自隐私计算出圈以来，其与金融的绑定仿佛是顺其自然的，出于合规、风控、精准营销等业务需求，金融对隐私计算的呼声似乎更高，更迫切，且金融行业多为大中型企业客户，财力预算充足，可以一掷千金，为需求买单，因此很多隐私计算企业都会选择将金融作为第一主攻领域，因为这注定是相对好走的一条路，在没有稳扎稳打的胜算之前，趋易避难，是力求活下去的天性，根据企名片pro数据，目前赛道内融资在A轮及以上的11家公司中，有7家都在主攻金融业务。
很多媒体报道、行业研究也会顺势而为，将注意力和溢美之辞更多放在“隐私计算+金融”，但摘掉PR滤镜后，会发现金融或许热闹，但医疗却更是隐私计算落地之路的“试金石”。
据算力智库观察，医疗行业的数据复杂度和特殊性，往往更考验隐私计算的综合能力，是性能、安全性和精度等多方面的平衡，医疗领域的方法论相比其它领域更为复杂，很多时候已经超越了建模范畴，通过隐私计算底座来支持复杂的方法论是一个挑战，其中涉及并发度、准确度、算法复杂度、隐私等一系列实现，同时各医院、药企上下游之间数据网络的打通也是一大难题，这意味着需要更加硬核的技术自信、投入度和专注力。
纵观众多隐私计算企业中，深耕医疗者寥寥，而锘崴科技便是这样一家以医疗先行的企业，其创始人王爽从一开始就奠定了锘崴科技“知难而上，技术攻坚”的底色，在算力智库与王爽的对话中，他提及到：“我们50%以上的研究精力以及商业业务都在隐私计算与医疗的结合上”。
有着 UCSD 生物医学信息系教授头衔、国家青年千人、华西医院遗传研究院特聘教授背景的王爽，深知医疗场景才是隐私计算的“原生土壤”，医疗数据的安全共享、互联互通，可以在精准医疗、药物研发、分级诊疗、疫情防控等多个领域上大有助力，这不仅是商业驱动，更关乎人类福祉，也是锘崴科技笃力扎入其中的重要动因。
在王爽的带领下，锘崴科技在成立仅2年多时间之下，迅速成为了隐私计算赛道的闪耀新星，并且成为了“隐私计算+医疗”企业的突出代表，在过去的几年里，锘崴科技团队联合多家医疗机构完成了全球首个跨国多中心罕见疾病数据共享及全国首个跨省多中心风湿免疫全基因组分析，研发了基于多维度大数据的新突发传染病实时监测和早期预警系统。与此同时，去年11月，锘崴科技成为上海数据交易所首批数商合作伙伴，12月签约海南省数据产品超市，这两大标志性事件，进一步验证并彰显了锘崴科技的亮眼锋芒和不俗实力。基于此，经同业推荐及算力智库多方评估下，王爽成为了算力智库“2021隐私计算十大人物”之一。
当然，以上只是观测到一角，突围而出，成为行业里的佼佼者并非数言能概之，从这篇与王爽的访谈中，或许可以一窥究竟。
B端的改变：从被动学习到主动拥抱隐私计算
算力智库：理性客观评价，您觉得去年一年隐私计算整个行业有什么变化？（无论是从内生发展还是外部环境来看）
王 爽：
变化主要是隐私计算之前可能更多是偏技术和概念方向，但是随着2021《数据安全法》和《个人信息保护法》的实施，以及一些关于隐私安全的报道，曝光出来的与核心信息基础设施相关的安全风险，把隐私计算技术推到了一个风口上，很多机构/政府其实都开始主动询问怎么通过一些技术手段更好地保护数据，更合规地创造数据价值，之前可能还要靠隐私计算厂商去教育客户。现在很多客户都倾向于主动来找厂商了解相关技术，或者是怎么能够把数据从收集、储存到共享、使用的过程变得更合规，这是一个比较重要的感受，就是从被动学习到主动拥抱隐私计算。
算力智库 ：这两年可以看到有越来越多的隐私计算公司开始冒头，据不完全统计，去年一年就新成立了70多家，您认为，隐私计算当下是“虚火”吗？
