隐私计算（Privacy Computing）是一系列让数据“可用不可见”的技术总称，目标是让多方在不暴露原始数据的前提下完成联合计算，是解决数据共享与隐私保护矛盾的关键基础设施。
四大技术路线
- 联邦学习（Federated Learning）：数据留在本地，只交换模型参数更新，实现多机构协作训练模型
- 差分隐私（Differential Privacy）：在结果中注入受控噪声，保护个体信息不泄露
- 安全多方计算（Secure Multi-Party Computation）：多方在密码协议下联合计算，即使互不信任也能得到正确结果
- 可信执行环境（TEE）：利用CPU中的安全硬件区域（如Intel SGX、ARM TrustZone）隔离数据与计算过程
应用场景
- 金融联合风控：多家银行在不共享客户明细的前提下共建反欺诈模型
- 医疗数据协作：医院联合训练诊断模型而不暴露患者隐私
- 政务数据开放：在保护公民隐私的前提下释放公共数据价值
现状与趋势
- 联邦学习在国内应用最广，已有成熟开源框架（如FATE等）
- 多种技术常组合使用（如“联邦学习+差分隐私”）
- 性能开销、标准化与安全证明仍是落地的主要挑战
- 随着数据合规要求趋严，隐私计算正从“可选”走向“必选”