最近几年，你肯定听过一个词儿，叫做：数据可用不可见！什么逻辑？你看不见、得不到这个数据，却可以使用这个数据。这不就相当于传说中的：你可以得到我的心，却永远得不到我的身
这种事儿，真的存在吗？
其实在数据爆炸时代，这样的需求非常迫切。
比如，一个简单场景，公司A因为业务需求，希望公司B能够把自家的数据拿出来共享一下↓而对B公司来说，数据是非常重要的资产，万万不能轻易拿出去。所以在没有保障的前提下，这件事是谈不拢的，必须让A公司“滚犊子”
此处，身，代表数据本体（数据所有者手里的那些未脱敏、未加密的数据）；心，表示数据价值、计算结果。
数据可用而不可见，就相当于：得到了心，得不到身。
如今，随着数据要素价值凸显，数据共享和交换的需求日益旺盛，大家迫切需要「数据可用而不可见」的万全之策。
这类数据可用而不可见的技术，统称为「隐私计算」，目前主要有三大技术路线↓
路线1→ 联邦学习：
联邦学习是机器学习的一种训练策略，参与训练的每一方，都有各自的私有数据，各自根据本地数据训练模型的一部分，然后发送到中心服务器。中心服务器会整合这些局部模型，生成完整的全局模型。
安全多方计算是密码学中的一种方法，允许多个参与方合作计算一个函数，并且这个过程中每个参与方的输入数据保持私密。这个玩法依赖复杂的SMPC协议，并涉及到大量的密码学技术比如同态加密、混淆电路等等。
路线3→ 可信环境计算：
大家互不信任怎么办？造一个绝对安全的空间，也就是TEE（Trusted Execution Environment，可信执行环境）。把各自的数据和算法都放到这个空间里，计算完成后，再返回结果就可以了。
TEE方案依赖于专门的硬件，性能较高，适用的场景也比较广泛。
它像一个强力的保险箱，数据在这个安全的环境里，进行全密态处理，做到“可用而不可见”。不同的技术适用的场景不一样，未来的发展趋势也不一样，比如最近AIGC的热潮直接带来的联邦学习的快速发展。至于现阶段的应用场景，如果综合比较三种路线，反而传统的TEE是相对成熟，也是相对最实用的。