征集倒计时 | 隐私计算落地智能终端、金融和医疗三大场景，价值利用与隐私保护并行

数字化的影响力正在加速拓展。不断膨胀的智能终端网络，串联无数个数字化节点，数字在期间流动不居、传递价值。隐私计算在数字化的大潮中，扮演了隐私保卫者的角色。因此与数字化息息相关，在数字化程度高、数字化赋能作用强的行业尤其具有现实价值。

在数字化大潮影响下，隐私计算技术的终端落地场景主要包含了智能终端设备、金融、医疗等领域。

在智能终端设备上，主要涉及的隐私计算技术是差分隐私（DP）。该技术本身早在上世纪 70 年代便已经出现。但真正进入寻常百姓的视野中，是在苹果 2016 年宣布应用差分隐私技术保护用户隐私之后。随后，谷歌、小米等厂商亦逐步推广应用。

苹果公司利用差分隐私的特性，在不侵犯用户隐私前提下，在智能终端本地提供词汇联想、表情推荐、耗电量检测等服务。

该技术为数据“注入噪声”，模糊了个人层面的原始数据，同时在宏观统计层面收获近似结果。最终达成在充分保障用户隐私前提下，聚合数据价值，最终惠及用户。

在金融领域，数据往往是一家金融机构的核心资产，业务有效开展往往有赖于高效的数据利用。在合规要求趋于严格的大背景下，隐私计算能够提供数据价值利用工具，以监管规避风险。

在普惠金融场景下，银行有意愿为小微公司提供贷款等金融服务，扶持与推动该类企业发展。然而现实是，碍于小微公司相关数据匮乏，难以描绘精细画像，风险难于把控。

在隐私计算技术协助下，互联网的用户行为数据、公共服务水电记录均可脱敏进入数据池中，从而协助银行以更全面、更丰富的数据勾画这些机构的行为记录，评估其金融能力。银行得以识别风险，更好地服务目标客户。

与银行风控的逻辑类似，对于保险公司而言，如何识别客户行为、评估其风险情况，从而为客户提供可靠的服务是重要的业务核心问题。

而随着合规压力提升，外部的数据开口减少，数据范畴缩窄，因此保险公司有动力在规避风险的前提下开拓合规数据源头。隐私计算在技术层面提供了一定程度规避风险的工具与能力，在不揭示原始数据的情况下，利用数据的价值。最终在开拓数据源头后，交叉验证、合理评估客户风险，促成业务决策。

在医疗领域，随着数字医疗潮流进一步拓展，诊疗记录及病例记录进一步电子化。广泛的电子化病例为大规模的医疗系统革新提供了可能。

在中国医疗供给侧改革深入的背景下，为解决过度医疗等问题，需要医保局等机构有效利用诊疗数据预测，给定分类以实现精准控费。

在此过程中，由于模型训练涉及的医疗记录具有高度隐私特性，因此隐私计算技术在其中充当了重要的保卫作用。集合了安全多方计算技术（MPC）与联邦学习技术（FL）的解决方案，同时达成了隐私保护与数据利用目的，提升了医疗系统的智慧程度。

行至当下，仍有无数的行业人士在为隐私计算技术推进与落地持续做出贡献。

《麻省理工科技评论》中国秉持“技术为了福祉”（Tech for Good）理念，关注行业变革生态的科技创新力量，开启“隐私计算科技创新人物”提名征集，挖掘、遴选带来技术创新、实现技术落地、产生实用价值背后的人物。

参评资格