隱私計算讓人工智能更智能

當前，人工智能的火爆程度有目共睹。而人工智能從1956年概念確立至今，已走過了60余年時間。為什么過去幾十年人工智能都沒有火起來，直到近幾年才開始真正爆發？

最重要的兩個影響因素是：算法和數據。

人工智能，顧名思義，即由人工制造出來的系統所產生的智能，讓機器可以像人一樣思考學習和解決問題。

在第三次人工智能浪潮之前，傳統人工智能因受計算力和數據量的限制，并沒有表現出明顯的“智能”特征，也未能滿足實際應用需求。直到2006年，Hinton教授提出“深度學習”神經網絡使得人工智能性能獲得突破性進展，加上互聯網及后續移動互聯網、物聯網發展帶來的海量數據，讓人工智能開始真正邁向“智能”和落地應用。

AlphaGo擊敗人類棋手，自動駕駛汽車上路試行，智能家居進入尋常家庭……

而當我們為人工智能的曙光到來歡呼時，也應意識到：人工智能的發展也再次遇到了老的問題和新的瓶頸。

數據的積累越來越多，數據的增長速度越來越快，卻出現了越來越多的人工智能企業無數據可用，越來越多的優秀算法無數據可訓練的奇怪現象。一方面因為：隨著數據價值的凸顯和數據泄露事件的頻發，從個人到政府對數據主權和數據隱私保護意識日漸增強，企業不能再像之前一樣肆無忌憚地采集和利用用戶數據。

另一方面：各企業也日益將數據視為各自的核心資產，在數據主權和隱私不能被有效保護的前提下，無論是從維護自身利益角度還是從遵守法律法規角度，都不愿將自身數據進行共享利用。

人工智能的進步需要數據的支撐，數據主權和隱私保護問題如不能有效解決，人工智能無數據可用的現象會更加嚴重，人工智能也難以長足發展。

恰恰以MPC（安全多方計算）為代表的隱私計算，給我們解決這一問題帶來了新的路徑。MPC是1982年姚期智院士提出的一個概念，也是PlatON一直重點研發投入和工程化實踐的方向。MPC的最大價值在于：可以在保護數據隱私的前提下，實現數據充分挖掘和共享利用。

在MPC整個計算協議執行過程中，各參與方對自身數據始終擁有控制權，只有計算邏輯公開。計算參與方只需參與計算協議，無需依賴第三方就能完成數據計算，并且各參與方拿到計算結果后也無法推斷出原始數據。

以前文提到的“深度學習”神經網絡為例：

“深度學習”神經網絡算法需要來自各方的海量數據進行訓練，包括結構化的文字與數據，非結構化的文件、圖片、視頻、音頻等，這些數據里可能含有大量敏感隱私信息。在當前無隱私保護的前提下，很難從不同企業、個人采集到所需數據，同時直接利用這些敏感隱私數據也面臨法律的風險。

而基于PlatON的MPC技術，人工智能公司可以在不歸集各方數據、不泄露各方隱私的前提下，通過協同計算進行算法訓練。在保障數據利用合規性的同時，讓企業、個人更樂意共享數據，讓人工智能更加智能！

同時，基于PlatON分布式隱私計算網絡，可組建人工智能垂直商業聯盟，讓數據提供方、數據使用方、算法提供方、算力提供方都可以在不泄露各自核心數據、算法的情況下，通過評估和獎勵機制聯合進行模型迭代和算法優化，并獲得更多收益。

人工智能浪潮又起，隱私計算方興未艾，兩者結合帶來的驚喜，值得我們期待。

-------- END --------