近年来，随着算力提升与数据流动，人工智能持续迭代，其落地场景与应用领域愈加丰富，赋能包括新基建、工业在内的多个重要板块。AI技术加速前进离不开海量数据驱动，日益激增的数据需求使数据安全与隐私保护变得尤为迫切。

隐私计算在于实现数据安全流动，是AI突破发展瓶颈的密钥，两者融合需要解决什么问题、在未来产生哪些变化？至此，隐私数据安全专栏特邀光之树，深入探讨AI+隐私计算，如何向智能时代开疆拓土。

在近日召开的世界人工智能大会上，来自全球智能领域最具影响力的产学研各界人士围绕智能领域的技术前沿、产业趋势和热点问题发表演讲和进行高端对话，透过这些精彩的分享，呈现出一些趋势：

其一，AI的应用纵深得到了极大的加强，在应用AI较早的如金融等领域，AI的应用已经越来越深入业务本质，从过去集中应用于避免员工重复劳动，已经发展到开始辅助人，并在一定程度上开始作为员工脑力的辅助。

其二，AI落地的领域和场景愈加丰富，AI已经辐射到了包括新基建、工业、教育、医疗健康、城市治理等多个重要板块中。这说明AI的价值已经得到了广泛的认可。“泛在”的AI并非遥不可及。

另一最有亮点的趋势是，人工智能正逐步与包括隐私计算、区块链、物联网、智能芯片等在内的其他技术，逐渐呈现融合统一的趋势。其中，隐私计算是面向隐私信息全生命周期保护的计算理论和方法，和人工智能一起，核心突破是，在保证“数据可用不可见”的前提下，仍然能实现数据的联合建模和价值分享。

“隐私计算+人工智能”未来将会给商业带来什么变化呢？接下来，我们从数据、模型、场景几个方面来谈谈。

如何跨越数据门槛，实现“数据智能”？
关于人工智能和数据，业界最常见的一个比喻是“AI像是发动机，而数据则是石油”，一段时间的实践下来，人们逐渐意识到“数据智能”的落地还需要解决一些问题，例如：

“石油”的开采、加工、利用各个环节，都需要有相应的法律法规的规范。同时也需要有相关技术手段作为保障，否则数据的利用将同数据安全相冲突，造成很多社会问题；由于数据产生端和数据采集、加工、利用端经常出现因技术实力、资源禀赋等方面的不对等，造成国内数据资源一度被聚集在“数据巨头”手中的现象。一些弱势的新进入的个体和机构逐渐丧失了数据的控制权和相关的收益权，甚至陷入“无米下锅”的境地；数据标注的缺乏也使得模型的迭代和优化困难重重。

这些问题一定程度上制约了AI产业的良性发展。所幸，随着《关于构建更加完善的要素市场化配置体制机制的意见》的发布、包括数据安全法和个人信息保护法等在内的法律进入立法程序，以及隐私计算和区块链技术的发展，使得数据确权、安全利用、数据平权等有了法律、制度以及技术的保障。

未来，对于“数据霸权”现象、缺乏数据标注的情况，随着法律法规的完善，和隐私计算与人工智能技术的融合，将逐步解决。

如何加大AI应用纵深，实现“边缘智能”？
通信网络基础设施建设是新基建的核心构成之一，其涵盖的包括5G、物联网、工业互联网、卫星互联等领域，也为AI应用提供了良好的纵深空间。

一方面这些技术都使得AI可以利用深入场景中的数据，例如智能设备多种传感器可以为模型补充关于明暗程度、运动速度、甚至温度、湿度等数据，这使得我们可以构建起以“情景”为基本响应单位的AI能力，从而提供最贴合特定情景的智能服务。

另一方面， AI还将可以深入到“端侧”、“边缘侧”，在最靠近数据的地方完成训练和预测，在提升AI实时性和个性化程度的同时，还能充分利用泛在的算力，节省集中式算力的消耗。

