出品 | 虎嗅智库
作者 | 梁子博
题图 | 视觉中国
数字经济时代下，数据作为新型生产要素，在生产环节中的贡献和重要性愈发凸显，数据的价值被社会充分认可。近期中共中央和国务院发布的《关于构建数据基础制度更好发挥数据要素作用的意见》构建出数据要素的基础制度体系，数据活力有望被进一步激发。
然而只有在合法合规的环境下进行流通和共享，数据才能实现其价值的最大化。蔚来、滴滴等大厂的数据安全事件屡次给社会敲响警钟，数据安全、数据隐私势在必行。
隐私计算则是实现数据隐私保护和价值挖掘的重要途径，达到“原始数据不出域，数据可用不可见”的效果。换句话说，隐私计算实现的是数据价值的流通，而非数据的流通。
为进一步明确隐私计算的技术价值，虎嗅智库发布了《2022年隐私计算技术应用场景分析报告》，报告探讨了隐私计算的技术分类、发展现状、应用场景以及不同场景下的应用价值，对不同应用场景的发展潜力进行分析，并展望了未来的发展趋势等。
该报告首发于虎嗅智库，以下为文章内容及观点节选。
点击文末【阅读报告】查看完整版报告
隐私计算有三大主流技术路径，技术选型由实际业务对效率、性能等方面的需求决定
隐私计算不是一项具体的技术，而是包含密码学、统计学、数据科学等领域的交叉技术体系，是涵盖多方安全计算、联邦学习、机密计算、同态加密等多领域技术的合集。
隐私计算主要分为三大技术路径：以多方安全计算（MPC）为代表的密码学路径、以联邦学习为代表的机器学习路径和以可信执行环境（TEE）为代表的硬件路径：
表：隐私计算三种主流技术路径的特点对比
来源：虎嗅智库
不同的技术路径会有各自的优势和局限性，适用场景也不一样。由于综合了多项密码学技术，MPC有很高的安全性，但算力与资源消耗较大，在参与方数量多的时候效率很低，所以更适用于数据规模适中、计算复杂性低的场景。
联邦学习的计算速度较快、可扩展性比较好。根据其分布式的属性，联邦学习对各节点的通信效率要求较高，同时需要大量数据的支撑才能满足模型训练的效率。
TEE的安全性高，性能和通用性更加优异，但对硬件依赖程度高，导致其研发成本高，面临侧道攻击问题和厂商信任问题，多用于对计算复杂性、安全性及可靠性要求更高的场景。
由于联邦学习模型的开发难度相对较低，53%左右的国内隐私计算企业采用联邦学习作为隐私保护技术方案；26%左右的企业选择多方安全计算；因受限于国外芯片硬件的“卡脖子”问题和国外厂商的信任问题，国内提供可信执行环境技术的企业仅占约21%。另外，大约21%的企业选择多技术路线并行，满足客户多场景的技术需求。
图：国内隐私计算企业技术路线选择情况
需求推动应用落地，应用场景集中于B端与G端
隐私计算是一个需求驱动的应用技术。在数据智能时代，企业需要充分利用数据资源作为生产要素进一步推动业务发展，而在数据应用的过程中需要保证数据的安全与隐私，隐私计算则能够满足数据安全合规和数据流通的需求，为企业挖掘开发数据价值保驾护航。
所有的技术路径选型最终都需围绕客户的业务场景需求而展开，并真正应用至客户各环节业务中，所以在不同的需求阶段客户可能会采用不同的技术路径。
国内目前隐私计算技术的应用落地集中于B端和G端的垂类领域。B端以金融领域为首，在医疗、通信、汽车、能源等领域均有应用。G端应用包含政务、智慧城市、公安等应用，其中在政务领域的应用最为广泛。C端市场暂时一片空白，应用的推广存在一定阻碍。
图：隐私计算技术应用细分领域
来源：虎嗅智库
客户对隐私计算技术的需求主要为安全合规和数据应用。隐私计算在金融和政务领域的落地应用较多，原因是这些行业更加关注数据安全和数据合规的要求，故会储备下一代符合法律法规倡导、能让数据协作的技术方向。
在安全合规的需求得到满足后，客户会需要将数据应用至业务当中：一方面，企业因业务需要缺少相关数据维度，会选择对接有价值的外部数据源，积累企业数据资源，挖掘数据在实际业务中的应用价值。
另一方面，企业希望将自身数据公开共享给其他需求方，创造更多数据价值。通过隐私计算技术，数据在安全可信的环境下对外界授权使用，企业在保护自身数据价值的同时实现价值传递和价值变现。
技术应用的价值和潜力取决于垂类场景内可挖掘的数据价值
隐私计算技术的应用价值和应用潜力取决于垂类领域内用户可获得的数据价值。技术本身不是使业务提升的决定性因素，因为隐私计算核心解决的是数据的安全隐私问题，进而实现数据价值的流通。
只有当数据自身具备一定的价值，且用户能够通过隐私计算获得其价值的时候，技术在实际应用场景中才能得到价值体现。
一般来讲，当一个行业可挖掘的数据价值越大，隐私计算的应用前景就会更广阔，行业需求就会相对更迫切，技术应用所产生的业务效益也就越直观。
金融机构、政务部门和通信运营商通常拥有庞大的数据量，同时具备高度的数据治理度，高数据质量决定了这些行业数据蕴含极高的应用价值。隐私计算可以实现高价值的流通，满足各方需求，也使得隐私计算在金融、政务、通信领域的落地步伐领先，创造出更可观的业务价值。
图：隐私计算应用场景潜力象限
来源：虎嗅智库
金融、政务、通信等应用场景位于第四象限-高潜象限，意味着目前这些场景内的相关企业对隐私计算技术有相对强烈的需求，技术在场景内能产生较高的业务价值，但行业技术落地仍处于相对早期的阶段，未来隐私计算在这些场景应用极具发展潜力。
其他大部分应用场景位于第三象限-挑战象限，这代表在现阶段这些行业对隐私计算的实际需求并不迫切或并不明朗，技术能产生的实际效益相对较低，导致技术应用的成熟度不高。
如需阅读完整报告，请点击“阅读报告”
关于虎嗅智库：
虎嗅智库致力于推动产业数字化以及以“双碳”转型为代表的可持续发展，为参与这个进程的中国企业高管、政府相关决策服务。我们主要的服务手段主要为：研究型内容（报告、分析文章、调研评选）、数据库、线上线下活动与社群、定制型项目等。
我们提供的核心价值：及时与优质的洞察，了解技术、了解行业、了解同行与对手
为决策者技术与产品战略决策、产业规划、解决方案选型提供重要参考
帮助市场全面了解前沿科技及所影响产业的发展状况，还有未来趋势
虎嗅智库官网：hri.huxiu.com