【保护法|观察｜如何应对隐私计算商业化落地四大挑战？】其次是在产业路径方面 ， 徐世真认为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 。
具体而言 ， 瑞莱智慧的解题思路是面向场景需求 ， 打造“平台+数据+服务+场景”的一体化隐私计算解决方案 ， 引入运营商、支付等数十种外部数据源 ， 推动隐私计算从功能论证阶段迈向业务落地闭环 ， 实现对金融、政务等不同业务场景的快速赋能 。
瑞莱智慧推出了业内首个编译级隐私保护计算平台RealSecure ， 其底层以编译器架构与全同态加密为核心突破 ， 实现与传统算法的自动编译和一键适配 。 同时基于底层数据流图 ， 与构建事前、事中、事后的全方位安全评估体系 ， 实现可追溯、可验证的高安全级别 。
隐私计算是AI能力的重要补充与延伸
隐私计算通常与AI紧密结合 ， 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“链接”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 。
“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 。 ”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 。
推荐阅读
- 星链|石豪：在太空，马斯克和美国当局是如何作恶的
- 视点·观察|科技巨头纷纷发力元宇宙：这是否是所有人的未来？
- 视点·观察|科技股连年上涨势头难以持续：或已透支未来涨幅
- 视点·观察|张庭夫妇公司被查 该怎样精准鉴别网络传销？
- 视点·观察|科技行业都在谈论“元宇宙”，可是它还不存在
- 陈明永|行业观察｜OPPO陈明永：对的路，不怕远
- 视点·观察|2021车市拐点之年：芯片荒、交付难、投诉多
- 模拟|（图文+视频）C4D野教程：Windows11的壁纸动效是如何制作的？
- 视点·观察|今年的圣诞C位属于元宇宙
- 帮信罪|带你了解什么是“帮信罪”如何避免落入陷阱