在数字经济快速地发展的当下，数据已成为与土地、劳动力、资本、技术并列的核心生产要素。随着数据交易规模持续攀升，如何在释放数据价值的同时保障安全可信，成为行业发展的核心命题。近日，在2025中国信通院深度观察报告会上，来自北京理工大学等机构的专家围绕“面向数据要素可信流通的隐私计算技术”展开深度探讨，揭示了隐私计算技术如何为数据安全流通保驾护航，以及其在多行业的应用新图景。
从数据要素流通的现在的状况来看，市场规模正呈现爆发式增长。据《2024年中国数据交易市场研究分析报告》显示，2023年我国数据交易规模约1536.9亿元，预计2025年将达到2841亿元，2021年至2025年复合增长率高达46.5%。截至2024年中，全国注册成立的数据交易机构已达80家，北京等重点区域更明确提出目标，力争2030年数据要素市场规模突破2000亿元。数据流通不仅驱动国内数字化的经济攀升，更在全世界内释放巨大市场潜力，成为推动产业升级的重要引擎。
不过，数据要素流通在带来机遇的同时，也面临着多重安全挑战。在流通环节中，数据泄露、伪造、篡改、滥用等风险频发，数据产权界定模糊、加密勒索、无序扩散等问题也逐渐凸显。这在某种程度上预示着，数据流通必须以安全可信为前提，既要确保数据来源、流通实体与平台、流通过程的可信，实现全程留痕、可溯源、可追责，也要保障数据“可用不可见”，通过加密存储、防篡改设计等技术方法，避免数据被恶意攻击或滥用，同时明确数据资源持有权、加工使用权、产品经营权的归属，为数据流通筑牢安全防线。
为应对这些挑战，隐私计算技术应运而生，成为破解数据“流通”与“安全”矛盾的关键方案。隐私计算是指在保证数据提供方不泄露原始数据的前提下，对数据来进行分析计算的技术体系，核心目标是实现数据“可用不可见”。国内对隐私计算的定义更侧重于数据流通与融合过程中的安全保障，而国外定义则强调通过技术方法减轻数据处理带来的个人隐私风险，两者虽表述不同，但核心逻辑均围绕“安全”与“可用”展开。
从技术构成来看，隐私计算主要包含三大关键技术方向，各自在不同场景中发挥及其重要的作用。联邦学习作为分布式训练技术，让多方在不共享本地数据的情况下协同训练全局模型，仅交换模型参数或梯度信息，完美解决了“数据不动模型动”的难题。依据数据特征与样本空间的差异，联邦学习可分为横向、纵向、迁移三种类型：横向联邦学习适用于特征空间相同但样本不同的场景，比如两家医疗机构合作训练疾病预测模型；纵向联邦学习则针对样本相同但特征不同的情况，像银行与电子商务平台联合构建用户贷款违约风险模型；迁移联邦学习则能在样本与特征均部分重叠的场景中发挥作用，例如跨国企业不同业务部门协作预测跨境业务成功率。从发展的新趋势来看，联邦学习的研究热度持续攀升，论文数量从2016年的323篇增长至2022年的2285篇，相关研究已覆盖隐私保护、攻击防御、分布式模型更新等多个领域。
多方安全计算（SMC）则专注于解决“无可信第三方”场景下的协同计算问题，各方在不泄露自身数据的前提下，共同完成目标函数计算，既能有效抵御内部攻击者，又能确保输出结果的准确性。经过数十年发展，多方安全计算已从理论研究走向实际应用：1986年“百万富翁问题”的提出奠定研究基础，1990年后不同安全模型下的协议可行性得到验证，2004年首个完整实现平台推出，如今技术虽趋于成熟，但仍在一直在优化效率，以适配大规模应用需求。在技术探讨研究层面，全同态加密作为多方安全计算的重要分支，已在算法改进、安全性分析、机器学习结合等方向取得突破，例如通过优化卷积操作与加密流程，解决了隐私保护神经网络推理中的效率问题。
可信执行环境（TEE）则通过在硬件设备上创建受保护的安全区域，保障内部程序与数据的机密性、完整性和准确性。与其他技术不同，TEE在安全区域内的计算逻辑与常规设备无本质差异，兼具强大的计算表达能力与较高效率。在国际上，ARM的TrustZone、Intel的SGX、AMD的SEV等技术已大范围的应用，而国内企业如华为鲲鹏、飞腾、龙芯中科等也在积极地推进TEE国产化，形成了完善的技术生态。目前，TEE的研究重点集中在攻击防御、应用开发与新型环境构建上，例如通过漏洞探测技术修复安全风险隐患，或在嵌入式设备上实现轻量化可信执行环境，满足多种场景的安全需求。
值得关注的是，隐私计算技术正朝着融合创新的方向发展，进一步拓展应用边界。协议融合成为重要趋势，通过优化协作机制与动态协议组合，不同隐私计算技术可在分布式计算的不同阶段灵活切换，既能降低资源开销与时间延迟，又能通过多层次保护机制弥补单一协议的不足，适配医疗跨机构协作、金融跨银行风控、人机一体化智能系统供应链数据共享等多样化场景。
隐私计算与区块链的结合则为数据监管提供了新思路。区块链的去中心化特性可减少对第三方中介的依赖，降低信任成本；不可篡改特性结合隐私计算的加密技术，能保障链上数据完整性；公开透明特性则让数据交易与计算过程可验证，两者互补形成“安全计算+可信监管”的闭环，助力构建更高效的多方联合计算环境。
在应用落地层面，隐私计算已在金融、医疗、智慧城市与工业等领域展现出强大赋能能力。在金融行业，通过整合多源客户数据优化风险评分模型，可大大降低违约风险，同时为用户更好的提供个性化服务，提升行业整体效率；医疗领域借助隐私计算实现实时数据分析，既能精准监测疫情，又能辅助智能诊断，提高疾病预防和个性化治疗的准确性；智慧城市建设中，隐私计算可优化交通管理与公共设施维护，实现资源调度效率提升，而在工业场景，通过监控生产与供应链数据，能有效提升制造质量与生产效率。
随着技术不断成熟与行业需求深化，隐私计算正从技术探索走向规模化应用，成为推动数据要素市场化配置的核心力量。未来，随着协议融合、跨技术协同的不断推进，以及在更多细分场景的落地验证，隐私计算将进一步释放数据价值，为数字化的经济高水平质量的发展提供坚实的安全保障。
