隱私計算歷經四十余年的發展，依次經歷了“理論奠基—技術成熟—進入商用—產業洗牌”四個重要階段，可以說已圓滿完成了初始階段的發展任務。目前，在國家“十五五”規劃中，“人工智能+”核心戰略與數據局統籌的可信數據空間落地政策的積極推動下，隱私計算即將邁入“政策驅動—場景落地—產業重塑”的嶄新階段。

近日，安全牛正式發布了《可信數據空間下隱私計算技術應用實踐與價值研究（2025版）》研究報告，聚焦“十五五”規劃中“人工智能+”核心戰略和可信數據空間落地政策激活的跨主體數據流通市場機遇，重點完成了“五類可信數據空間”的定制化場景實踐與價值研究。

本文將圍繞隱私計算技術與產業發展歷程，分享報告中隱私計算與可信數據空間逐步走向融合的發展軌跡。

隱私計算的技術根系最早可追溯至20世紀50年代現代密碼學的分組密碼、公鑰密碼理論，因其為數據加密與安全計算提供了底層數學基礎，1982年姚期智院士提出的“百萬富翁問題”及多方安全計算（MPC）理論，首次從邏輯上解決了“數據不共享卻能協同計算”的核心矛盾，奠定了隱私計算的理論雛形，也成為業內公認的隱私計算技術的起點。2015年國際密碼學會（IACR）專題學術討論明確了隱私計算的技術邊界與研究框架，則標志著隱私計算進入系統性發展階段。

（一）技術演進歷程

隱私計算的技術發展是一個不斷演進的過程，其中多方安全計算（MPC）、可信執行環境（TEE）和聯邦學習（FL）作為核心技術，在不同階段展現出了不同的成熟度和應用范圍。

歷經四十余年理論發展與技術迭代，當前隱私計算已形成以多方安全計算（MPC）、可信執行環境（TEE）、聯邦學習（FL）為三大核心技術路線的成熟技術體系。其中：

(1) 多方安全計算（MPC）通過秘密分享、混淆電路等算法實現多節點數據“分片計算、結果聚合”，在金融聯合風控場景中可支持千級特征維度的實時建模；

(2) 可信執行環境（TEE）依托硬件隔離環境構建“可信執行域”，數據加密解密、模型訓練均在隔離環境內完成，在跨境數據協同場景中可將數據泄露風險降至10??以下；

(3) 聯邦學習（FL）則通過參數交換替代原始數據傳輸，在醫療多中心科研場景中可實現千萬級樣本的分布式模型訓練。

近十年來，隨著技術迭代演進，隱私計算技術正從單點應用向跨場景適配發展，呈現出“交叉融合的復合型技術路徑”趨勢，并且，隨著更多應用場景的拓展，復合型技術路徑已成為市場主流。

早期，它們主要在各自相對獨立的場景中發揮作用，隨著技術的成熟和應用需求的增長，不同技術開始相互融合，以滿足復雜多變的業務場景需求。如“多方安全計算（MPC）+聯邦學習（FL）”可兼顧計算精度與效率，“可信執行環境（TEE）+差分隱私”能平衡數據可用性與隱私保護強度。在金融領域的聯合風控場景中，可能會同時運用到多方安全計算來保護數據隱私、聯邦學習來聯合建模分析，以及可信執行環境來提供高效的計算環境，通過多種技術的協同工作，實現更全面、更高效的數據安全和隱私保護。

（二）產業供給側洗牌

產業供給側方面也在近十年完成了一輪洗牌。2015年以來，激發出追捧隱私計算賽道的資本市場和一眾垂類廠商，2021年隱私計算迎來商用元年，資本市場年融資規模突破50億元，入局廠商超200家，但受限于兩大技術卡點：

(1) 一是單點應用局限。此前技術多聚焦于“數據本地化安全計算”，如銀行單機柜內的客戶隱私數據脫敏，缺乏跨機構、跨系統的協同計算能力，導致數據要素無法跨主體流動；

(2) 二是技術與業務脫節。早期方案多為通用型計算框架，未適配行業特殊需求——如醫療場景需處理DICOM格式影像數據與基因FASTQ數據的多模態融合，能源場景需支撐電網秒級實時調度數據的低延遲計算（時延要求<100ms），通用方案難以滿足行業技術指標。

(3) 此外疊加疫情后經濟環境對技術投入的約束。2022-2023年隱私計算產業側完成了一輪洗牌，之后具備行業定制化能力的廠商市場占據主導地位。

(4) 后量子密碼（PQC）遷移儲備。面對量子計算對傳統公鑰密碼體系（如RSA、ECC）的潛在威脅，隱私計算技術正逐步引入基于格（Lattice-based）等數學困難問題的后量子密碼算法，構建具備“加密敏捷性”的技術架構，以保障長周期數據的安全性。

