隐私计算让人工智能更智能
当前，人工智能的火爆程度有目共睹。而人工智能从1956年概念确立至今，已走过了60余年时间。为什么过去几十年人工智能都没有火起来，直到近几年才开始真正爆发？
最重要的两个影响因素是：算法和数据。
人工智能，顾名思义，即由人工制造出来的系统所产生的智能，让机器可以像人一样思考学习和解决问题。
在第三次人工智能浪潮之前，传统人工智能因受计算力和数据量的限制，并没有表现出明显的“智能”特征，也未能满足实际应用需求。直到2006年，Hinton教授提出“深度学习”神经网络使得人工智能性能获得突破性进展，加上互联网及后续移动互联网、物联网发展带来的海量数据，让人工智能开始真正迈向“智能”和落地应用。
AlphaGo击败人类棋手，自动驾驶汽车上路试行，智能家居进入寻常家庭……
而当我们为人工智能的曙光到来欢呼时，也应意识到：人工智能的发展也再次遇到了老的问题和新的瓶颈。
数据的积累越来越多，数据的增长速度越来越快，却出现了越来越多的人工智能企业无数据可用，越来越多的优秀算法无数据可训练的奇怪现象。一方面因为：随着数据价值的凸显和数据泄露事件的频发，从个人到政府对数据主权和数据隐私保护意识日渐增强，企业不能再像之前一样肆无忌惮地采集和利用用户数据。
另一方面：各企业也日益将数据视为各自的核心资产，在数据主权和隐私不能被有效保护的前提下，无论是从维护自身利益角度还是从遵守法律法规角度，都不愿将自身数据进行共享利用。
人工智能的进步需要数据的支撑，数据主权和隐私保护问题如不能有效解决，人工智能无数据可用的现象会更加严重，人工智能也难以长足发展。
恰恰以MPC（安全多方计算）为代表的隐私计算，给我们解决这一问题带来了新的路径。MPC是1982年姚期智院士提出的一个概念，也是PlatON一直重点研发投入和工程化实践的方向。MPC的最大价值在于：可以在保护数据隐私的前提下，实现数据充分挖掘和共享利用。
在MPC整个计算协议执行过程中，各参与方对自身数据始终拥有控制权，只有计算逻辑公开。计算参与方只需参与计算协议，无需依赖第三方就能完成数据计算，并且各参与方拿到计算结果后也无法推断出原始数据。
以前文提到的“深度学习”神经网络为例：
“深度学习”神经网络算法需要来自各方的海量数据进行训练，包括结构化的文字与数据，非结构化的文件、图片、视频、音频等，这些数据里可能含有大量敏感隐私信息。在当前无隐私保护的前提下，很难从不同企业、个人采集到所需数据，同时直接利用这些敏感隐私数据也面临法律的风险。
而基于PlatON的MPC技术，人工智能公司可以在不归集各方数据、不泄露各方隐私的前提下，通过协同计算进行算法训练。在保障数据利用合规性的同时，让企业、个人更乐意共享数据，让人工智能更加智能！
同时，基于PlatON分布式隐私计算网络，可组建人工智能垂直商业联盟，让数据提供方、数据使用方、算法提供方、算力提供方都可以在不泄露各自核心数据、算法的情况下，通过评估和奖励机制联合进行模型迭代和算法优化，并获得更多收益。
人工智能浪潮又起，隐私计算方兴未艾，两者结合带来的惊喜，值得我们期待。
-------- END --------
