（3）公链目前普遍存在隐私性和扩展性问题，隐私计算可以作为二层网络（Layer-2）解决方案，为公链提供隐私和提高扩展性，而且隐私计算可以在不泄露隐私敏感数据的情况下，对数据进行计算分析，促使企业之间联合分析数据，共同构建 AI 模型，提高效率（类似医院诊断模型，提高诊断效率和准确性。金融机构间共同训练风控模型，减小损失）。

图 5-2 推动隐私计算三要素

如图 5-2 显示，美国科研机构高德纳（Gartner）调研发现目前的大数据和隐私计算正处于爆发初期 (高德纳的 hype cycle 主要分为 5 个阶段)，且跨机构、跨行业的数据融合、联合分析和建模的需求日趋增加，但是目前对于 B 端企业之间，由于各方都拥有数据却由于数据隐私问题，无法在安全前提下共享数据，对于 C 端用户，个人数据被大厂垄断，用户个体无法很好的履行自己产生的数据的使用权和所有权，促使自身数据安全变现。

目前欧盟已经通过 GDRP （通用数据保护条例）针对个人隐私数据的使用提出一系列规范，包括美国的 CCPA （加利福尼亚州消费者隐私保护法案）以及国内网络安全法等，对隐私数据的规范越来越严格，买卖个人数据的行为相对减少，目前的驱动力主要在于监管的加强导致数据交易需要进一步规范，隐私计算能在此派上用场，对于个人能做到将数据使用权和数据所有权分析，做到隐私数据租赁安全变现，对于企业可以促使机构之间联合查询，联合训练 AI 模型，提高社会生产力。

目前的市场渗透率低，许多人还未认识到个人数据的价值以及隐私保护的重要性，目前随着相关法规的规范和个人对敏感数据认知逐步完善，潜在市场机会将逐步增大。

目前的公链由于扩展性问题（链上无法进行大量复杂计算）和隐私性问题（由于各个节点需要验证，数据公开，缺乏隐私），隐私计算未来有望成为二层网络把复杂计算转移到链下进行，链上做计算结果验证等，从而解决链上扩展性和隐私性的问题。

隐私计算

目前隐私计算领域主要有类似 ARPA 的基于密码学的 MPC （Multi Party Computation）安全多方计算方案和类似 Enigma 和 Oasis 的基于硬件安全的 TEE （Trusted Execution Environment），以及同态加密（Homomorphic Encryption）和零知识证明（Zero Knowledge Proof）：

安全多方计算 MPC

由于创造价值的往往是对数据进行加工分析等运算的结果而非数据本身，因此对数据需求方来说，本身不触碰数据、但可以完成对数据的加工分析操作，也是可以接受的。