如果说“区块链”技术建立了数据时代的信任机制 ， 那么“隐私计算”则在数据共享洪流中为数据所有者建立了安全的隐私保护防线 。
“隐私计算” ， 即面向隐私信息全生命周期保护的计算理论和方法 ， 是隐私信息的所有权、管理权和使用权分离时隐私度量、隐私泄漏代价、隐私保护与隐私分析复杂性的可计算模型与公理化系统 。 简单来说 ， 隐私计算即是从数据的产生、收集、保存、分析、利用、销毁等环节中对隐私进行保护的技术方法 。
同区块链技术一样 ， 隐私计算并不特指某一门技术 ， 而是一种融合了密码学、数据科学、经济学、人工智能、计算机硬件、软件工程等多学科的综合技术应用 。 隐私计算包括一系列信息技术 ， 如业界较早提出的安全多方计算（MPC）技术、以硬件技术隔离保护为主要特点的可信执行环境（TEE）技术、基于密码学和分布式计算实现多方协作机器学习的联邦学习（FL）技术 ， 以及如同态加密、零知识证明、差分隐私等辅助性技术 ， 都属于隐私计算范畴 。
安全多方计算（MPC） ， 是一种在参与方不共享各自数据且没有可信第三方的情况下安全地计算约定函数的技术和系统 。 通过安全的算法和协议 ， 参与方将明文形式的数据加密后或转化后再提供给其他方 ， 任一参与方都无法接触到其他方的明文形式的数据 ， 从而保证各方数据的安全 。
可信执行环境（TEE） ， 是指CPU的一个安全区域 ， 它和操作系统独立开来 ， 且不受操作系统的影响 。 在这个安全区域里保存和计算的数据不受操作系统的影响 ， 是保密且不可篡改的 。
联邦学习（FL） ， 是指在多方在不共享本地数据的前提下 ， 进行多方协同训练的机器学习方式 。 联邦学习技术支持数据不出域 ， 而是让算法模型进行移动 ， 通过数据训练进而优化算法模型 。
隐私计算技术的目的在于让数据在流通过程中实现“可用不可见” ， 即只输出数据结果而不输出数据本身 。 这一方面保证了数据所有者的数据所有权不受侵犯 ， 满足数据流通的合规性；另一方面在隐私保护技术加持下 ， 各方主体拥有的信息数据能够高效流通使用 ， 不断扩大数据价值 ， 赋能各个行业领域数据应用 。

举例如在医疗数据领域 ， 各类医疗数据的隐私性要求较高、数据量较大 ， 通常只保存在本地机构的信息系统中 ， 很难实现高效的医疗数据流通、共享与使用 ， 无法为医疗领域的各类病理研究、医疗诊断与技术创新形成数据支持 ， 不利于创新医疗技术研发与应用 。
但如果能通过隐私计算技术支持 ， 在保证数据“可用不可见”的前提下 ， 实现不同区域、不同医疗机构医疗数据的高效流通使用 ， 持续优化医疗行业的各类算法模型 ， 将为实现医疗行业的精准医疗、远程医疗、智能医疗等医疗技术服务创新形成强力数据支持 。
【青海|“区块链+隐私计算”，建立数据时代信任机制与隐私保护—工保科技】数字化发展浪潮之下 ， “数据”作为一种全新的重要市场资源与生产要素 ， 其快速发展与管理应用日益受到国家的重视 ， 并不断赋能各个行业领域发展 。 同时 ， 数据领域存在的隐私安全问题也令数据管理应用陷入发展困境 。 可以预见 ， 区块链技术和隐私计算技术的结合 ， 将是数据管理领域一次重要的尝试探索 ， 对数据领域发展产生重要影响 。