王 爽：
从两方面看，一方面也看出来是市场有需求，有需求才会有这么多供应。
这是一个市场利好；另一方面这些企业中，可能绝大多数不具有底层技术架构，大部分是通过借用一些开源框架进行修改，去适应某些相关的场景，这存在潜在问题，就是会受限于开源框架的灵活性、安全性以及性能，很多客户发现使用这种开源框架进行部署后，可能性能达不到预想的要求，另外如果要添加一些新的功能，是难以扩充的。
我们定位是一家专业的隐私计算技术提供商，可以用不同的技术来根据用户场景做相应适配，提供基于用户场景，且兼容性能，安全性，精度等多要求下的最有效的一个解决方案。
算力智库：目前来看，隐私计算的商业模式以销售和服务为主，有产品销售或系统搭建模式，有运维服务模式，也有分润模式，您觉得，当下占隐私计算企业营收结构中主要的是哪一种？隐私计算的商业营收能力如何？未来在C端会有发挥空间吗？
王 爽：
现阶段的话，还是以系统搭建占主要比重，因为生态网络还在搭建的过程当中，只有这些数据节点，有了隐私计算的能力以后，它才会形成一个网。
这就有点像移动互联网还未兴起之前，刚开始肯定是搭建基站，要有足够多的基站，大家才都能用上5G或者4G手机，之后在上面才会有诸如美团这样相关的应用衍生出来，所以说目前阶段，隐私计算绝大多数是在搭建节点的过程当中，去构建网络。
但是在搭建的过程当中，其实大家都在去尝试，通过分润模式去实现一定程度的收入，我们也是通过跟一些机构，比如说政府的数据交易中心，以BOT的模式去做一些分润，或者跟一些商业化公司，通过CPA或者CPS，按点击和效果去获取一定收入。
系统搭建分成两种模式，一种是一次性搭建，附带一定时期的运维，比如说一个项目是3年，前3~6个月是进行搭建，后面2年主要是专注运维，这种模式目前看需求还是比较多的，比如医院、政府的数据交易中心，以及一些保险公司、金融机构渐渐都开始有搭建隐私计算系统的需求。
还有一种模式就是SaaS模式，按订阅收费，即通过提供一些标准的隐私计算接口，把客户的现有业务接入进来，比如说它在云上面需要跟用户进行数据交互，但是用户又担心在公有云或者是某些私有云平台上进行数据交互时，会泄露隐私，加上隐私计算的保护以后，可以保护企业在对用户提供服务的过程中，都是在可控、加密的状态下去实施的。
而在C端的话，更多体现在与场景结合。比如说我们和保险公司合作，这样其实是2B2C的模式，通过隐私计算触达到一些数据源，然后去做线索规划，帮他们实现更精准的获客，整个业务流程是在隐私计算平台上完成的，然后这种像 CPA或者CPS分润模式其实也相当于是间接To C，这个市场里C端客户每完成一次交易，其实我们都可以实现分润。
算力智库： 接上个问题，有一种说法，说隐私计算行业的发展逻辑有点像人工智能行业，技术壁垒比较高，投入大且“烧钱”，您怎么看？是不是很多企业还是靠融资在过活？
王 爽：
之所以说烧钱，是因为这个市场起来了，大家需要快速的扩张，所以才需要引入资本的力量，它的主要目的是帮助更好地去获得市场或者加大研发投入。
一如我刚才介绍的，隐私计算不光是简简单单像AI一样提供一个模型或者技术，它最终需要赋能于数据交易，这里面可能就涉及到一个数据网络的搭建，在搭建的过程中，其实有点类似于To C，比如说你要去做获客，要使 To C的APP里有更多活跃用户，这里面的关键其实是要去获得活跃的数据源，过程中资本可以助力快速实现数据的生态网络。
搭建数据网络，是必选项
算力智库 ：从您来看，能决定一家隐私计算企业活下来并且走的长远的关键因素是什么？
王 爽：
