四十年前，姚期智院士提出“百万富翁设想”：
两个百万富翁，在不透露自己具体财产金额且没有第三方的情况下，如何让彼此知道谁更有钱？这一设想催生了多方安全计算，即在任何一方看不到其它方输入数据的情况下，对数据进行联合计算并共享数据分析价值。
四十年后，求解一个个“百万富翁”问题成为数字生活常态。
个性化内容推荐、精准广告推送、更优导航方案……面对全球数据量大概每两年翻一番的现状，无数应用都基于对数据的分析和使用而生存。
但个人消费者在授权搜索、电商等互联网平台使用自己的数据以优化功能、创造价值时，也是在让渡部分个人隐私；公司、组织在拿出数据搭建更多行业应用时，则可能泄露商业机密或公司掌握的的个人数据。
挖掘数据价值与数据安全和隐私保护之间存在的矛盾越来越凸显。
近年来，逐渐商用的一种新技术方案——隐私计算目前看来有希望解决这一问题。
通过让数据“可用不可见”，隐私计算可以在不交出数据（不变更数据所有权）和保障数据安全的同时使用数据，使数据实现应有价值。
隐私计算行业目前已涌现一批公司。其中有专注隐私计算的初创公司，如翼方健数、华控清交、数牍科技等；有从网络安全和大数据领域新开辟隐私计算业务的公司，如同盾科技、富数科技等；也有互联网巨头——腾讯控股的微众银行和阿里蚂蚁科技集团（原蚂蚁金服）都已进入这一领域。
其中，微众银行、蚂蚁科技集团、翼方健数、华控清交也被一些媒体称为国内隐私计算赛道“四小龙”。
整个隐私计算行业的融资事件正持续增加。该领域在2016年只有2起融资事件，而2020年全年新增融资数量已上升到10起。
翼方健数CEO罗震称，新一轮融资后，他们将在两个技术方向做投入，一是安全计算技术，如安全多方计算、联邦学习、可信任执行环境等；二是系统方面的技术，如跨数据中心的分布式存储和分布式计算等技术。
目前看准的机会是：各行业对数据价值的渴求将借由隐私计算技术得到释放。
2016年以来，中国政府连续颁布《网络安全法》、《数据安全法》等与数据相关法案，并在滴滴等掌握大量数据的公司因数据安全问题遭审查后修订了《网络安全审查办法》，这使各方更加重视数据安全和隐私保护。
同时，在保障数据安全之外，隐私计算的作用还在于它可以帮数据“保值”。隐私计算能做到在不交换原数据的情况下使用数据计算结果，这样数据价值不会随复制和交换次数增加而降低，反而是用得越多，价值越高。
这符合数据资产化的趋势：2019年底，美国政府提出《联邦数据战略与2020年行动计划》，对数据的定义从“技术”转向“资产”；2020年，国务院也首次将数据与土地、劳动力、资本、技术等传统要素相并列。在数据变为生产要素的过程中，隐私计算能推上一把。
目前隐私计算主要应用场景集中在金融、医疗和政务领域。金融行业合规要求高，所以对隐私计算需求最为迫切，政务数据覆盖的范围最广。而同样有高合规要求的医疗行业，由于以往信息化水平低于金融等领域，一方面有数据服务渗透的潜在空间，另一方面也有落地挑战。
罗震认为，隐私安全计算只是数据产生价值的必要条件而非充分条件，目前绝大部分掌握数据源的组织无法准备好数据，也很难通过应用利用好数据，所以厂家应提供数据价值的整体服务和解决方案，而不仅仅是隐私安全计算本身。
虽然能够实现隐私计算的技术很多——与四十年前姚期智院士提出多方安全计算相比，如今隐私计算已发展为联邦学习、差分隐私计算等多种技术的集合——但真正能同时满足高准确性、高计算效率和高安全性的技术解决方案还不存在。
不同隐私计算技术的特点和优势不同：联邦学习的准确性和计算效率较高，但安全性相对较低；差分隐私技术计算效率和安全性较高，但准确性相对低。此外，隐私计算应用成本较高也是行业面临的共同挑战。
隐私计算行业和学界研究者正加速寻求技术突破。据国家工业信息安全发展研究中心统计，2020年，隐私计算新增相关专利申请数量是1535项，是2017年的4.25倍，截至2021年4月，隐私计算专利总数已突破5000项。
在行业落地方面，隐私计算竞争愈发激烈。《中国隐私计算产业发展报告（2020-2021）》中提到，隐私计算企业已服务医疗、金融等15个行业，但仍有市场空间很大的行业尚待开发。目前各隐私计算厂商的市场切入点均有差异，行业同质化并不明显。
一边保证安全，一边实现数据价值，这是整个数字化转型中的刚需。隐私计算从业者相信自己找到了达成数据两全法的关键。
