近年来，大数据、云计算、人工智能等新兴技术与金融行业的深度融合，孕育了创新的金融服务产品和模式。这些新产品、新模式一方面为用户提供精准化、个性化、便捷化的服务，一方面大量挖掘和收集用户数据和信息。与之伴生，金融领域用户数据信息泄露事件多发，如何平衡数据使用和隐私数据保护成为一道亟需解决的课题。

　　今年9月《数据安全法》已正式施行，《个人信息保护法》也即将于11月落地。与此同时，金融监管部门对于金融业数据安全的执法检查力度也在以空前的力度加强。监管趋严之下，金融业强化数据应用的安全性与合规性迫在眉睫。

　　在这一背景下，隐私计算技术逐渐走进金融业的视角。IDC中国金融行业研究团队总监高飞指出，隐私计算为从技术上实现“数据可用而不可见”，破解数据保护与融合应用的难题提供了可行思路，是数据安全进行协同合作的关键技术。有银行人士表示，在大数据融合应用和客户隐私保护的双重需求驱动下，隐私计算技术正在成为金融业刚需，银行在隐私计算方面投入了大量精力。

　　隐私计算打破“数据孤岛”

　　数字经济时代，海量数据散落于不同的组织机构，并在一定程度上形成了“数据孤岛”。在此情况下，聚合多方主体的数据协作是当下放大数据价值的必然选择。对于金融业而言亦是如此。

　　高飞谈到，数字化金融时代，开放银行、API银行是行业发展的大趋势，金融业务形态更加开放，而数据及数据价值共享是开放金融的基本特征。基于金融机构内外部平台及生态类数据的多方建模是实现数据作为新兴生产要素最大价值化的有效途径。

　　以信贷风控场景为例，传统上银行都是基于历史还款信息、征信数据和第三方数据来进行贷前反欺诈分析，但存在数据维度缺乏、数据量较少等情况，需要融合多方数据联合建模才能构建更加精准的反欺诈模型。而多方主体数据协作过程中一直面临着数据隐私及安全这一痛点问题。这不仅涉及监管的合规要求，也是金融机构风险管理的重要组成部分。

　　隐私计算，是一个集AI、大数据科学，密态学，以及可信硬件在内的等众多领域交叉融合的跨学科技术体系。由两个或多个参与方联合计算的技术和系统，参与方在不泄露各自数据的前提下通过协作对他们的数据进行联合机器学习和联合分析。在隐私计算框架下，参与方的数据不出本地，在保护数据隐私及安全的同时实现多源数据跨域合作，促进企业对数据要素的合法合规应用，激发数据要素的价值释放，从而进一步培育数据要素市场。

　　前述银行人士表示，隐私计算作为平衡数据价值挖掘和隐私保护有效的解决范式，为数据流通和价值共享提供了一条重要的技术路径。

　　落地金融风控、营销等场景

　　联邦学习、多方安全计算均是常见的隐私计算技术路径。其中，自从1980年代姚期智提出著名的“姚氏百万富翁问题”以来，多方安全计算已经从一个理论热点逐渐发展成为一个可以部署在大规模数据分析计算方案上的隐私保护应用。而联邦学习由谷歌在2016年提出，是一种密码学和人工智能相结合的分布式学习技术。

　　目前国内隐私计算赛道的市场参与者主要包括BAT等互联网厂商以及新型金融科技公司如华控清交、星云Cluster AI、数犊科技等。一些大型金融机构也在通过自研或与隐私计算厂商的合作积极探索落地实践。

　　从隐私计算的落地进程来看，在金融，医疗及政务领域均有落地案例，尤其在以智能营销、联合风控、金融产品定价等场景为代表的在金融行业的实践尤为活跃。高飞指出，金融行业对于数据安全和隐私保护要求高、监管严的现状对隐私计算在金融场景中的落地起到了极大的推动作用。

　　具体看，前述银行人士指出，营销获客业务需要对用户进行精准识别，智能风控业务需要对客户进行反欺诈评估，这里面都要用到隐私计算。例如，采用隐私计算的银行风控模型可以利用第三方数据来提高模型的有效性，同时保持数据的安全性和隐私性。基于此，高飞认为，隐私计算将极大激发开放金融生态的巨大潜能。

　　不过目前来看，金融机构对隐私计算的探索及实践仍然处于早期的“单点实验”阶段。高飞表示，隐私计算在金融业走到规模化落地还有待时日，金融行业对该领域的了解程度也存在一定差异，这与金融机构数字化成熟度，数据智能的素养，尤其是金融生态开放理念的普及及实践水平存在直接关系。

　　未来隐私计算与金融业务如何进一步深度结合？开放银行、开放金融将如何推进？IDC将于2021年9月17日举办2021中国数字金融论坛，从全球角度解读金融科技发展趋势，助力金融业全面数字化转型。