業內首款編譯器級產品，瑞萊智慧發佈隱私保護計算平台RealSecure

（文/尹哲 編輯/周遠方）作為數字經濟時代的關鍵要素，數據資產的重要性被提升到前所未有的高度。但數據安全、數據孤島等問題讓釋放數據價值掣肘頗多，如何充分保證數據安全並提升數據融合能力已成為一項重要課題。

9月17日，第四屆全球智博會期間，瑞萊智慧發佈全新升級的隱私保護計算平台RealSecure。

瑞萊智慧合夥人朱萌表示，隱私計算正成為一項必備的技術基礎，此次發佈的平台能夠在確保數據隱私保護的前提下促進數據流通，實現“數據不出庫、模型多跑路”，以保護數據隱私和數據安全，為人工智能等創新應用提供更好的數據環境，更高效的挖掘數據價值。

促進數據安全合規流通

數據通過流通共享與協同計算將更好地釋放價值，隨着人工智能等新技術的發展，數據本身的底層價值在快速井噴。

但朱萌表示，現有的數據流通模式面臨三大困境，一是數據權屬的不可分割導致數據擁有方不願共享，二是針對數據安全的法律框架正全面構築，監管日漸趨嚴，數據合規風險讓企業機構不敢共享數據，三是技術不成熟與協議不統一導致數據仍無法實現互通互聯，數據資產割裂、自成體系。

海量數據散落在眾多機構和信息系統中，形成“信息孤島”和“數據煙囱”，數據要素的經濟社會價值無法得到充分發揮。同時在強監管和行業規範的要求下，數據的價值和安全性陷入二元對立的狀態。在此背景下，隱私保護計算為實現數據安全合規的互通互聯提供了技術最優解。

瑞萊智慧發佈的RealSecure平台就是一款基於安全多方計算、聯邦學習、可信執行環境等技術打造的數據安全共享基礎設施，通過將計算環節移動到數據端，實現“數據可用不可見”。

朱萌介紹道：“數據不出庫，模型多跑路”是該平台的核心功能，在數據不出本地、無中間方作為協調者的前提下，完成多方參與的模型訓練並獲得可投入生產的模型，既保障數據隱私安全，又以AI的方式驅動整個數據處理閉環。

隱私計算加速落地的最優路徑

隱私計算作為近年來的熱門賽道，各類玩家紛紛入局。但從效果來看，隱私計算市場仍處於早期階段，規模化的商業落地面臨挑戰。

朱萌分析道，隱私計算不同於傳統機器學習，是分佈式與可信芯片、密碼學、人工智能三個領域的結合，在投入商用的過程涉及技術適配的工作。

“具體來説，大部分隱私計算的技術棧在遇到不同算法時，需要堆人力對算法進行一對一的剖析和改寫，來將其聯邦改造或‘隱私計算化’，這就導致這項工作成為一項勞動密集型工作，投入與代價之大”。

針對這一痛點，瑞萊智慧的RealSecure平台通過自研的隱私保護AI編譯器架構實現與傳統算法的自動編譯和一鍵適配。

通過將隱私保護計算算法公式表達向更細顆粒度解構，解構成“算子”，基於算子的靈活組合來自動將普通機器學習算法程序轉換為分佈式的隱私安全程序，擺脱重複改寫的繁瑣工作，實現機器學習生態與隱私保護計算生態的相統一。

“傳統的做法可理解為‘雕版印刷’，RealSecure平台實現的是‘活字印刷’，兼容主流機器學習算法，無需改寫，只要調用函數，在編譯器裏重新編譯一遍就可以。”朱萌解釋道，“可以讓數據科學家以最熟悉的方式使用隱私計算，大幅提升易用性，這也是加速隱私計算落地的最優路徑。”

破解安全與性能的二元對立

安全和性能，是衡量隱私計算的核心指標，但這兩者之間，卻呈此消彼長的負相關關係。

朱萌表示，由於肩負着保護隱私數據安全的重要功能，安全性是隱私計算最為核心的要素，也是前提條件，枉顧安全的性能追求是無本之木、無源之水。

隱私計算的安全問題在於兩點，一是技術本身的安全可論證，由於密碼學上的證明安全與實際安全並不相等，尤其是一些多方隱私計算協議被應用在不符合其安全假設的場景中，存在安全漏洞；二是算法層面的安全攻防，由於隱私計算的計算是密文數據，計算方無法看到用户輸出什麼數據，可能會存在“數據投毒”的風險。

因此，瑞萊智慧在安全性上大力佈局，構建了嚴謹且可論證的“事前”“事中”“事後”安全體系，提供“協議模型及安全性假設、技術實現原理、數據抓包監測、運算日誌打印審計”全方位的安全評估驗證，同時基於業內獨創的隱私計算安全攻防理念，內嵌各類安全防護鞏固功能以抵禦惡意攻擊。

在安全的基礎上，性能是衡量產品價值的關鍵。

通過編譯器驅動高效加密算法的優化，瑞萊智慧在隱私計算的性能上實現量級式飛躍，領先業內平均水平數十倍，隱私保護下完成全流程建模，總耗時實現從日級別縮短到小時級別，兼具極致安全與效能。

立足場景閉環數據價值

隨着市場日趨成熟，應用側對隱私計算的關注焦點，已從單點能力轉移到了對綜合能力要求更高的場景落地層。因此，瑞萊智慧打造了“平台+數據+場景”的一站式隱私計算解決方案，推動隱私計算從功能論證階段邁向業務落地閉環。

在數據生態方面，瑞萊智慧引入運營商、支付等數十種外部數據源，為企業風險決策及管理提供更豐富全面的數據支持。同時立足應用場景，憑藉積累沉澱的模型能力，實現對金融、政務等不同業務場景的快速賦能。

金融領域，瑞萊智慧為某股份制銀行提供的反欺詐案例，在多家銀行之間不分享明文數據和匿蹤查詢的前提下，各行利用自有數據積累實現了“黑名單共享+橫向聯邦學習”的金融聯盟風控反欺詐模式。從效果上看，該方案幫助銀行安全合規地引入客户的支付行為、設備信息、社交習慣等數據，大幅提升了反欺詐模型的準確性和效率。政務領域，瑞萊智慧則助力政府加強數據開放能力、新型數據交易所的建設。

朱萌表示，隱私計算的終極價值是是解決各個數據應用場景中的業務問題，其本質是應用人工智能挖掘數據洞察，服務智能化轉型。所以隱私計算需在場景需求尤其人工智能需求的牽引下，在實現跨業、跨域數據融合的同時深度挖掘，以實現數據價值的閉環。