其他
周小川谈新算法：数据不动模型动，隐私计算助力数据跨境贸易
2021年9月16日，中国正式提出申请加入《全面与进步跨太平洋伙伴关系协定》（CPTPP）。在这一背景下，周小川提出，当前的规则和国际协作中，一大难点就在于数据跨境流动和自由交易面临安全、隐私和定价等方面的阻碍。
首先是国家对安全的考虑，数据挖掘的结果是否会危及安全难以预测。其次是隐私，各国现行隐私保护的法规和标准不同，数据贸易难以顺利通行。再则是定价，一组数据在挖掘前或许毫无价值，因此定价低廉，但随之从中挖出的“大金矿”或使其价值百倍，数据挖掘的未知性一定程度上造成定价的困难。
如何应对这些挑战？周小川认为，基于许多国家对数据跨境流动的顾虑，可以考虑不对数据本身进行买卖，而是对数据应用的任务进行贸易。而多项技术的发展为这一设想的实现提供了充分的可能性。
周小川指出，各国在大规模的云存储、云计算技术的发展上并不平衡，但基本可以预见数据分散存储在未来的通行。“数据分散存储就是不用把人家的数据搬走，只要你有合适的理由并得到允许，支付应付的价钱，就可以进行数据挖掘。”
此外，仅对数据应用的任务进行贸易也能够降低隐私顾虑。周小川谈到安全“隐私计算”的概念，即是在保护数据本身不对外泄露的前提下实现数据分析计算的技术集合，达到数据可用但不可见。“最初始的做法是数据脱敏，然后就是多方安全计算。多方安全计算使用了密码和数据分布存储技术，你把任务拿来，不影响安全，我就给你做，做完你把结果拿走。但是数据没有拿走，你不知道具体敏感的部分。”在充分保护数据和隐私安全的前提下，实现数据价值的转化和释放。
同时，周小川提到目前科技界普遍重视的一种新技术——“联邦学习”算法。“联邦学习”算法的特征就是数据不动模型动：“如果哪个国家需要另外一个国家的数据，可以把模型委托给联邦学习，让数据保有国的云计算能力进行处理，直接给出最终结果。”
“从治理的角度，不管未来的规则定成什么样，都需要有共识。”周小川最后补充道，数据跨境贸易并不简单，但通过大家的努力形成共识，情况能够变得乐观。
来源：南方都市报
END
隐私计算头条周刊
爆火又神秘的“隐私计算”到底是什么？
阿里巴巴开源基于GNN的联邦学习FederatedScope框架
欢迎投稿邮箱：ppc@openmpc.com更多讨论，请扫描下方二维码，加入交流群一起学习成长。开放隐私计算
OpenMPC