垂直细分领域的发展

除了公链自身的不断发展和完善，在细分领域上，隐私计算也具有一席之地。2018 年先后涌现出了一批专注隐私计算的项目：arpa、oasis labs、PlatON、phala network 等。他们采用密码学或借助可信硬件为区块链提供隐私保护。这些项目的用例不再局限在链上数据的隐私保护上，他们的出现填补了数据在计算环节隐私问题的空白，为现实世界创造了更多可用用例的可能。目前隐私计算的商业价值在全球数据市场凸显，在数据市场上有诸多垂直细分领域，例如数据交易，AI，大数据，云计算等。

在目前的数据交易加密市场中，大多数项目都高喊着打破数据孤岛的口号，但这实际上是一个伪命题。数据能够交易的前提是数据具有所有权和使用权明晰的划分，用户的信息能够受自己的支配。如果数据来源以及使用没有明确的指向或者许可，数据可被随意转载和复刻，造成数据冗余或随意伪造。因此，在构建一个具有良好正向激励的数据市场时，首先需要构建一个值得信任的隐私保护机制，对数据采集规范化，权属清晰化，信息隐私化，交易透明化。如此，数据才能变成用户的资产而不是附属品，数据孤岛才能真正解决。

AI 行业是现有商业应用中接触数据最多的行业之一，但目前整个 AI 市场遇到了一个大瓶颈：数据较为分散，为了提高整个模型的精度，则需要获得尽可能多的数据；但是由于数据隐私的问题，越来越难以拿到用户的数据。这个「矛盾」带来的问题已经在 AI 整个行业凸显出来。隐私计算则能够在很大程度上缓解现在 AI 市场的「矛盾」，因而也会存在着更大的新兴市场。

目前互联网行业的普遍商业模式为采用较低的成本收集成本，然后利用大数据分析整理对数据进行创造和变现。例如在社交媒体上点击了某一商品，某宝、某多多就会在首页中推动这一商品。无疑，用户的数据在使用产品之初就「被动」剥离了所有权，这些数据存储在第三方平台上持续为平台创造利润，而用户却要遭受信息泄露的风险。区块链隐私计算可以很好地切入其中，隐私计算可以先将用户的原数据进行加密后再进行大数据计算，同时给提供数据的用户进行经济激励，数据需求者可以对数据进行购买，构建一个能够正向流通兼具激励的数据市场。

但目前的隐私计算技术仍存在成本高、效率低的瓶颈。在大数据、AI 等场景下，训练一个模型的样本量可能在 10 万左右，而且特征量可能还需更多计算资源，大量的运算致使效率低下，实际商业落地可能还需几年的时间才能完成。

隐私项目对比

(责任编辑：admin)