这个有几方面因素，肯定不是单一因素能决定的。第一方面我认为是技术方面，要有核心的隐私计算底层技术能支撑不同场景的应用，这个是能够走的比较长远的关键因素。
其次就是产品，光有技术，它没有实现产品化，还是没有办法服务于客户，所以底层的产品很重要，产品也分成几种，一种是基于某个细分领域的产品，专门服务于特定场景，比如说金融的征信、风控、获客；还有一种类型的产品，就是通用型产品，是一个底层隐私计算平台，在上面可以去开放一些生态，服务于不同领域；这两种产品我们目前看来都有相关的市场和生命力。
再者肯定是要有自己的数据网络，因为隐私计算技术，最终解决的还是数据提供方和数据使用方之间数据价值的转换。如果能够更好地促成数据使用方和数据提供方之间的应用的话，需要的是一个生态系统，这需要通过隐私计算技术支持，构建一些数据生态网络，从而服务于更多的应用场景，这也是非常重要的一点，可以形成网络效应。这个网络上有更多更好的数据，那就会有更好的应用去加入到网络里，也就会有更多的客户愿意为数据买单，反过来会激励更多的数据源继续加入到网络里，形成一个通过数据交易分润的长远模式。
算力智库：发现一个隐约的趋势，去年还能看到各厂商间在暗暗较劲，但今年，各家合作的新闻和消息似乎更频繁，从一力竞争到寻求竞合，您怎么看待这一现象？
王 爽：
有几方面，一方面是技术层面上的互补，因为每一家的技术都是有侧重点的，通过合作，可以实现更全面的一个技术栈。
另一方面是数据层面上的互补，每一家覆盖的数据源范围的广度、深度都是不一样的，通过多家合作，可以实现更广的数据源覆盖，去跟客户合作。
然后第三方面，就是互联互通的需求，因为同一个大的数据源，可能早期的时候布了很多家隐私计算系统，在这种情况下，如果再有新的合作产生，新加入的合作方布的系统可能不是在已部署系统的提供商范围内，这样就有两种解决方式，一种是需要重新去部署，另一种就是通过技术层面上的互联互通。后者目前来看是大家比较优先选择的方式。基于此，很多家的合作就能更好地促进隐私计算平台的互联互通，从而能够更快速、低成本的去接入新的应用场景。
算力智库 : 今年数据交易也进入了深化阶段，北数所、上海数据交易所先后成立，深圳数据交易所也在积极筹备，作为一家隐私计算企业，您觉得锘崴科技可以在其中扮演怎样的角色？
王 爽：
北京数据交易所我们是加入的成员，上海数据交易所我们也是首批加入，在上海称之为数商，数商可以从多种角度解读，可以作为数据提供商，也可以做数据运营技术提供商，也可以做数据使用方，这几方对于隐私计算公司来说，可能是会有多重角色的，因为很难有一个数据源，会提供足够多且足够广维度的数据，这些都是需要不同的数据源进行补充。比如说我们在上海市数据交易中心里，[A1] 我们既是技术提供商，也是部分数据提供商，通过隐私计算网络，帮他们去触达更多的数据，同时我们也能带来新的用户，比如我们的保险公司用户，银行用户，可能需要用到上海市数据交易中心的数据，基于这个层面，我们也起到了作为数据使用方的部分角色。
趟医疗这条路，难却正确
算力智库： 我们知道，隐私计算在金融领域的呼声更高，需求更盛，但锘崴科技却选择了先趟医疗这条路，率先建立了跨省级多中心全基因组关联分析，锘崴科技选择医疗先行的契机是什么？
王 爽：
一方面是源于我们的专业性，两位创始人我和郑灏博士在医疗领域都工作了10多年，对于整个医疗行业，技术、应用以及市场都比较了解，这是从团队角度出发。第二方面是医疗的市场其实非常大，在美国占了2020年GDP的18%，在中国也是非常大的一块（超过2020年GDP的7%），我们认为这个市场足够大，可以去撑起一家或者几家隐私计算公司。
