憑借大數據、大算力的"大力出奇跡"， AI大模型帶來的"智能涌現"，讓人類又一次站在了技術革命的轉折點。與之伴生的用戶隱私泄漏、數據濫用等問題被敲響了警鐘。作為平衡數據使用與隱私安全的關鍵技術，隱私計算面臨新的機遇和挑戰。

在2023世界人工智能大會（WAIC）"數據要素與隱私計算高峰論壇"上，復旦大學教授、上海市數據科學重點實驗室主任肖仰華與中國信通院云大所大數據與區塊鏈部副主任閆樹展開高端對話，深入研討了大模型時代隱私計算研究發展。

(資料圖)

（圖："數據要素與隱私計算高峰論壇"對話大模型時代的隱私計算）

兩位專家共同認為，總體上大模型是先進生產力，不能因為隱私等的顧慮放棄對大模型的應用。某種程度上，大模型是一種不確定市場，要正面正視隱私等問題，積極應用大模型。

但大模型的破壞性已經顯化，要兼顧安全，不能盲目發展。要建立大模型安全底線和合規規范，從數據源頭把關，加快大模型語料合規性認證等。非常重要的一點是，要用大模型"對抗"大模型，如利用大模型對生成內容的評估，用大模型自身的能力來保護我們的隱私。要用隱私計算的隨機性、匿名化等方法，優化大模型數據分層，同時提升隱私計算本身的性能。

"隱私安全是老問題，但是在大模型時代變得特別突出"

"對于AI的發展來說，今年可能是比較特殊的一年。各類大模型‘智能涌現’，再一次詮釋了數據的重要價值。然而 AI 大模型是把雙刃劍，帶來了突出的隱私和安全問題，隱私計算作為保護數據安全的技術可以做什么？"閆樹強調了加速隱私計算研究的必要性。

肖仰華認為，大模型對隱私保護問題帶來了前所未有的挑戰，主要表現在侵權識別和保護兩個層面，比如隱私泄露、版權侵犯。首先，大模型是一個大規模參數化的模型，訓練數據來源多樣，隱私保護非常困難。其次，生成式大模型往往是一種概率化的生產，是一種海量拼接式的生產，大模型是否侵犯隱私的識別本身很困難。所以傳統意義上的隱私侵犯認定，在大模型時代往往會失效。另外，從保護角度來說更困難。大模型是基于深度神經網絡的架構，本質上是黑盒模式。它的不同的參數到底習得了什么樣的知識或能力我們無從得知。"問題是老問題，但是在大模型時代這些問題變得特別突出"。

解決使用大模型時的隱私安全問題，隱私計算技術已有探索

不止訓練大模型帶來隱私安全問題，大模型使用的安全問題也是當前的重點。隱私計算如何保證大模型使用的隱私安全？當前業界已經有了一些探索。

閆樹介紹，現在隱私計算各種各樣的路線，包括可信執行環境TEE、多方安全計算MPC等都有與大模型結合的探索，比如在云端部署TEE，用戶在推理時將輸入數據加密傳輸至云端，在其內部解密然后進行推理；還有在模型推理階段使用多方安全計算來提升隱私保護能力，但不可避免地會對模型訓練和推理的性能造成影響。

肖仰華認為，一是要建立系統性防范體系。從用戶角度講，要建立大模型隱私安全意識，充分意識到使用過中數據有可能被服務方收集；從提供服務的廠商來看，要提升服務的規范性，在用戶完全授權的情況下收集用戶相關的使用數據，不能超出用戶授權范疇。二是從技術本身做創新，比如通過設置網絡中間層，在中間層來自很多用戶的查詢或者使用可以混淆打亂，這時平臺方就無法知道哪個用戶在查哪個數據。所以傳統的隨機化匿名化，在大模型時代仍然還是有一定的適用性。

大模型時代隱私計算研究的機遇與挑戰

大模型一定程度上也會改變隱私計算技術的發展和研究，那么該如何更好地適用與大模型？

閆樹認為，首先可以重點關注隱私計算的可用性研究。就是目前來講，隱私計算用于大部分訓練時，性能是主要問題。另外合規性的探討也是需要各界攜手來，加強技術和法律領域的聯合研究，共同探討隱私計算技術的應用場景和效果，明確隱私計算技術的合規性。

肖仰華認為，大模型時代隱私計算迎來全新機遇。傳統的隱私計算如差分隱私、聯邦學習多是算法層開展工作。但算法工作前提是保護對象是明確的，協作機制清晰。但大模型時代是海量參數化的模型，不透明、無邊界、不可解釋，對于以前的基于可解釋、清晰、可控的技術路線的隱私計算方法提供了全新挑戰。包括上升到技術架構層面，大模型的隱私保護，要分層分級保護數據，大模型做基本的智能能力，要保護的數據還是在傳統的加密數據庫，二者如何協同，這個是從架構層面要研究的。

行業已有很多動作助力隱私計算未來更復雜更高要求的應用。在本次論壇上螞蟻就開源了自研隱語技術棧中的隱語框架1.0版，和國產金融安全級TEE方案"HyperEnclave"，將為行業提供易用通用的技術方案。

（圖：2023WAIC，業內首個金融安全級國產TEE方案 HyperEnclave正式開源）

由螞蟻牽頭的行業首個"可信執行環境安全"國際標準IEEE2952-2023在論壇上正式發布，制定了基于TEE技術的安全計算系統的技術框架，為將為業界提供有效指導。

關鍵詞：