（三）國家戰略導向明確

在“十五五”規劃的宏偉藍圖中，“人工智能+”被確立為核心戰略，這一戰略引擎強勁推動著數據要素市場化的進程迅猛加速。數據，作為人工智能發展不可或缺的基石，其價值在這一戰略導向下愈發凸顯。

國家數據局作為數據要素治理的核心機構肩負重任，致力于完善數據基礎制度的“四梁八柱”，積極統籌各方資源，全力推進數據要素市場化配置改革。從數據產權的明晰界定，到流通交易規則的精心制定，再到收益分配機制的合理構建以及協同治理體系的有效搭建。在數據局的積極推動下，各地紛紛響應，加快公共數據開放和企業數據流通的步伐，建立起數據基礎設施建設、可信數據空間、高質量數據集等的協同機制，努力打破數據孤島，讓數據在安全的環境中自由流動，充分釋放其潛在價值。

安全牛分析認為，近十年在國家戰略導向的頂層設計方面，展現出“戰略-數據-流通-安全-載體-技術”的全鏈條有力舉措，精準響應“人工智能+”對數據要素的剛性需求。

（一）戰略錨點：以“人工智能+”錨定數據要素核心價值坐標

“人工智能+”的本質是通過AI技術與千行百業的深度融合，實現從“數字化”向“智能化”的生產力躍遷，而這一躍遷的核心制約因素在于數據——AI大模型的智能涌現不僅依賴算法迭代與算力升級，更需要大規模、高質量、多模態的數據作為“燃料”。國家數據局立足這一核心認知，將數據要素定位為“人工智能+”行動的“地基性資源”，通過政策體系設計推動數據要素從“被動記錄的副產品”轉變為“主動驅動的核心生產資料”，直接回應“十五五”規劃中“以數據賦能現代化產業體系”的戰略要求。

（二）供給側突破：以高質量數據集構建“人工智能+”的核心燃料庫

AI模型“垃圾進、垃圾出”的特性，決定了“人工智能+”的落地效果直接依賴數據質量。針對當前數據領域“孤島化、低質化、碎片化”的痛點，國家數據局聯合27個部門啟動高質量數據集建設工作，從公共數據供給、城市治理AI場景、行業數據培育數據質量管控四方面構建供給體系，精準對接AI大模型訓練與行業應用需求。

（三）流通側賦能：以數據要素市場化激活“人工智能+”的場景價值

高質量數據若僅局限于單一主體內部，無法支撐“人工智能+”的跨域融合需求——例如，跨醫院的AI診療模型需要多機構數據協同，跨區域的智能電網模型需要多省市用電數據聯動。國家數據局通過培育全國一體化數據市場，打破“數據孤島”，推動數據要素在場景中高效流通。

（四）安全側保障：以合規底線筑牢“人工智能+”的發展根基

數據要素的高效流通必須以安全為前提，尤其在AI場景中，數據泄露可能導致模型失效、隱私侵犯等風險。國家數據局構建“多層次數據安全保障體系”，在分級分類管控、全鏈路安全監測、跨境安全管理等方面，保障流通效率的同時守住安全底線。

（五）載體側落地：以可信數據空間構建“人工智能+”的安全流通樞紐

數據流通安全的終極載體是可信數據空間——這一基礎設施既解決了“數據可用不可見”的核心矛盾，又為AI模型的跨域協同提供技術支撐。國家數據局在《可信數據空間發展行動計劃（2024—2028年）》中，將其定位為“人工智能+”的“數據樞紐”，形成“物理分散、邏輯集中”的用數模式。

（六）技術側支撐：以隱私計算打通“人工智能+”的安全用數“最后一公里”

可信數據空間的核心技術支撐是隱私計算，其通過“數據可用不可見”的特性，徹底解決AI場景中“數據共享與隱私保護”的矛盾，成為國家頂層設計的“技術落腳點”。國家數據局通過政策引導與技術標準制定，推動隱私計算與AI場景深度融合。

國家數據局的政策設計形成了清晰的閉環：以“十五五”“人工智能+”戰略為錨點，識別出“高質量數據供給不足、跨域流通不暢、安全保障薄弱”三大核心痛點；通過“三類數據集建設”解決“燃料問題”，通過“一體化數據市場”解決“流通問題”，通過“可信數據空間+隱私計算”解決“安全問題”；最終形成“戰略需求牽引-數據供給支撐-流通賦能場景-安全保障發展-技術落地實現”的全鏈條支撐體系。

這一響應鏈條的形成，標志著我國數據要素治理從“基礎建設階段”邁入“戰略賦能階段”，為“十五五”期間“人工智能+”行動的落地提供了堅實制度保障。