这些构想在实践中也许会遇到诸多困难。

以智慧农业为例，如何保证土壤探针等设备采集数据的真实和不被篡改？如何高效整合利用目前分散在政府、科研院所、田间地头、产供销链条中各个主体的农业大数据？如何使产业链各参与者都能信任AI的预测结果？等等，都曾是实现“边缘智能”所面临的障碍。

经过实践证明，AI可以结合隐私计算、区块链等技术，从数据源端消除这些问题：

使用卫星、无人机、物联网传感器等采集数据，结合隐私计算和区块链技术，可以确保原始数据真实可信。利用隐私计算技术，数据“可用不可见”，形成物理分散的多元数据的逻辑集中视图，可以保证AI模型有充足的、可信的数据可供利用。同时，AI模型也是安全可信的，隐私计算技术使模型在受到充分保护的前提下，仍然可以为多方所验证。

利用数据源端收集的数据，结合隐私计算技术，可以使AI在农业科学生产、农户信用评估、农业风险预测等多方面发挥更大的价值。

如何扩展AI应用疆域，实现“协作智能”？
在国内数字化转型进程刚刚起步之时，绝大部分AI的落地场景背后都是以 “助力政府、企业等数字化转型”为逻辑的起点，即是说，此前的AI发展多把服务对象看作一个个独立的个体，应用的目的往往是帮助这些对象提升自身效率，提高数字生产力，加速数字化转型进程，等。

但随着国内数字经济的发展，国内各行各业的数字化程度已与此前不可同日而语。随着数字生产力的提升，必然要求社会发展出适合生产力水平的数字生产关系。诸如银行业的开放银行、政府的数据开放、供应链联盟、医疗行业的医联体/医共体，等都是围绕多个对象之间的生产关系优化和升级展开的工作。在这些探索和尝试推进的过程中，不可避免的遇到了数字化、智能化程度高的对象如何同程度较低的对象之间互利、可信合作的问题，尤其是同业对象间和产业链上下游企业间，类似问题尤其突出。从社会整体角度看不应把AI置于“降维打击”这种只竞争不合作的逻辑框架中。

“风物长宜放眼量”，新形势下，AI应用的着眼点宜拓展到如何利用人工智能，使得人与人、机构与机构、人与机构、人与AI之间的智能、高效协同上，解决协同的效率问题，同时应结合区块链、隐私计算等天然的关于数字生产关系的技术，奠定协同的基础设施和多方利益保障机制，从而真正形成良性的数字生产关系。以医疗行业为例，如果能将大型医疗机构的专家知识、经验等标准化，形成知识图谱、专家决策支持系统，再结合隐私计算技术，那么基层医疗机构未来就可以再不泄露就诊者个人隐私数据的同时，还能集成或者利用大型医疗机构的专家资源。

未来将会实现何种方式的“数据协作”？
数据的应用主体和开放主体能在安全可信的技术中进行数据协作。数据应用主体数量将迅速增长。其对数据的应用方式，也逐渐由跨部门协同转换为以数据中台为核心的利用方式，逐步形成内部数据价值链闭环。数据应用主体之间逐渐开始出现分工、协同，如银行同业机构间联合风控联盟、供应链核心企业对上下游的能力开放赋能联盟等。

数据协作的角色将不再单一。数据开放主体逐渐分化为数据资源方、数据分析和建模方、数据开放平台等不同的角色，社会分工逐渐精细化。

数据协作的“去中介化”趋势逐渐打破了传统数据公司的“数据霸权”。通过技术实现数据的可用不可见，所有数据开放主体将建立一种“技术信任”。

各参与方的人工因素逐渐降低，在数据价值链中大部分的对接都是机器对机器实现，极大提升了协作效率，也使得协作中越来越大比例的信任，可以由技术来保障。

未来，基于隐私计算和人工智能技术，通过网络协同和数据智能，将成为开启智能时代的“数据协作”的引擎，给社会化合作带来生产力的大爆发。