许莉芸

羊城晚报报业集团广东新快报记者

文 | 许莉芸 图︱由作者提供

作为一种新的生产要素，数据已经成为数字经济时代的“石油”。数据要素的有效利用更是上升到了“国之战略”。

《中共中央关于制定国民经济和社会发展第十四个五年规划和二〇三五年远景目标的建议》中就提出要推动数据资源的开发利用。2021年1月，中共中央办公厅、国务院办公厅印发了《建设高标准市场体系行动方案》，再次提出加快培育发展数据要素市场，建立数据资源产权、交易流通、跨境传输和安全等基础制度和标准规范，推动数据资源开发利用。

一直以来，数据来源于分散的个体及机构，获取成本高而复制成本极低，造成数据所有者并无共享数据的动力，形成了“数据孤岛”，导致了数据共享流通不畅。

另一方面，数据只有在形成一定规模及维度后才具备更高的应用价值，进入数据要素时代数据价值的聚合天然存在着巨大需求。在此背景下，隐私保护计算 （privacy-preserving computation，以下简称“隐私计算”）技术应运而生。

隐私计算能够有效解决上述难题，数据拥有者能够在数据不离开本地的情况下将“价值”“知识”“信息”传递出去，而不是原始数据，做到数据“可用不可见”，从而既让潜在的数据价值被挖掘释放，又不损害数据所有者的权益和隐私权。

由于隐私计算能平衡好数据使用和数据安全的关系，因此近年来成为各路机构、资本青睐的新风口。隐私计算更是入选了Gartner 的2021年九大重要科技趋势，并预测将在两到五年内走向成熟。目前我国隐私计算处于起步期，正逐步深入到金融、医疗等各产业，试水落地应用。

隐私保护计算“风起”

各家金融机构争相布局

近几年来，我国数据安全立法步伐加速，《数据安全法》《个人信息保护法（草案）》等法规已有序推出，对于数据存储、使用、流通等各环节都提出了明确要求，国家在数据安全及隐私保护领域的顶层设计正逐步完善。

特别在金融领域，中国人民银行发布了《征信业务管理办法(征求意见稿)》等政策，在此背景下央行征信管理局下发通知，要求互联网平台实现个人信息与金融机构的全面“断直连”，金融业跨行业数据使用进入规范时代，如何平衡数据使用和数据安全也成为金融机构面临的一大难题。

在合规前提下，打通多方数据、促进金融业务数据融通，尤其是促进跨行业替代性数据(Alternative Data)在金融领域的应用，提升普惠金融的覆盖率，隐私计算或将成为破局之道。

隐私计算并非是一种单一技术，根据大数据联合国全球工作组的定义，这是一类技术方案。具体而言，隐私计算关键技术路径包括联邦学习、多方安全计算和可信执行环境等等。

其中，联邦学习，其原理是保证各方原始数据不对外输出的前提下，通过构建一个计算网络来实现隐私计算。客户首先在自己的终端使用本地数据进行建模和训练，然后将模型的内容上传到网络，再通过网络中不同终端的数据进行模型更新和融合，以此优化预测模型，客户终端再将更新后的模型下载到本地，并不断重复上述过程。在整个过程中，网络中每个终端的数据都始终存储在本地，避免了数据泄露的风险。

多方安全计算则是基于密码学，在保证多个参与方获得正确计算结果的同时，无法获得计算结果之外的任何信息，从而保证各方数据的安全。可信执行环境则是通过硬件技术将数据进行隔离保护，在这种环境中进行计算从而实现数据安全和隐私保护功能。

总之，隐私计算可以在处理和分析计算数据的过程中能保持数据不透明、不泄露、无法被计算方以及其他非授权方获取，可以在满足保护隐私安全的基础上，进行数据价值实现流动与共享，实现数据使用权和所有权的分离，让“数据可用不可见”。

目前，金融行业是隐私计算应用场景最多的行业之一，各家金融机构如工商银行、农业银行、交通银行、招商银行、微众银行等纷纷布局隐私计算相关研发、试点应用，赋能银行数字化转型（表1）。

表1 金融机构布局隐私计算情况

*以上整理自互联网公开信息

落地风控、反洗钱等场景

赋能金融业数字化转型

隐私计算不仅能帮助金融机构在反洗钱等合规领域提升效率，还可以在多头借贷防控、小微企业风控、产业金融、保险定价、精准营销等多个金融行业的细分领域发挥重要价值，解决不同机构之间数据不互通带来的一系列问题。更重要的是，在此基础上，通过将隐私计算应用到开放银行等模式中，可进一步赋能金融机构数字化转型。

如在反洗钱场景中，存在单一机构“大额可疑”样本少、跨机构资金流追踪难、数据质量低等一系列挑战，商业银行、支付机构或其他互联网公司等数据源之间可以通过交换加密参数进行联合建模的方式，不必集合各方数据，在保证数据安全的前提下完成“大额可疑”交易的识别，大大增强金融机构的反洗钱能力。

