近年來，隨著算力提升與數據流動，人工智能持續迭代，其落地場景與應用領域愈加豐富，賦能包括新基建、工業在內的多個重要板塊。AI技術加速前進離不開海量數據驅動，日益激增的數據需求使數據安全與隱私保護變得尤為迫切。

隱私計算在于實現數據安全流動，是AI突破發展瓶頸的密鑰，兩者融合需要解決什么問題、在未來產生哪些變化？至此，隱私數據安全專欄特邀光之樹，深入探討AI＋隱私計算，如何向智能時代開疆拓土。

在近日召開的世界人工智能大會上，來自全球智能領域最具影響力的產學研各界人士圍繞智能領域的技術前沿、產業趨勢和熱點問題發表演講和進行高端對話，透過這些精彩的分享，呈現出一些趨勢：

其一，AI的應用縱深得到了極大的加強，在應用AI較早的如金融等領域，AI的應用已經越來越深入業務本質，從過去集中應用于避免員工重復勞動，已經發展到開始輔助人，并在一定程度上開始作為員工腦力的輔助。

其二，AI落地的領域和場景愈加豐富，AI已經輻射到了包括新基建、工業、教育、醫療健康、城市治理等多個重要板塊中。這說明AI的價值已經得到了廣泛的認可。“泛在”的AI并非遙不可及。

另一最有亮點的趨勢是，人工智能正逐步與包括隱私計算、區塊鏈、物聯網、智能芯片等在內的其他技術，逐漸呈現融合統一的趨勢。其中，隱私計算是面向隱私信息全生命周期保護的計算理論和方法，和人工智能一起，核心突破是，在保證“數據可用不可見”的前提下，仍然能實現數據的聯合建模和價值分享。

“隱私計算＋人工智能”未來將會給商業帶來什么變化呢？接下來，我們從數據、模型、場景幾個方面來談談。

1 如何跨越數據門檻，實現“數據智能”？

關于人工智能和數據，業界最常見的一個比喻是“AI像是發動機，而數據則是石油”，一段時間的實踐下來，人們逐漸意識到“數據智能”的落地還需要解決一些問題，例如：

“石油”的開采、加工、利用各個環節，都需要有相應的法律法規的規范。同時也需要有相關技術手段作為保障，否則數據的利用將同數據安全相沖突，造成很多社會問題；由于數據產生端和數據采集、加工、利用端經常出現因技術實力、資源稟賦等方面的不對等，造成國內數據資源一度被聚集在“數據巨頭”手中的現象。一些弱勢的新進入的個體和機構逐漸喪失了數據的控制權和相關的收益權，甚至陷入“無米下鍋”的境地；數據標注的缺乏也使得模型的迭代和優化困難重重。

這些問題一定程度上制約了AI產業的良性發展。所幸，隨著《關于構建更加完善的要素市場化配置體制機制的意見》的發布、包括數據安全法和個人信息保護法等在內的法律進入立法程序，以及隱私計算和區塊鏈技術的發展，使得數據確權、安全利用、數據平權等有了法律、制度以及技術的保障。

未來，對于“數據霸權”現象、缺乏數據標注的情況，隨著法律法規的完善，和隱私計算與人工智能技術的融合，將逐步解決。

2 如何加大AI應用縱深，實現“邊緣智能”？

通信網絡基礎設施建設是新基建的核心構成之一，其涵蓋的包括5G、物聯網、工業互聯網、衛星互聯等領域，也為AI應用提供了良好的縱深空間。

一方面這些技術都使得AI可以利用深入場景中的數據，例如智能設備多種傳感器可以為模型補充關于明暗程度、運動速度、甚至溫度、濕度等數據，這使得我們可以構建起以“情景”為基本響應單位的AI能力，從而提供最貼合特定情景的智能服務。

另一方面， AI還將可以深入到“端側”、“邊緣側”，在最靠近數據的地方完成訓練和預測，在提升AI實時性和個性化程度的同時，還能充分利用泛在的算力，節省集中式算力的消耗。

