隐私计算历经四十余年的发展，依次经历了“理论奠基—技术成熟—进入商用—产业洗牌”四个重要阶段，可以说已圆满完成了初始阶段的发展任务。目前，在国家“十五五”规划中，“人工智能+”核心战略与数据局统筹的可信数据空间落地政策的积极推动下，隐私计算即将迈入“政策驱动—场景落地—产业重塑”的崭新阶段。

近日，安全牛正式发布了《可信数据空间下隐私计算技术应用实践与价值研究（2025版）》研究报告，聚焦“十五五”规划中“人工智能+”核心战略和可信数据空间落地政策激活的跨主体数据流通市场机遇，重点完成了“五类可信数据空间”的定制化场景实践与价值研究。

本文将围绕隐私计算技术与产业发展历程，分享报告中隐私计算与可信数据空间逐步走向融合的发展轨迹。

隐私计算的技术根系最早可追溯至20世纪50年代现代密码学的分组密码、公钥密码理论，因其为数据加密与安全计算提供了底层数学基础，1982年姚期智院士提出的“百万富翁问题”及多方安全计算（MPC）理论，首次从逻辑上解决了“数据不共享却能协同计算”的核心矛盾，奠定了隐私计算的理论雏形，也成为业内公认的隐私计算技术的起点。2015年国际密码学会（IACR）专题学术讨论明确了隐私计算的技术边界与研究框架，则标志着隐私计算进入系统性发展阶段。

（一）技术演进历程

隐私计算的技术发展是一个不断演进的过程，其中多方安全计算（MPC）、可信执行环境（TEE）和联邦学习（FL）作为核心技术，在不同阶段展现出了不同的成熟度和应用范围。

历经四十余年理论发展与技术迭代，当前隐私计算已形成以多方安全计算（MPC）、可信执行环境（TEE）、联邦学习（FL）为三大核心技术路线的成熟技术体系。其中：

(1) 多方安全计算（MPC）通过秘密分享、混淆电路等算法实现多节点数据“分片计算、结果聚合”，在金融联合风控场景中可支持千级特征维度的实时建模；

(2) 可信执行环境（TEE）依托硬件隔离环境构建“可信执行域”，数据加密解密、模型训练均在隔离环境内完成，在跨境数据协同场景中可将数据泄露风险降至10⁻⁹以下；

(3) 联邦学习（FL）则通过参数交换替代原始数据传输，在医疗多中心科研场景中可实现千万级样本的分布式模型训练。

近十年来，随着技术迭代演进，隐私计算技术正从单点应用向跨场景适配发展，呈现出“交叉融合的复合型技术路径”趋势，并且，随着更多应用场景的拓展，复合型技术路径已成为市场主流。

早期，它们主要在各自相对独立的场景中发挥作用，随着技术的成熟和应用需求的增长，不同技术开始相互融合，以满足复杂多变的业务场景需求。如“多方安全计算（MPC）+联邦学习（FL）”可兼顾计算精度与效率，“可信执行环境（TEE）+差分隐私”能平衡数据可用性与隐私保护强度。在金融领域的联合风控场景中，可能会同时运用到多方安全计算来保护数据隐私、联邦学习来联合建模分析，以及可信执行环境来提供高效的计算环境，通过多种技术的协同工作，实现更全面、更高效的数据安全和隐私保护。

（二）产业供给侧洗牌

产业供给侧方面也在近十年完成了一轮洗牌。2015年以来，激发出追捧隐私计算赛道的资本市场和一众垂类厂商，2021年隐私计算迎来商用元年，资本市场年融资规模突破50亿元，入局厂商超200家，但受限于两大技术卡点：

(1) 一是单点应用局限。此前技术多聚焦于“数据本地化安全计算”，如银行单机柜内的客户隐私数据脱敏，缺乏跨机构、跨系统的协同计算能力，导致数据要素无法跨主体流动；

(2) 二是技术与业务脱节。早期方案多为通用型计算框架，未适配行业特殊需求——如医疗场景需处理DICOM格式影像数据与基因FASTQ数据的多模态融合，能源场景需支撑电网秒级实时调度数据的低延迟计算（时延要求<100ms），通用方案难以满足行业技术指标。

(3) 此外叠加疫情后经济环境对技术投入的约束。2022-2023年隐私计算产业侧完成了一轮洗牌，之后具备行业定制化能力的厂商市场占据主导地位。

(4) 后量子密码（PQC）迁移储备。面对量子计算对传统公钥密码体系（如RSA、ECC）的潜在威胁，隐私计算技术正逐步引入基于格（Lattice-based）等数学困难问题的后量子密码算法，构建具备“加密敏捷性”的技术架构，以保障长周期数据的安全性。

