跑过三个项目才懂的隐私计算

上个月在南京软件谷的咖啡馆见了个做零售供应链的老板，聊到一半他突然拍桌子，说之前花两百多万上的隐私计算平台，现在搁机房吃灰。

我一点不意外。

见过太多抱着”合规刚需”冲进来的团队，把隐私计算当成贴在采购合同上的防伪标签，以为只要平台能跑通数据可用不可见的演示demo，就能应付监管检查、打通跨企业的数据壁垒，真到要接业务的时候才发现，从网络配置到算法适配，每一步都能卡三个月。

别把概念当落地，先算清真实的账

很多团队刚接触隐私计算，上来就追着问”你们用的是多方安全计算还是联邦学习”，仿佛技术选型的段位高低，直接决定了项目的成败。之前帮江苏某城商行做联合风控项目时，合作的互联网平台团队上来就要搭全链路的MPC节点，光节点部署就花了一个半月，最后拉通算成本的时候才发现，每笔1000块以下的消费贷审核，光隐私计算的算力成本就涨了4毛2——而这个业务线的单笔净利润才8毛，算完直接亏到姥姥家。

没人算过隐形成本。业务团队要从零学起，把原来跑在本地数仓里的SQL查询，拆成能适配隐私计算节点的特征逻辑；原来跑了三年的风控模型，要把参数同步到各个联邦节点上，光调参就花了两周，期间接口延迟从原来的200ms涨到2s，客服后台的投诉消息直接刷了屏。

说真的，换哪个业务负责人都得炸。

没人愿意为了合规，把用户体验搞砸。

别追求技术完美，先抓最小可用的场景

刚才说的那个城商行项目，后来调整完思路才跑通。他们没有死磕全链路的MPC方案，而是先挑了一个最痛的窄场景：本地合作商圈里的餐饮小商家，之前因为经营流水数据不能出域，银行根本没法给这些没有抵押的商家做经营贷准入。

他们没有上来就搞全量的联邦建模，而是先做了个最小的交互环节——把商圈侧的商家月均流水、大众点评差评率这两个特征，用纵向联邦学习的方式，和银行侧的商户历史还款数据做联合训练。整个链路只需要跑两个特征的加密交互，算力成本直接降了90%，每笔审核的延迟压回了300ms以内。跑了三个月，这个渠道的经营贷不良率，比原来纯线下准入的渠道低了2.1个点。

说白了，你家刚装修，没必要一上来就把全屋智能的所有传感器全装上，先把最容易漏水的厨房给装个报警器就行。很多团队踩的坑就是，一上来就对标大厂的技术白皮书，要搞全栈的隐私计算能力，什么同态加密、差分隐私、可信执行环境全堆上去，结果连第一个业务场景的跑通都要半年，业务团队早就等不及换别的方案了。

之前见的那个零售供应链老板就是这样，他当初上平台是为了打通上游供应商的库存数据，做动态补货预测，结果平台搭了半年，连供应商那边的系统对接都没搞定——供应商根本不愿意为了他的平台，专门安排IT人员去配节点权限，最后平台就只能用来跑内部员工隐私数据脱敏的演示，纯纯的面子工程。

落地的核心从来不是技术，是利益分配的规则

之前跟一个做政务数据运营的朋友聊，他们现在做的跨部门数据共享，用隐私计算跑了快两年，从来没出过数据泄露的问题，但项目最初推的时候卡了整整八个月。

不是技术跑不通。是每个部门都怕自己的数据拿出去之后，收益被别的部门占了，责任自己背。当时要把公安侧的户籍数据、人社侧的社保数据、市场监管侧的工商数据拉通，做个体工商户的政策精准推送，一开始每个部门都不肯把核心特征放进去，生怕自己的数据被滥用。后来他们定了个规则：每次联合计算产生的实际价值，比如给企业推送政策之后带来的办事量提升、市场主体活跃度增长，按照每个部门贡献的特征权重，折算成对应部门的年度考核加分，这才把所有节点真正拉通。

很多人谈隐私计算，上来就吹技术有多安全，算法有多厉害，其实根本没戳中大家的顾虑——大家怕的从来不是技术不安全，是数据出去了之后，谁拿了好处，谁背锅，算不清。你要是能把利益分配的规则摆到台面上，哪怕用最朴素的隐私计算方案，比如把数据脱敏之后做哈希对齐，都能把项目跑起来；要是规则没谈拢，哪怕你上了最顶级的可信执行环境，大家还是会偷偷把核心数据藏着，最后算出来的模型全是垃圾。

前几天在软件谷的产业园楼下，又碰到之前那个做零售供应链的老板。他说现在把之前那个吃灰的平台拆了，只留了个最小的模块，用来跟上游三个核心供应商做库存数据的联合补货，每个月算下来能省二十多万的库存积压成本。

挺好。

技术从来不是越贵越好。

能解决具体问题的，才是真的有用。