，在数据安全与隐私计算论坛上，瑞莱智慧RealAI首席架构师徐世真表示，从技术角度看，隐私计算是AI能力的重要补充AI高度依赖数据基础，规模化且多样化的高质量数据，能够训练出效果更好的模型，隐私计算通过解决数据的链接问题，为算法的持续进化提供数据补充

相应的，这也倒逼企业在落地AI应用的过程加大对数据的拓展但伴随着越来越多的数据被收集和利用，数据风险和隐私保护也成为AI系统在开发和应用过程中面临的一项挑战日前，国家新一代人工智能治理专业委员会发布《新一代人工智能伦理规范》，其中数据与隐私安全内容贯穿了人工智能管理，研发，供应等特定活动的具体伦理要求

产品层面来看，复制性低和通用性差是当前隐私计算产品化面临的一大局限徐世真提供了两方面的解决思路，一是尽量从规范成熟，少定制化的需求场景切入，二是将隐私计算嵌入现有的成熟产品，比如隐私保护数据库，隐私保护大数据分析引擎后者思路下，在与AI技术能力的结合中，隐私计算可看成AI中台2.0，即在原有机器学习平台中添加隐私计算功能模块

这也是用户理想的隐私计算产品形式，对外依旧输出AI建模能力，用户操作层面几乎无感，在使用原有机器学习建模技术的同时，底层已经通过密码学，MPC技术实现了隐私保护功能徐世真表示

某种程度上，AI也可看成隐私计算的上层应用徐世真介绍道，隐私计算目前不存在场景通用解决方案，单一技术路线无法适配所有场景实际应用中，隐私计算无法与上层应用解耦，不同技术路线之间也无法解耦，多数情况下，用户需要的仍是AI相关功能，AI也因此成为牵引隐私计算的一项核心需求

在徐世真看来，现阶段隐私计算的商业化落地仍面临四大挑战第一，生态壁垒目前各厂商隐私计算技术互不相通，也无法互相连接，解决数据孤岛问题的过程中反而带来技术孤岛的问题，这意味着需要上层进行大量集成第二，计算性能密码学操作的引入，分布式通信问题，以及同态加密导致计算性能慢，难以支撑大规模数据训练第三，安全性从知识产权保护的角度，各家厂商不会公开底层协议，导致协议不透明的问题，难以审计第四，可用性目前的隐私计算技术服务商不具备数据生态，数据链接的能力，无法提供开箱即用的数据和解决方案，用户的应用成本和难度增加

徐世真表示，结合AI发展历程，隐私计算的未来发展可借鉴两大经验首先技术路径方面，基于底层数据流图的编译器路线将推动技术的兼容互通，性能优化当前可通过优化底层密码库来实现，未来仍需借助新硬件，提升安全性需要抵御密码协议层和应用层的恶意攻击

其次在产业路径方面，隐私计算需要逐场景落地，根据不同的场景需求采用合适的技术路线，比如多方安全计算效率高，安全可证明，但通信量大，仅支持简单计算逻辑，联邦学习支持复杂机器学习，但主要面向建模场景，TEE路线具备较好的性能和算法生态，但依赖硬件厂商硬件可信性和用户接受数据集中式处理。

第三条路径是“数据不流出，协同计算”，这意味着该技术是一个联邦学习平台。总的来说，联邦学习可以在没有数据流出局部区域的情况下，联合多个参与者训练模型，对于打破“数据孤岛”具有重要意义。