在金融业数字化趋势下，数据在金融业的经营决策和风险控制中发挥着至关重要的作用。与此同时，数据隐私受到前所未有的重视，金融部门对数据的管控更加严格，因此更需要通过技术手段解决数据孤岛问题。

为了克服数据不易流通和共享的壁垒，打破数据价值释放的壁垒，私有计算成为关键技术解决方案，有助于实现“数据可得而不可见，数据不动而价值动”。星云Clustar CEO陈墨在接受《21世纪经济报道》采访时表示，“联邦学习作为一种创新的人工智能技术，可以帮助金融机构实现多方数据融合，同时还可以保护数据隐私和安全。”

打破数据孤岛，确保数据安全，隐私计算是解决方案。

目前，私有计算技术主要包括三种技术范式，即联邦学习、多方安全计算和可信执行环境。其中，联邦学习被理解为两个或两个以上参与者共同参与的人工智能技术，在保证原始数据不出局部区域的前提下，协同构建和使用深度学习的模型。

原则上，通过构建计算网络，客户可以在自己的终端使用本地数据对模型进行训练，上传并汇总模型的更新内容，融合不同侧重点的模型更新，实现预测模型的优化。陈墨总结道，“联合学习意味着数据不会移动，模型也不会移动。当数据没有从局部区域出来时，实现联合建模和推理。联邦学习在金融场景中的实际表现，如反洗钱、信用风险控制和营销等。”

反洗钱应用。陈墨认为，传统的反洗钱做法是利用规则和模型，利用银行自身的数据来判断交易是否是洗钱。由于数据维度和样本的不足，传统方法得到的策略和模型的优化空间有限。

他进一步指出，通过使用联邦学习技术，可以在银行之间以及银行与其他机构之间开展基于数据的反洗钱合作。通过交换加密参数，联合计算建模，机构可以解决反洗钱样本少、数据质量低的问题，形成具有丰富特征的稳健智能模型。通过调用共同建立的模型，银行可以在不收集各方数据的情况下大大提高反洗钱能力。

信用风险控制的应用。陈墨表示，“为了提高信用风险控制和反欺诈的决策能力，我们搭建了一个名为安全数据网络的平台，收集各方的数据资源。我们在满足法律和监管合规的前提下，利用多方数据对信贷人群画像进行区分和细化，以满足银行或其他金融机构在信贷风险控制、反欺诈等业务场景中的建模需求，同时推动其他信贷策略的科学部署，如风险定价、额度管理、贷后管理和预警管理等。”

金融展。在保护用户隐私和数据安全的前提下，基于金融机构样本数据，可以引入“一方三方”通过联邦学习进行多方数据联合建模，丰富用户特征维度，如行业标签、兴趣偏好、行为习惯等。并构建360度用户画像。从而实现对目标用户的精准定位，实现金融展示的目的。

陈墨认为，隐私计算可以解决金融行业跨机构数据互联互通的安全问题，降低隐私泄露风险，帮助从事数字化转型和智能化应用的银行、保险公司和互联网金融机构实现跨机构、跨部门的数据安全集成、联合风险控制建模和联合营销筛选等。而不泄露各方原始数据，从而提高金融情报的准确性和完整性。

隐私计算实力的关键在于技术优势和生态能力。

目前，随着市场对隐私计算相关技术和厂商的需求不断增加，各种隐私计算算法和系统应运而生，市场空间和格局初步显现。有哪些指标可以用来判断一家从事隐私计算相关业务的公司的实力？对此，陈墨告诉21世纪经济报道记者，“一方面，它需要有技术优势，这主要体现在行业认可度上；另一方面是生态能力，主要指开放合作的心态和服务效果。”

他进一步解释说，行业认可度是从两个维度来衡量的：监管测试和基准客户。如中国信息通信研究院联邦学习型产品能力评估、国家金融技术评估中心联邦学习型金融应用评估等。同时，客户自然会选择一批技术工程做得好的公司，对标客户也是公司实力的体现。在一定程度上，最早进入这个行业的公司拥有先发优势。由于其技术特点，可能是未来标准化组织要推的东西。

在陈墨看来，“从技术上来说，没有人比你更强大，也就是说，我比你快，我比你早六个月给用户，所以你也比你晚六个月。”。因为我们要做一些新的东西让用户早点去尝试，如果发现好的东西就放在标准化。朋友会上学，会多两三个，有能力引领带动行业。"

生态方面。陈墨说：“生态动力是开放合作的心态和服务能力。所有的业务本质上都是人对人的业务，当他们之间有了信任感和认同感，公司之间的合作就形成了。因此，有必要强调生态能力。”

值得一提的是，私有计算技术的发展并非一蹴而就，一劳永逸。陈墨告诉21世纪经济报道，计算能力是需要克服的困难之一。假设一个明文数据是一位。为了防止这些数据泄露，同时能够计算内容，隐私计算需要将其转换为1000位。但是从信息的角度来看，没有添加信息，但是负荷很重，以前一秒钟就能完成，现在需要1000秒。

“问题来了，值得做吗？”陈墨进一步指出，“因为需要隐私，所以付出了巨大的计算成本。如果不加速计算能力，就无法满足场景的实际需求。这需要更好、更新的解决方案。在这方面，星云Clustar借助自主研发的高性能算力加速硬件和网络通信技术，在一定程度上解决了这一问题。通过软硬件结合，隐私计算的效率较之前提升了100倍，满足了近两年行业对计算能力的需求。”

陈墨说，展望未来，隐私计算可能成为面向未来的底层技术之一。所有传出的数据都是私有的，没有人可以看到，但制造商仍然可以提供服务。我们希望数据安全集成变得可行、适当和最大化。

化挖掘数据价值；希望打破数据孤岛，拓展数据智能应用的边界，为更多场景赋能。