“跑马圈数据”时代，12位产学研专家眼中数据要素与数字金融的“真相”( 二 ) 本周

还有一个重要研究方向，是激励机制的建立。例如利用区块链来记录审计，每一个数据拥有方对整个联合模型的贡献。这就需要一个公平的利益分配原则，需要经历机制设计的过程。
应用方面，首先在金融的交叉营销、反洗钱，可以通过联邦学习把他们的数据联合建筑，把模型的特征空间加以扩充，完成联合建模；以及医疗诊断、物联网、无人车网络等。
总体来说，联邦学习是多学科的交叉，包括安全合规，如何防御攻击和提升教育，如何广泛的来进行技术应用，还有如何建立这种联邦机制联盟的机制，以鼓励大家持续的为经济体为生态贡献。
而隐私计算的商业模式也逐渐形成，例如平台建设方靠硬件产品部署和提供利用项目建设的方式收费；咨询服务商帮助大平台进行数据价值解读，利用数据运营等。
香港科技大学智能网络系统实验室主任、星云Clustar创始人陈凯，与清华大学金融科技研究院副院长、华控清交创始人徐葳也就隐私计算和数据要素两大主题，带来了一场深度对话。
数据保护现状是否也促成了更多潜在的商业机会？对此，陈凯表示机遇与挑战并存，面临的挑战首先是产品；徐葳则指出，长远来看，挑战仍然在于数据能否带来价值。
而对于技术应用角度如何积极适应规则，陈凯表示，很难有一个技术/算法能够最小地完成最小影响，最小范围、最短时间；法规是在技术研究上给予约束条件，帮助推动研发和落地的进程。
当被问到隐私计算未来发展的特征，陈凯表示建立安全的数据网络意义重大，如何处理大量不同机构间的异构数据、性能和规模上处理海量数据、如何让利益共享的性能有指数级的提升，当中有许多值得努力研究的难题。
徐葳则笑称“只有烂大街的技术才是好技术” ，认为一项新技术未来的表现，要看技术本身能否成功、使用门槛能否降低。数据源也在逐步有机生长，很多不同行业、不同地区的小平台被建立起来交换数据，如何让这些异构平台也增长成功、小的计算方法和技术整合起来，实现规模经济，也值得关注。
百度安全产品总经理韩祖利也认为，数据要素呈现几大趋势特性：规模上升，类型增加，数据价值密度降低，应用场景也在泛化。
在他看来，当代数据安全的核心要义：应对强对抗的安全问题，非对抗安全和内部使用的权限、审计，隐私保护。因此一个方案如果诞生，应具备三个特点：覆盖数据全生命周期，一体化的集中治理平台，和合规的数据使用、流通形式。
成都大数据集团总经理顾勤就表示，关于科学要素流通的创新实践主要有三个阶段：公共数据运营；整体数据流通，政府的公共数据和社会企业的数据间产生碰撞；产业数据的协同。
以第三阶段为例，即产业数字化，有两种方式：传统产业的体能升级；创新产业的协同效应，通过系统的互联、数据的交互，产生新的价值和场景。
第四范式副总裁、主任科学家涂威威，则在演讲中提出这样一个问题：传统的数据安全设计，能够覆盖AI应用的范围吗？
在训练到预测的许多环节里，都出现了他们预想不到的攻击方式。多种看似正常合法、实为攻击的手段，已经发展颇为成熟。
例如AI公司对外提供信用卡授信模型，攻击者可以通过不断申请、使用授信服务，将反馈回来的数据用于“猜测”那个授信模型。如果这样的新模型被训练出来，攻击者有可能就会猜到训练集的内容，相当于数据泄露，但该过程中的行为均是合法的。