与方除最终计算结果外不能获得其他参与实体的任何输入信息。
机密计算（ Confidential Computing ）：该技术借助了基于硬件的访问控制技术，将数据、特定功能或整个应用程序隔离在受信任的执行环境（ Trusted Execution Environment, TEE ）中[6]。
在 TEE 环境下，只有获得授权的代码才能访问数据。如果代码被更改或篡改，TEE将拒绝执行该操作。
差分隐私（ Differential Privacy ）：该技术通过给查询结果添加适量的干扰噪声，将单条记录对数据集计算结果的影响降到最低，使得攻击者无法辨别某一样本是否在数据集中，从而防止机器学习模型无意间泄露隐私数据[7]。实践中，谷歌[8]和苹果[9]都已应用了差分隐私技术，对用户数据进行模糊处理，保障企业可在不追踪用户或侵犯用户隐私的情况下挖掘数据。
同态加密（ Homomorphic Encryption ）：该技术不同于常见的加密算法，因为它允许直接对加密的数据进行计算，而无需访问秘密密钥，并且这种计算的结果仍保持为加密形式。[10]
同态加密是加密技术领域的一大突破。
对于敏感数据而言，现在广泛应用的加密技术的最大局限之一是必须解密敏感数据后才能进行处理和分析；而同态加密技术则可帮助数据处理者在蒙着眼睛（不访问秘密密钥）的基础上分析敏感数据。
需要澄清的是，隐私计算技术并不仅适用于处理个人隐私，而是适用于处理所有具有秘密性或敏感性的数据。
在大数据时代，数据已成为了推动经济发展的重要生产要素之一[11]，隐私计算作为一种能在保证数据秘密性或敏感性安全的前提下最大限度挖掘数据要素信息价值的技术路径，其在产业端的应用场景非常广泛，例如：
在政务行业，隐私计算可通过技术手段为智慧城市的建设提供一个安全的数据融合平台。
如何保障汇聚大量数据的云平台的安全性，如何确保多方联合分析数据过程的安全性，这些问题都是目前智慧城市在信息安全领域方面所遇到的挑战，隐私计算中的联邦学习、安全多方计算和机密计算等技术有望从数据「可用不可见」的角度破解上述难题。
在医疗行业，隐私计算可帮助医疗机构在不泄漏患者隐私的情况下将患者的电子病历、用药情况等敏感个人信息提供给药物研究者用于开发研究药物的真实数据样本。
厦门作为国家医疗健康大数据的首批试点城市，现已构建了基于隐私计算的健康医疗数据应用开放平台。该平台中健康医疗数据可在数据脱敏、治理的基础上向数据的使用者授权开放。
数据使用者获得授权后，并不能下载原始数据，而需依靠第三方应用或自己开发的程序利用沙箱计算等安全计算方式对原始数据进行挖掘。[12]
在金融行业，国内隐私计算产品目前主要应用于风控和获客，即多家金融相关机构在不泄露客户个人信息的前提下对客户进行联合画像和产品推荐，以在多头借贷等场景下有效降低违约风险。[13]
在国家金融监管趋势渐严的大背景下，隐私计算可在不泄露各方原始数据的前提下，促成金融相关机构联合参与风控模型建设。
通过分布式模型的训练与优化，各方提交至风控模型建设的参数不会在去中心化的计算过程中暴露，这就保护了各方的数据私密性。[14]
可以预见的是，隐私计算还将被更广泛地应用于保险、电信、物流、汽车、广告、供应链等众多行业和相关业务场景，在数字化社会发展和企业数字化转型中发挥重要作用。
数据的权属问题（即到底是谁应对数据拥有所有权）是一个异常复杂的经济问题、法律问题和社会问题。
以个人信息为例，如果站在个人的立场上，当然会认为「我的信息就是我的信息」，但企业往往认为个人信息只有经过企业加工、分析和利用（例如基于精准画像的定向广告投放）才释放出数据的价值，因此企业应在某种程度上拥有对这些信息的所有权。
此外，对于企业掌握的行业数据、政府部门掌握的政务数据，也不易分清究竟哪一方才应是真正的所有人。
在大数据时代，数据已成为了推动经济发展的重要生产要素之一。
由于数据权属界定不清，加之严格的数据保护法律制度（例如根据个人信息保护法律制度，如无个人信息主体授权，则个人信息控制者不得将个人信息转让给第三方），导致数据无法像土地、设备一样进行市场化交易和流动，充分释放数据蕴含的巨大价值。
数据权属问题在法律上和实践中均无实质突破，但隐私计算技术的出现有望在「数据确权——交易」路径之外提供一种替代的解决方案，即在搁置数据权属问题和不丧失数据秘密性或敏感性的前提下（所以数据保护法仍然得到了遵从），通过隐私计算技术，使得参与主体可对数据进行约定的使用行为，而该使用行为（或对数据的某种使用权利）则可进行市场化交易。
2021年4月2日，北京国际大数据交易所（下称「北数所」）正式成立。
这是国内首家基于「数据可用不可见，用途可控可计量」新型交易范式的数据交易所，定位于打造国内领先的数据交易基础设施和国际重要的数据跨境流通枢纽。
