一句话定义
安全多方计算（Secure Multi-Party Computation, MPC）是一类密码学技术：多个参与方各自持有不愿公开的数据，在不泄露这些数据的前提下，共同算出一个约定好的结果。除了这个结果本身，谁也无法多知道别人的输入。
打个生活化的比方
三个人想知道平均工资，但谁都不愿报出自己的数字。
做法是：每人把自己的工资拆成三份随机碎片，自己留一份，另外两份分给其他两人。单独看任何一份碎片，都是纯随机噪声，毫无信息量；但三份碎片相加，恰好还原成原始工资。
接着，三人各自把手上的碎片相加，公布三个"碎片和"。三个碎片和再相加、除以三，就得到平均工资。全程没有任何人的真实工资被说出来。
这就是秘密分享（Secret Sharing）的基本思路，也是 MPC 最直观的入口。实际协议还会用到混淆电路（Garbled Circuit）、不经意传输（Oblivious Transfer）、同态加密（Homomorphic Encryption）等工具，路线不同，目标一致。
MPC 给出两个硬保证：输入隐私（学不到别人的原始数据）和正确性（结果与明文计算完全一致）。代价是通信量和计算开销远高于直接算明文——参与方越多、逻辑越复杂，这个代价涨得越快。
和相邻概念的区别
隐私计算常说的"三件套"，就是 MPC、联邦学习（AI 词典：Federated Learning">Federated Learning）和可信执行环境（Trusted Execution Environment, TEE）：
| 维度 | MPC | 联邦学习 | TEE |
|---|---|---|---|
| 隐私靠什么 | 密码学协议 | 只传梯度，仍可能被反推 | 硬件隔离，需信任芯片厂商 |
| 数据出手吗 | 不以明文出手 | 模型更新出手 | 明文进入可信区 |
| 开销 | 通信量大，偏慢 | 中等 | 接近原生速度 |
| 信任假设 | 尽量不信任任何一方 | 半信任 | 必须信任硬件 |
一句话区分：联邦学习是"数据不动模型动"，TEE 是"锁进保险箱里算"，MPC 是"靠数学保证谁都看不见"。工程上三者经常组合使用。
对从业者和普通人的意义
对做系统的人：MPC 适合"数据不能出域、但必须联合计算"的场景，比如银行之间联合查黑名单、医疗机构联合统计病例、用隐私集合求交（Private Set Intersection, PSI）做广告归因和人群圈选。选型前先算清参与方数量、数据规模和延迟预算——MPC 的通信轮数对跨地域网络延迟非常敏感，这点比算力更常成为瓶颈。
对普通人：你的信息可以在不交出去的情况下被"用到"。两家银行能判断你是否同时出现在各自的风险名单上，却看不到你在对方那里的账户细节；App 和广告平台能算出用户重合度，而彼此的名单都不外流。
需要提醒的是，各框架的具体能力边界和性能表现请以官方文档为准。