隐私计算真的是一项变革性技术么？

原文地址：The Business Case for Privacy Enhancing Technologies
原文作者：Ellison Anne Williams
翻译 & 整理：开放隐私计算 & PrimiHub

在一个科技热点层出不穷的时代，当一项技术被描述为变革性技术时，其实人们第一时间反而是警惕，然后是质疑。最近几年变革性技术这个标签落在了隐私计算头上，该技术因其能够在使用或处理数据时启用和保护数据的安全性和隐私而闻名。

技术在环境中发生变革，隐私计算技术也一样，是全球数字经济的需求催生了重塑利用数据方式的需要。虽然数据隔离有一定的必要性，但为支持监管、竞争和安全考虑而设置的孤岛和障碍也极大地限制了数据的使用。

隐私计算技术弥合了这一鸿沟，允许组织使用数据来提取价值，同时仍然尊重建立这些孤岛和障碍存在的合理性。

那么隐私计算技术真的是一项变革性技术么？我们从隐私计算做了什么？政策的相关动作和行业趋势三方面来看一下。

隐私计算做了什么？

数据具有三种状态：静态（在文件系统/数据库中）、传输中（在网络中移动时）和使用中（处理期间）。当我们思考如何有意义地使用或处理数据时，我们通常会回到两个基本功能：搜索和分析（包括人工智能/机器学习）。对数据进行搜索和分析，以识别信息并提取为组织创造价值的见解。
隐私计算技术能够使这些功能以安全且私密的方式进行，从而允许以之前不可能的方式使用数据来释放价值。虽然对于隐私计算技术的分类不同的看法，但几个核心支柱是确定的——联邦学习、同态加密、安全多方计算和可信执行环境。

2023世界各地组织和政府的动作

跨孤岛安全、私密地使用数据的能力对于企业来说至关重要，这使得隐私计算技术成为世界各地众多有影响力的组织和政府日益关注的焦点。

联合国运营着一个以隐私增强技术为重点的实验室，并于最近发布了《联合国官方统计隐私增强技术指南》，旨在帮助国家统计局在分析和传播敏感信息时保护数据。

英国皇家学会发布的另一份报告深入探讨了隐私计算技术如何帮助平衡数据使用的风险和回报，从而带来更广泛的社会效益。2023 年 4 月，美国网络安全和基础设施安全局 (CISA) 发布了更新的零信任指南，指出达到“最佳”实施阈值的组织“在适当的情况下对使用中的数据进行加密”——这种做法只能通过使用隐私计算技术来实现。

此外，美国和英国最近宣布了一项隐私计算有奖挑战赛，该挑战赛旨在推动隐私计算技术的创新，强化民主价值观。在白宫发布的有关这项工作的新闻稿中，总统科学技术助理兼白宫科学技术政策办公室主任 Arati Prabhakar 肯定了 PET 的潜在影响：“数据有能力为某些问题提供解决方案。我们面临的最大的共同挑战，但其中大部分数据都是敏感的，需要受到保护。隐私增强技术是解决如何在保护人们隐私的同时利用数据价值的困境的唯一途径。”

另外还有很多国家都纷纷推出了各自的政策和行动，详情可点击2023全球各国隐私计算发展最新动态盘点了解。

从行业趋势看，隐私计算技术带来了什么？

如今，隐私计算技术已经对跨孤岛数据共享和协作相关的用例产生了非常大的影响。联合国指南和英国皇家学会报告均包含概述和案例研究的部分，从这些案例里可以看到四个行业趋势。

1.隐私计算可以促进商业发展

可用数据量和组织利用这些数据提取价值的必要性都将继续增长。对这些由 隐私计算支持的功能的需求从未像现在这样大，而且只会继续增加：Gartner 分析师预测，“到 2025 年，60%的大型组织将使用隐私增强计算技术来保护不可信环境中的隐私或用于分析目的” （Gartner“联合机器学习的创新洞察”，2022 年 3 月）。

2.隐私计算以独特的方式促进安全和私密的数据使用

克服数据孤岛和障碍以安全、私密地利用数据的能力改变了游戏规则。组织可以保护数据及其利益，同时仍确保其可用性。继续向市场宣传隐私计算的力量至关重要，以确保数据在整个处理生命周期中受到保护。

3.标准化和监管行动是隐私计算发展的催化剂

隐私计算现已准备就绪并正在被采用，有大量使用隐私计算来解决业务和任务挑战的可靠例子。虽然隐私计算所支持的功能具有变革性，因此组织正在推进其使用，但如果标准化机构提供一些广泛的实施指南，那么大规模采用将会加速。此外，如果监管机构鼓励受监管组织将隐私计算用于运营环境，例如银行业的金融犯罪检测，这将对受监管用例的更广泛采用产生重大影响。

4.隐私计算技术可以实现可信人工智能

世界各地的组织都在寻找在不影响安全性的情况下实施 AI/ML 的方法，而这可以通过隐私保护机器学习 (隐私计算 + ML) 来实现。隐私保护ML提供了一条创新途径，可以提取关键见解并推动AI/ML协作工作，同时保留 IP 和必要的数据敏感性要求和合规标准。隐私计算通过两种重要方式为更广泛的ML领域做出贡献：通过在评估（有时称为推理）和训练期间保护模型，允许组织将重点放在派生结果的业务收益上，而不是ML模型本身固有的风险上。

安全、私密地利用数据的需求并不是一种过时的趋势，它属于人性中自古有之的需求。
而且无论是由市场需求还是监管主导，组织都必须做好在优先考虑数据保护和隐私的世界中在全球范围内运营的准备。隐私计算技术为这一挑战提供了独特的解决方案。不可否认的是，隐私计算技术在各个垂直领域的应用正在变得日益普遍，越来越多的组织正在利用这些功能支持自己的业务。
所以，也许我们正处于一个转折点，这个转折点背后，一边是尊重数据孤岛和边界的需求，另一边是全球数据运营的需求变得无处不在。努力扩大对隐私计算技术的理解，特别是隐私计算可以提供的价值的集体理解，将真正释放全球的数据经济，从而让这项技术的“变革”真正发生！

PrimiHub一款由密码学专家团队打造的开源隐私计算平台，专注于分享数据安全、密码学、联邦学习、同态加密等隐私计算领域的技术和内容。