在小微企业贷款风控场景中，针对小微信贷征信数据稀缺、覆盖不全面等问题，某银行与其跨行业合作机构一起搭建了联合建模的技术测试原型。双方数据无需离开本地，使用加密的中间结果进行交互，基于联邦学习建模。从结果来看，与只使用银行拥有的央行信用评分来训练标签Y相比，联合了发票数据后的模型评价指标的AUC（模型评价关键指标之一）增加了12％，有效提升了风控能力。（微众银行、毕马威，《深潜数据蓝海——2021隐私计算行业研究报告》，2021年4月。）

在保险定价方面，隐私计算也能够在各方数据不出库的情况下，提供精准、个性化的定价方案，推动智能营销决策。以车险为例，针对用户、车辆、行为等数据分散在不同的机构、数据无法出库的症结，某保险公司引入联邦学习建模，在保护各合作机构企业用户隐私数据不出库的前提下，安全合规地接入多方数据源，特别是引入多维度多标签的互联网行为数据，进行用户画像，提供个性化定价服务。从结果来看，行业定价准确率大幅提升，总比例超90%。（电子商务与电子支付国家工程实验室、微众银行、平安科技等，《联邦学习白皮书》，2020年4月。）

另外，不仅在业务端，从战略角度看，以隐私计算为代表的新技术的应用，可以在平衡数据使用和数据安全的前提下，更好地发挥数据价值，最大限度地赋能银行数字化转型。

以开放银行为例，传统银行业务通过开放银行生态扩展到保险、理财产品甚至是生活服务各类服务场景中。这个过程中涉及个人隐私保护、数据被盗用等一系列风险。

针对这类痛点难题，某银行与互联网平台联合开发了风险模型，采用了多方安全计算技术，通过合作机构的多维度数据提高模型的有效性，同时也保障了数据安全和隐私。该模型基于双方的数据构建而成，无论在训练还是运行中均采用了加密算法，这样就保证了双方数据的安全并不会泄露给对方。最终不仅提高了信用风险管理效率，识别出近15万高风险客户，拦截了十多亿高风险贷款，而且还赋能精准营销，识别出了近40多万低风险客户，潜在授信规模近百亿。（IDC，《Privacy-Preserving Computation Assures Much Needed Balance in Open Finance（开放金融数据共享中隐私计算的平衡之道）》，2021年7月。）

随着更多机构的参与，未来隐私计算还将在各类金融机构间、跨行业场景合作、金融机构内控组织协同，甚至是不同监管机构间协同监管等方面发挥更大作用。

行业立法、认证体系、示范应用

一系列问题待解

目前隐私计算在金融业的应用仍在起步阶段，未来将迎来更广阔发展空间。一方面，隐私计算通过安全、可信的方式使得金融机构和合作方的数据在更合规的模式下进行合作；另一方面隐私计算使得原来因为安全问题无法互联的数据实现互联互通，释放各类结构化和非机构化数据的价值，为金融业务带来更大的增量市场。

然而，隐私计算技术刚刚兴起，从行业监管、行业标准、市场认知来看，距未来在金融业的大规模落地仍有一系列问题亟待解决，行业发展仍需要在政府部门的指导下，不断推进技术、商业模式和政策的完善升级，促进隐私计算技术与实体经济深度融合。

首先，笔者建议加快建立健全相关法律法规，将隐私计算纳入监管。我国近年来陆续出台了《数据安全法》《个人信息保护法（草案）》等法律法规，金融等行业也颁布了本行业的数据保护监管规则和标准，但支持数据规范流通和隐私计算应用的政策法规还很少，缺乏对数据流通市场的秩序约束，不利于数据共享型社会生态的建立。建议未来出台鼓励数据流通共享和支持隐私计算产业发展的相关政策法规，明确该类技术在大数据行业内的意义和作用，鼓励使用隐私计算技术。

其次，建议设立隐私计算技术标准和产品认证体系，促进行业规范发展。目前除了央行发布的《多方安全计算金融应用技术规范》和若干团体标准外，隐私计算技术和应用标准还十分欠缺。在产品认证工作上，国内也缺乏权威认证机构。建议逐步设立相关技术标准并建立认证体系，以便引导行业有序发展。

最后，建议打造一批高标准示范应用项目，形成示范效应。示范推广对于新技术发展具有非常重要的意义，往往是新技术能否成功越过导入期、步入快速发展期的关键。笔者建议选择一批与数据信息流通分享有关的重要数字新基建、智能金融、智慧城市和医疗健康等项目，例如跨境数据协作、信贷联合风控等，推动隐私计算技术在这些项目中的应用，形成一批标杆项目，带动行业发展。

责任编辑|余健仪

· 文章版权归本编辑部所有，未经授权不得转载。

· 如需获取转载、合作、采访等需求请到微信公众号菜单栏，获得相应信息。

· 您亦可在知网、今日头条、南方号等相关平台上关注我们。