，在数据安全与隐私计算论坛上，瑞莱智慧RealAI首席架构师徐世真表示，从技术角度看，隐私计算是AI能力的重要补充。AI高度依赖数据基础，规模化且多样化的高质量数据，能够训练出效果更好的模型，隐私计算通过解决数据的ldquo;链接rdquo;问题，为算法的持续进化提供数据补充。

相应的，这也倒逼企业在落地AI应用的过程加大对数据的拓展。但随着越来越多的数据被收集和利用，数据风险和隐私保护也成为AI系统在开发和应用过程中面临的一项挑战。9月26日，国家新一代人工智能治理专业委员会发布《新一代人工智能伦理规范》，其中数据与隐私安全内容贯穿了人工智能管理、研发、供应等特定活动的具体伦理要求。

产品层面来看，复制性低和通用性差是当前隐私计算产品化面临的一大局限。徐世真提供了两方面的解决思路，一是尽量从规范成熟、少定制化的需求场景切入，二是将隐私计算嵌入现有的成熟产品，比如隐私保护数据库、隐私保护大数据分析引擎。后者思路下，在与AI技术能力的结合中，隐私计算可看成AI中台2.0，即在原有机器学习平台中添加隐私计算功能模块。

ldquo;这也是用户理想的隐私计算产品形式，对外依旧输出AI建模能力，用户操作层面几乎无感，在使用原有机器学习建模技术的同时，底层已经通过密码学、MPC技术实现了隐私保护功能。rdquo;徐世真表示。

某种程度上，AI也可看成隐私计算的上层应用。徐世真介绍道，隐私计算目前不存在场景通用解决方案，单一技术路线无法适配所有场景。实际应用中，隐私计算无法与上层应用解耦，不同技术路线之间也无法解耦，多数情况下，用户需要的仍是AI相关功能，AI也因此成为牵引隐私计算的一项核心需求。

在徐世真看来，现阶段隐私计算的商业化落地仍面临四大挑战。第一，生态壁垒。目前各厂商隐私计算技术互不相通，也无法互相连接，解决数据孤岛问题的过程中反而带来技术孤岛的问题，这意味着需要上层进行大量集成。第二，计算性能。密码学操作的引入、分布式通信问题，以及同态加密导致计算性能慢，难以支撑大规模数据训练。第三，安全性。从知识产权保护的角度，各家厂商不会公开底层协议，导致协议不透明的问题，难以审计。第四，可用性。目前的隐私计算技术服务商不具备数据生态、数据链接的能力，无法提供开箱即用的数据和解决方案，用户的应用成本和难度增加。

徐世真表示，结合AI发展历程，隐私计算的未来发展可借鉴两大经验。首先技术路径方面，基于底层数据流图的编译器路线将推动技术的兼容互通；性能优化当前可通过优化底层密码库来实现，未来仍需借助新硬件；提升安全性需要抵御密码协议层和应用层的恶意攻击。

其次在产业路径方面，隐私计算需要逐场景落地，根据不同的场景需求采用合适的技术路线，比如多方安全计算效率高、安全可证明，但通信量大、仅支持简单计算逻辑；联邦学习支持复杂机器学习，但主要面向建模场景；TEE路线具备较好的性能和算法生态，但依赖硬件厂商硬件可信性和用户接受数据集中式处理。

郑重声明：此文内容为本网站转载企业宣传资讯，目的在于传播更多信息，与本站立场无关。仅供读者参考，并请自行核实相关内容。