隐私计算，如何撬动金融场景千亿级收入？

腾讯区块链加速器 view 7620 2021-5-19 18:59

今年是隐私计算商业化落地元年。

这一市场正处于爆发的前夜。据KPMG《隐私计算行业研究报告》预测，隐私计算国内市场规模将快速发展，三年后技术服务营收有望触达100-200亿人民币的空间，甚至撬动千亿级的数据平台运营收入空间。

隐私计算诞生于数据保护这一背景，近年来数据安全与用户隐私日益受到重视，关于数据治理的法律法规不断出台，比如欧盟的GDPR、我国《个人信息保护法》（草案）。隐私计算融合了人工智能、密码学、区块链、计算芯片等一系列软硬件技术，在金融等场景落地应用，并成长为热门的投资赛道。

之前大家对隐私计算的名词进行定义，对各种技术方案进行论证，现在行业进入注重技术性能、安全统一的阶段，未来进入互联互通的阶段，隐私计算应用的市场空间是目前的百倍级别。

不同玩家正在攻克金融场景

隐私计算赛道，三类玩家正在进入：独立创业公司，垂直行业的机构，大型互联网公司。

独立创业公司的优势在于中立性，以及根据客户需求开展定制化服务。不少投资机构已布局这一领域，包括红杉资本、IDG、基石资本等，相关创业公司的融资阶段从天使轮到A、B轮不等；垂直行业的机构主要为产业背景的公司，优势在于应用能力；互联网大厂则拥有丰富的数据生态和应用组件，微众银行、腾讯、蚂蚁、百度、字节跳动都已开发相关产品，应用于金融、电商等领域。

玩家竞争的本质在于：能否为客户带来足够的数据源，并提供完整的解决方案。因为市场对于隐私计算的诉求在不断提升。

各类玩家围绕着这一目标迭代产品。比如红杉资本投资的科创公司星云Clustar——孵化于香港科技大学算力加速技术，其创始人陈凯教授告诉钛媒体App：2019年，公司产品的重点是解决联邦学习的性能问题；2020年，则从底层的IaaS结合中间的PaaS层、上端的联邦数据层，做全栈解决方案。从数据来看，其协助微众银行进行联邦数据网络算力加速，通过异构加速技术，整体算力相较于CPU提升了50-70倍。

腾讯和顺德区政府建立了一套基于联邦学习的普惠金融平台，腾讯负责建模，融合政府政务数据、申请企业数据、银行业务数据，建立实时进件分析和风险控制模型。

金融行业是最早应用信息技术、最大化数据价值的行业，从上世纪80年代的ATM机到近年的开放银行，金融行业在数据的收集、产生、积累中积累了大量经验，数据的价值贯穿于个人征信、公司估值等场景。

如今，隐私计算在金融场景的落地应用正不断丰富，就银行而言，重要场景包括精准营销、信贷风控、发现多头借贷、保险定价，等等。

在金融机构的交叉营销领域，隐私计算辅助进行各家机构的数据共享，在不传数据的情况下让各方信息透明，完成交叉营销。首先是客户的识别和筛选，对客户的风险进行识别和管理；其次是服务和运营，为金融客户提供精准的资管、风控产品。

香港人工智能与机器人学会理事长、香港科技大学讲席教授杨强表示：

“在营销和广告领域，针对轨迹数据、客户风险数据、营销数据、转化数据等不同数据，通过统一的联邦学习平台串联起来，可用作人群洞察、用户分层和推荐等等。联合不同的数据级，建立不同的服务机器人，比如语音机器人，内呼、外呼机器人，作息助手和智能培训。”

隐私计算解决数据孤岛、反洗钱等问题。

早年因为数据孤岛，银行难以掌握中小企业的数据，对后者的贷款申请进行限制，导致大量企业主在市面上寻找高价格的贷款，隐私计算可以解决数据孤岛的问题。

在反洗钱方面，银行可以与同业机构或互联网公司联合，通过交换加密参数，联合计算建模，从而解决样本少、数据质量低的问题。调用联合建立的模型，同时不集合各方数据，对于各家金融机构是刚需。

对于已经走过了信息化、智能化的大型银行机构，隐私计算可以拓宽其数据边界，进一步增强业务竞争力。

而中小机构的信息化过程尚未走完，面临的挑战更大，这类机构的数字化包含信息化、智能化和隐私计算的导入，以及数据合规、数据治理。微众银行人工智能事业部副总经理陈天健认为，未来将有专业的服务公司，帮助中小型金融机构在短时间内走完信息化、智能化和隐私计算技术导入的过程。

杨强介绍：隐私计算和联邦学习并不是单一的算法，而是一个完整的套餐，我们要考虑安全合规的法律问题，同时也要考虑防御攻击的安全问题，另外兼顾算法效率和行业应用，此外，还可以使用一种经济学的激励机制，来鼓励不同的参与方持续投入到生态里面。

比如建立不同的激励模型，让参与方持续的有收益，变成一个不断滚大的雪球，那么生态圈的数据将越来越丰富。

现阶段挑战：金融机构协同，数据监管

金融场景的数据安全与基础建设，是新基建的课题。通过隐私计算建立金融数据共享生态圈，一方面需要监管层的认可，另一方面，要在技术上实现互联互通。

在隐私计算领域，目前有三大技术流派：联邦学习，安全多方计算，以及TEE可信执行环境。其中联邦学习构建在同态加密技术之上，并能够严格确保数据不出域，并通过机器学习技术规避确定性计算本身安全性的不足，得到了金融行业的青睐。

联邦学习的核心是“数据不动模型动”，各个参与者不需要把数据整体移动到一个可信计算环境中，而是在本地使用本地的数据训练一个本地的模型，并通过场景使用半同态加密、秘密分享等隐私计算技术的方式来同步模型参数，从而进行模型的迭代训练。真正做到了数据可用不可见，数据不动模型动，从而实现了极高的安全性，合规性。

不过，联邦学习和已有金融机构业务的深度结合，依然面对一些挑战。

在开放银行中，如果几万家银行同时进行联邦学习，这是一个非常重的事情，现阶段难以落地；如果在金融开放联盟中进行合作，涉及到金融、证券、保险等不同行业，面对的监管部门、政策也不相同。机构协同难以推进，同时，监管问题无法回避。

联邦学习的数据，哪些可以出去，哪些必须拿到授权，拿到什么层级的授权，需要符合什么样的法律条款？现在大家获取隐私的条款是极其模糊的，这些都需要落地的、明细的政策进行规范。

此外，对于资源方、数据方的市场教育，还在推进中。目前，人民银行针对多方安全计算建立了一套金融领域的标准，但只适用于人民银行，海关、公积金、社保、电力等系统尚未参与。

当下，技术和解决方案还不够成熟，隐私计算技术效率有待提升，现有系统产品较复杂，工程化程度需要完善，模型可解释性还需提高。产业推广需要搭建多方协同的合作模式，这样的模式建立并不容易。