這些構想在實踐中也許會遇到諸多困難。

以智慧農業為例，如何保證土壤探針等設備采集數據的真實和不被篡改？如何高效整合利用目前分散在政府、科研院所、田間地頭、產供銷鏈條中各個主體的農業大數據？如何使產業鏈各參與者都能信任AI的預測結果？等等，都曾是實現“邊緣智能”所面臨的障礙。

經過實踐證明，AI可以結合隱私計算、區塊鏈等技術，從數據源端消除這些問題：

使用衛星、無人機、物聯網傳感器等采集數據，結合隱私計算和區塊鏈技術，可以確保原始數據真實可信。利用隱私計算技術，數據“可用不可見”，形成物理分散的多元數據的邏輯集中視圖，可以保證AI模型有充足的、可信的數據可供利用。同時，AI模型也是安全可信的，隱私計算技術使模型在受到充分保護的前提下，仍然可以為多方所驗證。

利用數據源端收集的數據，結合隱私計算技術，可以使AI在農業科學生產、農戶信用評估、農業風險預測等多方面發揮更大的價值。

3 如何擴展AI應用疆域，實現“協作智能”？

在國內數字化轉型進程剛剛起步之時，絕大部分AI的落地場景背后都是以 “助力政府、企業等數字化轉型”為邏輯的起點，即是說，此前的AI發展多把服務對象看作一個個獨立的個體，應用的目的往往是幫助這些對象提升自身效率，提高數字生產力，加速數字化轉型進程，等。

但隨著國內數字經濟的發展，國內各行各業的數字化程度已與此前不可同日而語。隨著數字生產力的提升，必然要求社會發展出適合生產力水平的數字生產關系。諸如銀行業的開放銀行、政府的數據開放、供應鏈聯盟、醫療行業的醫聯體／醫共體，等都是圍繞多個對象之間的生產關系優化和升級展開的工作。在這些探索和嘗試推進的過程中，不可避免的遇到了數字化、智能化程度高的對象如何同程度較低的對象之間互利、可信合作的問題，尤其是同業對象間和產業鏈上下游企業間，類似問題尤其突出。從社會整體角度看不應把AI置于“降維打擊”這種只競爭不合作的邏輯框架中。

“風物長宜放眼量”，新形勢下，AI應用的著眼點宜拓展到如何利用人工智能，使得人與人、機構與機構、人與機構、人與AI之間的智能、高效協同上，解決協同的效率問題，同時應結合區塊鏈、隱私計算等天然的關于數字生產關系的技術，奠定協同的基礎設施和多方利益保障機制，從而真正形成良性的數字生產關系。以醫療行業為例，如果能將大型醫療機構的專家知識、經驗等標準化，形成知識圖譜、專家決策支持系統，再結合隱私計算技術，那么基層醫療機構未來就可以再不泄露就診者個人隱私數據的同時，還能集成或者利用大型醫療機構的專家資源。

4 未來將會實現何種方式的“數據協作”？

數據的應用主體和開放主體能在安全可信的技術中進行數據協作。數據應用主體數量將迅速增長。其對數據的應用方式，也逐漸由跨部門協同轉換為以數據中臺為核心的利用方式，逐步形成內部數據價值鏈閉環。數據應用主體之間逐漸開始出現分工、協同，如銀行同業機構間聯合風控聯盟、供應鏈核心企業對上下游的能力開放賦能聯盟等。

數據協作的角色將不再單一。數據開放主體逐漸分化為數據資源方、數據分析和建模方、數據開放平臺等不同的角色，社會分工逐漸精細化。

數據協作的“去中介化”趨勢逐漸打破了傳統數據公司的“數據霸權”。通過技術實現數據的可用不可見，所有數據開放主體將建立一種“技術信任”。

各參與方的人工因素逐漸降低，在數據價值鏈中大部分的對接都是機器對機器實現，極大提升了協作效率，也使得協作中越來越大比例的信任，可以由技術來保障。

未來，基于隱私計算和人工智能技術，通過網絡協同和數據智能，將成為開啟智能時代的“數據協作”的引擎，給社會化合作帶來生產力的大爆發。
? ? ? ?責任編輯:pj