然后第三方面，是整个医疗信息化建设在突飞猛进，很多医院都在转型智慧医院、智慧养老，对于数据共享、数据开放的需求非常大，未来会有更多的需求迸发出来。
再一个就是医疗对于技术的要求相对比较高，如果能够提供医疗场景解决方案的话，后期也可以去服务于其他非医疗领域，所以我们选择先从医疗领域入手。
算力智库 ：一如前述，隐私计算正处于大航海时代，几乎家家都说自己在做隐私计算，入局者有互联网大厂、数据安全方向的、区块链方向转型的，大数据厂商，人工智能公司等，坦白讲，您会有担忧吗？您觉得锘崴科技将何以突围而出？
王 爽：
我们认为有竞争是好事情，因为有竞争说明有需求，大家都看好这个市场，只要做好我们自己的优势就好了，因为锘崴科技的其中几项壁垒，还是跟其他的竞争对手有一定的差异性。
首先，我们是自研的隐私计算平台，已经开发了10多年，有比较深的底层技术，和一些专注于某个领域的隐私计算公司可能有一些差异化竞争，不是基于某个单一领域去做单一应用，而是提供一个通用的隐私计算平台。
再一个，就是我们在医疗领域有多年经验，将隐私计算跟医疗结合是我们另一个技术的壁垒，因为在医疗领域涉及到比较特殊的数据类型，比如说基因数据、医学影像数据，结构化/非结构化的病患数据，若在这些领域没有 Domain Knowledge的话，很难短期内提供相关产品，并且医疗领域需要的分析方法论、参与方的个数，可能跟其他领域都不一样，一个医疗领域的应用可能需要十几家或者几十家医院的参与，所以在技术上是有一定的差异和壁垒的。
还有，就是在数据源方面，我们不光像竞争对手可以接入比如运营商、银联的数据，还有体检中心，医院的相关数据来做补充。在保险营销里，关心客户的信息不仅是用户的收入和财富信息，还包括用户的健康信息。这些体检机构、中心医院的数据源在竞争上给了我们一定的优势。
算力智库 ：据我们所知，您提出安全联邦学习早于Google，您为什么会关注到隐私计算领域？
王 爽：
我最早在美国读PhD的时候，就对数据安全比较感兴趣，之前在专注智能电表数据安全时，发现了很多数据安全的问题，然后提出了很多解决方案，通过分布式的计算，类似于联邦学习的前期应用，在每一家的电表上去做本地的计算，然后将小区用户或者城市层面的本地统计信息进行汇总、求和，传到电厂，帮助电厂去做发电的预算，这其实就是联邦学习的基本概念。基于这些前期应用，后面我加入到 UCSD，正好他们有类似的需求，每一家医院里都有自己的数据，但又受限于法律或者一些利益原因不能共享，然而很多的医学研究又需要大数据来支持，靠单个医院的数据体量是不够的。
在这种情况下，我们就想到了要将这种分布式的、数据可用不可见的联合数据查询建模分析的概念加以应用，就在这样的契机下，提出了相关的安全联邦学习技术，去帮助医院之间解决数据互联互通的问题。
算力智库：锘崴科技的下一步发展计划是什么？
王 爽：
下一步发展计划主要是以市场为驱动，前期肯定还是在数据节点搭建的过程当中，我们会继续投入很多的资源和精力来搭建数据生态网络，去丰富数据源，在数据源上创造更多的相关场景。有更多的场景就需要在技术层面上去适配，因此在技术研发上，我们也一直在持续加大投入，利用隐私计算去赋能不同领域的应用，或者是在某个领域里做得更深，去支持更深度、高效、精准的应用。与此同时，我们会始终去尝试通过分润模式实现隐私计算价值转化的终极目标，建立数据交换平台，通过我们自己或者与第三方合作，比如省级的数据交易中心或其他平台来一起去实现。
