创业|流动的“隐私”，风口上的生意( 二 ) 银行|ai|虎嗅|网络安全

毛赛也认为隐私计算的热度是由于真实的市场需求所带动，但他也坦言，这两年有大量的厂商涌入市场，使得行业显露出过热的趋势，但实际上隐私计算本身还是有比较高的技术壁垒，并不能简单依靠开源来实现。
也有一位不愿具名的行业人士谈到，现在的隐私计算行业多少有点像新能源汽车，大家都清楚这个市场需求巨大，所以忽然涌进很多新能源制造商，而这里边确实会有一些鱼龙混杂的机构。
做事的来了，跟风的也来了
正如我们所知道的，有热度的地方必有资本，而有资本的地方就少不了那些以融资为目的进场的玩家。
有人告诉我们说，在隐私计算行业划分的方法有很多，如果按照背景划分，大致可以分为四类。
一种是从纯理论到产品化的，也就是从高校走出来的。一种是之前从事数据买卖行业的，伴随着法律对数据的保护，原来数据买卖行业备受打击，为了使其生意合规合法，因此他们开始进入隐私计算领域。
还有一种是拥有区块链背景的，区块链跟隐私保护计算它有很强的协同性，具有先天优势。最后一种是AI安全保护的， AI企业融资陷入困境，需要新的故事和概念去融资，那么做AI的公司就做所谓的安全AI隐私保护。
对于这一点，有投资人吐槽称：“我觉得很多的项目是挂着隐私计算的这种方法，用这个名字，然后用人工去做一些工作，并不是通过技术的手段去解决这个问题。我们也谈过很多项目，它其实不是一个真正的意思，他是一个伪的。 ”
那么投资者该如何鉴别真伪？
联想集团副总裁、联想创投高级合伙人宋春雨谈到：“对于隐私计算赛道，我们重点考虑的是技术能力。因为隐私计算它是一个系统级的设计，它和密码学的加密是不一样的，加密算法就是通过计算，追求加密的极致程度，但是隐私计算要追求一个整体系统，需要考虑性能、投入以及可用性多方面，所以更适合于做系统设计的人去设计这个计算，技术能力就很重要了。第二点是商业化的能力，隐私计算如何在金融、政府、医疗等领域落地，对于行业的Knowhow是不是足够深，也是我们关注的重点。 ”
如果按照团队背景分，又可以分为科学成果转化团队、海归派，多是从国外互联网大厂回归创业以及产业背景团队。
此外，我们还发现了一个有趣的现象，其实在整个隐私计算的技术选择中，存在着这样一条鄙视链：做密码学的看不上联邦学习，联邦学习又看不上可信环境。
不过，在具体的商业化上，这种偏见似乎也在被打破。
首先，毛赛告诉我们，客户在选择上，更倾向于采用多种技术融合的引擎，这样的解决方案可以覆盖多方面的需求。
如此一来，可以推测，专攻某一条路径的厂商，可能会被广泛应用，但客户买单的几率很小。
其次，星云ClustarCTO张骏雪认为联邦学习的诞生让大家再一次聚焦到了隐私计算这一技术。原因在于相比于早就存在的多方安全计算和可信环境，联邦学习解决的问题更加实际，能够直接解决建模问题，天然拥有落地应用的优势。
虽然星云Clustar的技术栈上已经能覆盖所有这些技术，但从商业角度来说，还是比较看好联邦学习。因为联邦学习能创造一些新的增量收益，最明显的是接通两个数据孤岛，形成新的应用。
比如一个银行跟一个互联网企业来进行联邦学习，以前因为没有技术，这些数据无法流通，所以也很难想象能产生多大价值，那么有了联邦学习，这些模式就成为了可能。而多方安全计算，更多是去做存量市场的改造，比如以前的数据查询可能是不安全的不合规的，那么通过多方式计算就可以去重做它。