文章图片

从应用场景来看 ， 隐私计算是从数据密集型、数据规范要求高、数据孤岛痛点凸显、大型企业为主导的行业率先应用普及 ， 目前集中在金融、政务、运营商、医疗四个领域 。
在这其中 ， 金融领域内内隐私计算公司最多 。 根据企名片pro 数据 ， 目前赛道内融资在A 轮及以上的11 家公司中 ， 有7 家都在主攻金融场景 。
以银行业反洗钱为例 ， 传统做法是使用规则和模型 ， 利用银行自身的数据 ， 来判断交易是否为洗钱活动 。 但是 ， 这些传统方法效率较低 ， 覆盖范围小 。
但是通过隐私计算 ， 银行就可以与其他银行或者其他数据源（如互联网公司） ， 在加密状态下实现数据共享 ， 联合计算建模 ， 解决反洗钱样本少、数据质量低的问题 ， 大大增强反洗钱风控能力 。 同样的原理在多头借贷、信贷风控、保险定价、精准营销等金融场景下也将带来极大的价值释放 。

文章图片

（图片来源：《隐私计算金融应用蓝皮书》）
在智慧城市领域 ， 隐私计算能够打通不同部门、政企之间的“数据烟囱” ， 在公共管理、民生服务方面释放巨大价值 。
以传染病预测为例 ， 通过打通多个政企内外部数据源并跨平台联和计算 ， 包括从城市医疗数据隐私安全计算平台获得历史药品销售、高风险症候群数据 ， 从城市政务数据隐私安全计算平台获得民政、教育、人社数据 ， 结合第三方搜索公司的关键词搜索量数据等 ， 进行症候群热点发现预警 。 基于这些数据的联邦学习时空预测模型 ， 就可以提前数天预知、筛选潜在高风险人群 ， 精准锁定、消除误报 ， 实现数据驱动的智能传染病防控 。

文章图片

（图片来源：翼方健数）
在医疗领域 ， 医疗数据具有隐私性极强的特点 ， 医疗数据的安全常常关乎人们的生命财产安全 。 若是利用传统方法 ， 数据安全和隐私保护的要求使得这些数据无法聚合起来 ， 而单个医疗机构的数据样本量又不足以支撑大规模的模型训练 ， 难以释放数据价值 。
【200亿新风口来了，VC/PE又开始疯狂扫货】但是如果利用隐私计算技术 ， 则可以使得各个医疗机构的数据在不出库的前提下实现联合建模 。 信通院《数据价值释放与隐私保护计算应用研究报告》举出一个案例 ， 由某三甲医院牵头 ， 在隐私保护计算技术的支持下 ， 实现了在不分享明文数据（个体基因数据）的基础上 ， 支持强直性脊柱炎的GWAS 分析 ， 整个数据共享的过程从始至终对患者信息进行保护 。

文章图片

（图片来源：数据价值释放与隐私保护计算应用研究报告》）
三
结语
但繁华背后 ， 亦应理性思考 。 和人工智能、区块链等技术发展早期一样 ， 这个行业也仍然存在着估值高、盈利难、落地难、泡沫多的问题 。
目前隐私计算项目虽然估值都很高 ， 但是暂时还没有看到相匹配的营收节奏 。 一些隐私计算公司看上去营收很高 ， 其实背后是把其他业务的收入加进去了 ， 比如信息化系统、区块链项目等 。
而且行业应用尚处早期 ， 技术路线也还在探索之中 ， 盈利模式也并不清晰 ， 盈利模式都是项目制签单、提供全套解决方案 ， 离设想中的平台分润还有一定距离 。