当下数据价值挖掘受隐私保护掣肘，常常形成“数据孤岛”，“隐私计算”常被认为是破解该问题的有效方式。然而，隐私计算的发展和落地也面临着巨大的挑战，即安全与效率二者之间的平衡问题。对此，在日前召开的“联邦学习安全效率与开源生态”线上论坛中，加拿大皇家科学院及工程院两院院士、FATE开源社区技术指导委员会主席杨强认为，可信联邦学习能兼顾安全与效率，在二者间实现平衡。

杨强认为，绝对安全和绝对效能是无法实现的，若要同时提高效能与安全，需要在二者间寻求一个平衡点，并借助“威胁模型”进行考量。换言之，隐私计算的落地，首当其冲要解决效能问题。

针对效能问题，FATE开源社区技术指导委员会成员、星云Clustar CTO张骏雪认为，从技术侧来看，要解决隐私计算的效率问题，需要结合具体业务具体分析，并选择最适配的基础构建组件，而不是强行追求统一的方式。

张骏雪介绍说，隐私计算效能问题归根结底是算力问题，因为无论是多方安全计算、联邦学习、同态加密还是秘密共享等隐私计算技术，搭建的隐私计算平台在真正的生产应用中都对算力（即计算和网络通信）有越来越高的需求。

“算力提升才能实现效率的提升。”香港科技大学智能网络与系统实验室主任、星云Clustar创始人陈凯也认为，不解决算力和通信问题，隐私计算的大规模应用将无从谈起。

加码算力的确能转化为隐私计算效能的提升。陈凯举例说，星云Clustar依托算力加速及隐私计算加速卡，在联邦学习等隐私计算场景中表现不俗，成功地为某互联网银行解决了因使用同态加密而产生的计算压力与延时问题，使端到端性能提升10倍，推动了联邦学习系统高效运转落地。

据介绍，隐私计算是一种由两个或多个参与方联合计算的技术和系统，参与方在不泄露各自数据的前提下通过协作，对他们的数据进行联合机器学习和分析。换言之，在隐私计算技术的加持下，数据的处理与分析过程可保持不透明、不泄露、无法被恶意攻击及被其他非授权方获取。