隨着大數據時代的到來，大量的數據計算和人工智能的發展爲各行各業提供了更好的支持，但也代表着大量隱私數據或企業內部數據都會被留在一個個軟件中，但既然涉及隱私同時也作爲商業壁壘的重要組成部分，隱私數據自然不能透露給第三者，因此形成了一個個數據孤島，數據之間不能互通，數據的價值無法體現。
而隱私計算的出現，將解決這樣的問題。利用隱私計算技術，應用海量的數據，實現數據流動，同時能夠保護數據隱私安全、防止敏感信息泄露。其將在互聯網、人工智能、金融科技、醫藥保護共享數據等方面發揮重要的作用。
隱私計算廣義上是指面向隱私保護的計算系統與技術，涵蓋數據的生產、存儲、計算、應用等信息流程全過程。其是面向隱私信息全生命週期保護的計算理論和方法。
隱私計算從研究層面來說，其是一門交叉學科，其結合數據科學與工程、密碼學、分佈式計算與存儲，作爲一門綜合性的學科，並不是僅僅包含密碼學，還包含安全計算、隱私分享聯邦學習等技術，如果說可信計算技術是着眼於信任創造輻射到隱私，那隱私計算就是直接從隱私出發，保障數據在協作和交互中處於隱私的狀態，從而打破數據孤島。
同可信計算技術一樣，雖然兩種技術在狹義上有着一些不同，但在廣義上目標都相同，隱私計算和可信計算都爲原來不能融合的數據提供了機會，讓我們能夠拼接更多數據以挖掘更新的信息出來，從而促進整個社會智能發展， 因此隱私計算和可信計算會逐漸成爲AI的基礎設施。
多方安全計算
其是指通過多方共同參與，安全地完成某種協同計算。即在一個分佈式的網絡中，每個參與者都各自持有祕密輸入，希望共同完成對某個函數的計算，但要求每個參與者除計算結果外均不能得到其他參與實體的任何輸入信息。參與者各自完成運算的一部份，最後的計算結果由部分參與者掌握或公開共享。
聯邦學習
聯邦學習最早是由谷歌在2016年提出，但它最早並不是專門用於人工智能中，原本是用於解決安卓手機終端用戶在本地更新模型的問題，使得在數據交換的時候也能保證信息安全和個人隱私，並在保證合規和安全的情況下，使得不同機器和來自多個不同節點的計算能力相結合，從而積少成多，大規模整合算力，並開展高效率的機器學習。聯邦學習可使用的機器學習算法不侷限於神經網絡，還包括隨機森林等重要算法。
TEE
除了多方安全計算，也可以通過SGX等可信硬件來達成隱私計算的目的，其構建一個環境來實現其可信功能，一般來說，會闢出CPU或電子設備上的一塊處理和存儲區域。其類似於一個黑色密閉的盒子，一般來說，它基於可信硬件，也就是與系統其他部分隔離開的硬件一般都擁有獨立處理器和內存，其運行完全獨立於操作系統、虛擬機監視器（VMM）、Bios以及普通計算機的其他核心部件。
除此之外，還有差分隱私、隱私算法、多樣性隱私算法等技術，這些技術不是相互替代或者包含關係，其可以根據情況進行相互結合。
在未來，隱私計算將幫助企業實現數據流通、協作，而這些都將在可信和保證數據安全隱私的前提下發生。實現安全、隱私、公平、可追溯、可擴展、可定製、去中心化、可信任的多參與方數據協作能力。
對衝量網絡而言，我們將通過結合可信計算與隱私計算賦能新經濟和新基建，讓數據迴歸用戶，合法合規地進行數據計算，並在同時探索更多維度的數據價值，並在同時鼓勵人們參與到整個數據生態中，實現軟件開發、算力建設、算法提供、數據提供、數據消費等功能組成的數據生態閉環，構建並擴展基於可信數據協作的可信互聯生態。