当前，人工智能的火爆程度有目共睹。而人工智能从1956年概念确立至今，已走过了60余年时间。为什么过去几十年人工智能都没有火起来，直到近几年才开始真正爆发？

最重要的两个影响因素是：算法和资料。

人工智能，顾名思义，即由人工制造出来的系统所产生的智慧，让机器可以像人一样思考学习和解决问题。

在第三次人工智能浪潮之前，传统人工智能因受计算力和资料量的限制，并没有表现出明显的“智慧”特征，也未能满足实际应用需求。直到2006年，Hinton教授提出“深度学习”神经网络使得人工智能效能获得突破性进展，加上互联网及后续移动互联网、物联网发展带来的海量资料，让人工智能开始真正迈向“智慧”和落地应用。

AlphaGo击败人类棋手，自动驾驶汽车上路试行，智慧家居进入寻常家庭……

而当我们为人工智能的曙光到来欢呼时，也应意识到：人工智能的发展也再次遇到了老的问题和新的瓶颈。

资料的积累越来越多，资料的增长速度越来越快，却出现了越来越多的人工智能企业无资料可用，越来越多的优秀算法无资料可训练的奇怪现象。一方面因为：随着资料价值的凸显和资料泄露事件的频发，从个人到政府对资料主权和资料隐私保护意识日渐增强，企业不能再像之前一样肆无忌惮地采集和利用使用者资料。

另一方面：各企业也日益将资料视为各自的核心资产，在资料主权和隐私不能被有效保护的前提下，无论是从维护自身利益角度还是从遵守法律法规角度，都不愿将自身资料进行共享利用。

人工智能的进步需要资料的支撑，资料主权和隐私保护问题如不能有效解决，人工智能无资料可用的现象会更加严重，人工智能也难以长足发展。

恰恰以MPC（安全多方计算）为代表的隐私计算，给我们解决这一问题带来了新的路径。MPC是1982年姚期智院士提出的一个概念，也是PlatON一直重点研发投入和工程化实践的方向。MPC的最大价值在于：可以在保护资料隐私的前提下，实现资料充分挖掘和共享利用。

在MPC整个计算协议执行过程中，各参与方对自身资料始终拥有控制权，只有计算逻辑公开。计算参与方只需参与计算协议，无需依赖第三方就能完成资料计算，并且各参与方拿到计算结果后也无法推断出原始资料。

以前文提到的“深度学习”神经网络为例：

“深度学习”神经网络算法需要来自各方的海量资料进行训练，包括结构化的文字与资料，非结构化的档案、图片、视讯、音讯等，这些资料里可能含有大量敏感隐私资讯。在当前无隐私保护的前提下，很难从不同企业、个人采集到所需资料，同时直接利用这些敏感隐私资料也面临法律的风险。

而基于PlatON的MPC技术，人工智能公司可以在不归集各方资料、不泄露各方隐私的前提下，通过协同计算进行算法训练。在保障资料利用合规性的同时，让企业、个人更乐意共享资料，让人工智能更加智慧！

同时，基于PlatON分散式隐私计算网络，可组建人工智能垂直商业联盟，让资料提供方、资料使用方、算法提供方、算力提供方都可以在不泄露各自核心资料、算法的情况下，通过评估和奖励机制联合进行模型迭代和算法优化，并获得更多收益。

人工智能浪潮又起，隐私计算方兴未艾，两者结合带来的惊喜，值得我们期待。