隐私计算：数据可用不可见的三条技术路线

"数据是新的石油"，但这句话有个致命前提：数据必须能安全地流通与协作。医疗联合建模、金融反欺诈、跨机构营销，都需要多方数据一起算，却又都不能把原始数据交出去。隐私计算给出了一个优雅答案：数据可用不可见。

一、三条主流技术路线

• 联邦学习：数据不出本地，只交换模型参数/梯度，适合多方联合建模。
• 多方安全计算（MPC）：用密码学（混淆电路、秘密共享）让多方协同计算，结果可见、输入保密，安全性高但通信开销大。
• 可信执行环境（TEE）：在硬件隔离的"飞地"内明文计算，性能好，代价是信任硬件厂商。

二、没有银弹：性能、安全、通用的三角权衡

密码学路线安全但慢，硬件路线快但依赖信任根，联邦路线易用但面临梯度泄露风险。真实系统往往混合使用：用 TEE 扛性能瓶颈，用 MPC 保护关键中间值。

三、落地看场景

金融风控、医疗科研、政务数据开放是当前最成熟的落地场景。选型时先问三件事：参与方是否互信、数据敏感等级、可接受的计算延迟——答案不同，路线就不同。

隐私计算让"数据协作"与"数据保护"这对看似不可调和的矛盾第一次可以兼得，它是数据要素市场真正跑通的技术底座。