隐私计算距离大规模商业化落地还有多远？| CNCC2021

数据是推动各行业降本增效的核心生产要素。随着公众对数据隐私保护的意识不断提高，以及法律法规、市场监管针对隐私保护的力度逐步加大，数据流通与应用中的隐私性、安全性备受关注，而隐私计算作为保护数据隐私安全的关键技术，当前正迎来爆发态势，可触达千亿级的市场规模。近年来，隐私计算技术在金融、医疗、政务等多个场景开始落地，正逐渐形成跨机构、跨企业、跨行业的交叉应用。然而，隐私计算技术虽然具有广阔的商业潜力，但考虑当前的市场认知不充分、数据流通的意愿不足、技术瓶颈多等问题，大规模商业化落地仍然受限。因此，本次论坛将共同探讨和思辨这一问题，旨在挖掘其在大规模商业化落地中掣肘的根本原因，寻找行之有效的解决方法，给出隐私计算距离大规模商业化落地还有多远的最终结论。

吴焦苏

中国科学院人工智能联盟标准组成员，燕托数学与智能科学研究院首席科学家

吴焦苏，中国科学院人工智能联盟标准组成员，燕托计算机有限公司首席科学家，科技部新一代人工智能重大项目“非完全信息条件下的博弈决策”项目办主任，Smale 数学与计算研究院研究员。在数学家John von Neumann, Chi-Siang Chen 和 Robert Aumann思想的指引下，基于博弈的 Hodge 分解理论，历时 19 年提出了策略相关性原理 (SCP) 和 Graceful AI 理论。研究方向为空间时间博弈动力学、公理博弈论、公理学习论、球面上的调和分析、核方法及其在可信深度学习、逆向深度强化学习、联邦学习、迁移学习、隐私计算、因果推理、三维重建、机器视觉、多机器人动力学、鲁棒智能系统设计等领域的应用。他的研究受到科技部、国家自科基金委、中国科学院学部、国家网信办、工信部电子科技委、上海市科委等单位资助。他的论文被谷歌、斯坦福大学、康奈尔大学、斯德哥尔摩大学等世界著名研究机构和大学的科学家引用。他是许多顶级学术会议的受邀/主旨演讲人和程序委员会成员、组织者或共同组织者。他是中国计算机学会会员、中国工业与应用数学学会会员、中国人工智能学会机器博弈专业委员会委员、中国运筹学会博弈论专业委员会理事。

报告题目：隐私计算 ——走向 Graceful AI 的美丽新世界

摘要：从二十多年前的一句名言“在互联网上，没人知道你是一条狗”，到现在人们的隐私被频频泄露，蓬勃发展的人工智能技术，尤其是搜索引擎、推荐系统、人脸识别等技术，在给全世界带来了信息的巨大的便利的同时，也给全世界带来了巨大的困扰。隐私保护问题已经成为全球共同面临的重大问题和信息时代的亟待解决的特有问题，是信息时代区别于工业时代的基本特征。本报告将基于冯诺依曼的人工智能理论，统一处理希尔伯特-施密特算子、最大均值差异(MMD)、生成对抗网络(GAN)、球面上的调和分析(Spherical Harmonics)、地球卫星遥感数据、密码学、联邦学习、迁移学习、深度强化学习等相关的隐私计算技术，在诚实但好奇(honest-but-curious)的对手模型中，通过零知识证明(zero-knowledge proof)等技 术，解决大规模分布式人工智能算法所带来的隐私保护问题，带领人们走向 Graceful AI的美丽新世界。

齐越

OPPO研究院资深机器学习研究员、数据智能研究部部长、机器学习技术总监

齐越，OPPO研究院资深机器学习研究员，数据智能研究部部长，机器学习技术总监。本科毕业于中国科学技术大学少年班学院，博士毕业于美国密苏里大学。曾担任美国SAS公司总部的高级科学家，后回国加入平安陆金所担任人工智能团队负责人。现在OPPO致力于数据智能的算法研究工作，其中涵盖面向用户隐私保护的核心算法研发。

报告题目：隐私计算在保护用户敏感数据上的实践与挑战

摘要：近些年，移动互联网的飞速发展极大地改变了人们日常生活方式和行为习惯，在越来越多的场景下（如社交、购物、信贷、缴费等），越来越多的人们开始通过手机端作为媒介来与外界进行信息交互。伴随而来的是商品及服务提供方获客渠道的颠覆，即从传统的线下推广和全量线上广告，到基于特定需求个体或群体的线上推广，从而用更小的成本获得更高的转化率。因此，有效的挖掘有特定需求的个体或群体变的至关重要。通常，互联网厂商会基于用户移动端上传到云端的个性化数据（如一段时间内对某类特定商品的浏览次数），来建立个人用户画像，基于用户画像来训练机器学习模型，从而预测用户未来的特定需求。同时，随着欧盟GDPR的发布以及国内用户隐私数据保护意识的增强，未经用户授权而直接从移动端上获取用户个人数据（如行为，状态等）从而建立个体用户画像的方式已经越来越行不通。因此，如何在现有情况下有效的保护用户隐私数据不受侵犯成为了近期业界关注的重点。国内外一线科技公司，也都逐年加大力度投入到隐私计算领域，并取得了阶段性的成果，为隐私计算在工业落地提供了一条可参考的途径。本次分享将围绕业界的研究热点联邦学习、差分隐私展开介绍，重点描述了这两种关键技术在工业落地过程中的实践与挑战。

张迎春

数牍科技副总裁，数字化转型领域资深专家

张迎春，数牍科技副总裁，数字化转型领域资深专家。他在政务、金融等行业领域深耕15 年以上，曾主导多个大型集团企业的数据业务搭建、整合、转型项目，曾历任 Oracle、IBM、TalkingData 等企业高级管理岗位。他专注于隐私计算技术在国内商业化落地探索实践，参与了多个数据要素共享、开放、交易平台的规划和建设项目，在数据公正、数据定价、数据协同生态构建等领域具有丰富的实践经验。

报告题目：创造数据使用新范式——数牍隐私计算平台与商业实践

摘要：随着大数据、人工智能、云计算等数字技术的蓬勃发展，新的业态不断增长，而数据隐私保护与数据安全协作之间也亟待平衡。数牍科技自主研发出的隐私计算技术平台，作为数据流通的底层基础设施，能够打破数据孤岛，促进数据资源开放利用。数牍科技隐私计算平台融合了多方安全计算、联邦学习、可信执行环境、同态加密、差分隐私等前沿技术，致力于与合作伙伴共同打造安全合规、健康可持续的数据协作生态，深入推动互联网、金融等行业传统数据业务转型。目前，数牍科技已在政务、金融、互联网、汽车等行业领域进行广泛应用实践，助力政府间、政企间和企业间进行安全高效的数据协作。