北数所将以创新技术为支撑，依托北京在隐私计算、区块链等领域的技术先发优势，将数据要素解构为可见的「具体信息」和可用的「计算价值」，对其中「计算价值」进行确权、存证、交易，实现数据流通的「可用不可见、可控可计量」，为数据供需双方提供可信的数据融合计算环境。[15]
如何充分利用好隐私计算等创新技术，将是北数所破解数据权属界定不清、要素流转无序、定价机制缺失、安全保护不足等复杂问题的关键。
注释
[1]李凤华, 李晖, 贾焰, 等. 隐私计算研究范畴及发展趋势[J]. 通信学报, 2016, 37(4): 1-11.
[2]The UN Global Working Group on Big Data: UN Handbook on Privacy-Preserving Computation Techniques, available at
http://publications.officialstatistics.org/handbooks/privacy-preserving-techniques-handbook/UN%20Handbook%20for%20Privacy-Preserving%20Techniques.pdf.
[3]中国人民银行于2021年2月9日发布的金融行业标准JR/T0218—2021《金融业数据能力建设指引》中，明确金融业数据能力建设应遵循的五大基本原则为：用户授权、安全合规、分类施策、最小够用、可用不可见。
[4]Gartner: Gartner Top Strategic Technology Trends for 2021, available at
https://www.gartner.com/smarterwithgartner/gartner-top-strategic-technology-trends-for-2021.
[5]中国信息通信研究院、阿里巴巴（中国）有限公司、北京数牍科技有限公司：《隐私保护计算技术研究报告（2020年）》。
[6]Institute of Electrical and Electronics Engineers (IEEE): What Is Confidential Computing?, available at
https://spectrum.ieee.org/computing/hardware/what-is-confidential-computing.
[7]Dwork C, Roth A. The algorithmic foundations of differential privacy[J]. Foundations and Trends in Theoretical Computer Science, 2014, 9(3-4): 211-407.
[8] Google Developers: Enabling developers and organizations to use differential privacy, available at
https://developers.googleblog.com/2019/09/enabling-developers-and-organizations.html.
[9]Apple: Differential Privacy Technical Overview, available at
https://www.apple.com/privacy/docs/Differential_Privacy_Overview.pdf.
[10]Gentry C. A fully homomorphic encryption scheme[M]. Stanford: Stanford university, 2009.
[11]党的十九届四中全会通过的《中共中央关于坚持和完善中国特色社会主义制度、推进国家治理体系和治理能力现代化若干重大问题的决定》首次将数据列为与劳动、资本、土地、知识、技术、管理并列的生产要素。
[12]https://www.basebit.me/en/newsinfo.aspx?id=56.
[13]https://mp.weixin.qq.com/s/2jL3x-m-IX5Cc8ZRSxpdV.
[14]中国人民银行2019年9月颁布的《金融科技（FinTech）发展规划（2019-2021年）》明确指出，要充分利用可信计算、安全多方计算、密码算法等技术提升金融服务安全性。
[15]http://www.ccgp-beijing.gov.cn/xxgg/sjzfcggg/sjzbjggg/P020210301508052454247.pdf