数据被列为生产要素之后,企业面对的矛盾反而更尖锐了:一方面,业务创新、风控建模、供应链协同都需要更多外部数据;另一方面,个人信息保护法、数据安全法与行业监管要求,让"把数据复制一份给对方"这条老路越走越窄。于是,隐私计算被推到台前——它试图回答一个看似不可能的问题:数据既要用,又不能被看见。
过去两年,这项技术从实验室演示进入工程化落地,并逐渐被视作数字化转型中数据流通底座的一部分。国家数据局发布的《可信数据空间发展行动计划(2024—2028年)》明确提出,以隐私计算、区块链等技术支撑数据可信管控与高效流通,为跨主体协作提供了政策坐标。
从数据搬家到数据不动模型动
隐私计算不是单一技术,而是一组技术的集合:多方安全计算让参与方在不泄露原始数据的前提下共同完成计算;联邦学习把模型训练拆到各参与方本地,只交换加密的梯度参数;可信执行环境依靠硬件隔离出一个"黑箱",数据在箱内可用、出箱即失效;同态加密则允许直接在密文上运算。工程实践中,这些路线常被组合使用。
落到场景上,变化已经可见。银行与运营商、电商平台联合反欺诈,不再交换客户名单,而是共享风险标签;医院之间做多中心科研,患者原始病历不出院;地方政府推进公共数据授权运营,通过隐私计算网关实现"原始数据不出域、数据可用不可见";制造业龙头把上下游的产量、库存数据接入联合预测模型,减少牛鞭效应。对许多企业来说,这是数据治理从内部合规走向外部协同的转折点。
落地的三道坎
第一道坎是性能与成本。同态加密的密文运算开销可达明文的上百倍,多方安全计算在参与方增多后通信量激增,一个原本秒级的查询可能变成分钟级。企业需要重新评估哪些场景值得付出这笔代价。
第二道坎是互联互通。不同厂商的隐私计算平台协议各异,一家银行接入三家平台就要维护三套适配,行业内正推动互联互通标准与开放算法容器,但生态碎片化短期内仍难消除。
第三道坎是责任界定。计算结果出错、模型泄露了隐含信息,责任由谁承担?当前多依赖合同约定,法律层面的规则仍在完善。
企业可以怎么做
- 先梳理数据资产目录,明确哪些数据涉及个人信息与重要数据,哪些属于可流通范围。
- 按场景选技术:高敏感小规模用可信执行环境,多机构联合建模优先考虑联邦学习。
- 在采购合同中约定互联互通接口与数据退出机制,避免被单一平台锁定。
- 把隐私计算纳入数据治理体系,前置做数据质量与元数据标准,否则计算结果的可信度无从谈起。
隐私计算并不会让合规难题自动消失,它更像是一种"用技术换空间"的折中方案。对正在推进数字化转型的企业而言,真正的价值不在于部署了多少技术组件,而在于能否借此把沉睡的数据变成可参与协作的资产。当数据流通从个案走向常态,这套底座将成为企业数字化能力的一部分,而不是一个孤立的项目。