（三）国家战略导向明确

在“十五五”规划的宏伟蓝图中，“人工智能+”被确立为核心战略，这一战略引擎强劲推动着数据要素市场化的进程迅猛加速。数据，作为人工智能发展不可或缺的基石，其价值在这一战略导向下愈发凸显。

国家数据局作为数据要素治理的核心机构肩负重任，致力于完善数据基础制度的“四梁八柱”，积极统筹各方资源，全力推进数据要素市场化配置改革。从数据产权的明晰界定，到流通交易规则的精心制定，再到收益分配机制的合理构建以及协同治理体系的有效搭建。在数据局的积极推动下，各地纷纷响应，加快公共数据开放和企业数据流通的步伐，建立起数据基础设施建设、可信数据空间、高质量数据集等的协同机制，努力打破数据孤岛，让数据在安全的环境中自由流动，充分释放其潜在价值。

安全牛分析认为，近十年在国家战略导向的顶层设计方面，展现出“战略-数据-流通-安全-载体-技术”的全链条有力举措，精准响应“人工智能+”对数据要素的刚性需求。

（一）战略锚点：以“人工智能+”锚定数据要素核心价值坐标

“人工智能+”的本质是通过AI技术与千行百业的深度融合，实现从“数字化”向“智能化”的生产力跃迁，而这一跃迁的核心制约因素在于数据——AI大模型的智能涌现不仅依赖算法迭代与算力升级，更需要大规模、高质量、多模态的数据作为“燃料”。国家数据局立足这一核心认知，将数据要素定位为“人工智能+”行动的“地基性资源”，通过政策体系设计推动数据要素从“被动记录的副产品”转变为“主动驱动的核心生产资料”，直接回应“十五五”规划中“以数据赋能现代化产业体系”的战略要求。

（二）供给侧突破：以高质量数据集构建“人工智能+”的核心燃料库

AI模型“垃圾进、垃圾出”的特性，决定了“人工智能+”的落地效果直接依赖数据质量。针对当前数据领域“孤岛化、低质化、碎片化”的痛点，国家数据局联合27个部门启动高质量数据集建设工作，从公共数据供给、城市治理AI场景、行业数据培育数据质量管控四方面构建供给体系，精准对接AI大模型训练与行业应用需求。

（三）流通侧赋能：以数据要素市场化激活“人工智能+”的场景价值

高质量数据若仅局限于单一主体内部，无法支撑“人工智能+”的跨域融合需求——例如，跨医院的AI诊疗模型需要多机构数据协同，跨区域的智能电网模型需要多省市用电数据联动。国家数据局通过培育全国一体化数据市场，打破“数据孤岛”，推动数据要素在场景中高效流通。

（四）安全侧保障：以合规底线筑牢“人工智能+”的发展根基

数据要素的高效流通必须以安全为前提，尤其在AI场景中，数据泄露可能导致模型失效、隐私侵犯等风险。国家数据局构建“多层次数据安全保障体系”，在分级分类管控、全链路安全监测、跨境安全管理等方面，保障流通效率的同时守住安全底线。

（五）载体侧落地：以可信数据空间构建“人工智能+”的安全流通枢纽

数据流通安全的终极载体是可信数据空间——这一基础设施既解决了“数据可用不可见”的核心矛盾，又为AI模型的跨域协同提供技术支撑。国家数据局在《可信数据空间发展行动计划（2024—2028年）》中，将其定位为“人工智能+”的“数据枢纽”，形成“物理分散、逻辑集中”的用数模式。

（六）技术侧支撑：以隐私计算打通“人工智能+”的安全用数“最后一公里”

可信数据空间的核心技术支撑是隐私计算，其通过“数据可用不可见”的特性，彻底解决AI场景中“数据共享与隐私保护”的矛盾，成为国家顶层设计的“技术落脚点”。国家数据局通过政策引导与技术标准制定，推动隐私计算与AI场景深度融合。

国家数据局的政策设计形成了清晰的闭环：以“十五五”“人工智能+”战略为锚点，识别出“高质量数据供给不足、跨域流通不畅、安全保障薄弱”三大核心痛点；通过“三类数据集建设”解决“燃料问题”，通过“一体化数据市场”解决“流通问题”，通过“可信数据空间+隐私计算”解决“安全问题”；最终形成“战略需求牵引-数据供给支撑-流通赋能场景-安全保障发展-技术落地实现”的全链条支撑体系。

这一响应链条的形成，标志着我国数据要素治理从“基础建设阶段”迈入“战略赋能阶段”，为“十五五”期间“人工智能+”行动的落地提供了坚实制度保障。

信息来源：51CTO https://www.51cto.com/article/832052.html