一句话定义：隐私计算（Privacy-Preserving Computation）是一类技术的统称，目标是让多个参与方在不暴露各自原始数据的前提下，仍然能完成联合计算、拿到结果。
打个生活化的比方。三位同事想知道平均工资，但谁都不愿意说出自己的数字。办法之一是：每人往纸条上写一个只有自己知道的随机数加上真实工资，传给下一个人继续加，最后一个人把总和报出来，再减掉所有人随机数之和——真实的工资数字从头到尾没有被任何人看到，平均值却算出来了。隐私计算要解决的正是这个矛盾：计算需要信息，但不需要你交出信息本身。
这个词不是某一项具体技术，而是一个"工具箱"。常见的三条路线各有各的招数：
- 联邦学习（AI 词典：Federated Learning">Federated Learning）：数据不动，模型动。各家在本地用自己的数据训练，只把模型更新（梯度或参数）传给中心汇总。医院之间联合训练诊断模型就是典型场景。
- 差分隐私（Differential Privacy）：在结果里掺入经过精确设计的噪声，使得"某个人是否在数据集里"几乎无法从输出中被推断出来。苹果、谷歌在收集使用统计时都用过这类方法。
- 安全多方计算（Secure Multi-Party Computation, MPC）与同态加密（Homomorphic Encryption）：前者把数据拆成碎片分给各方，单看碎片什么都得不到；后者让数据在加密状态下直接被计算，就像戴着手套捏面团，手套不脱也能揉。
三条路线经常叠着用，而不是三选一。
| 技术 | 保护什么 | 典型代价 |
|---|---|---|
| 联邦学习 | 原始数据不出本地 | 通信开销大；梯度本身仍可能泄露信息 |
| 差分隐私 | 计算结果不暴露个体 | 精度下降，隐私预算（ε）要拿捏 |
| 安全多方计算 / 同态加密 | 计算全程看不到明文 | 算力和通信成本高，工程复杂度大 |
它容易和两个概念混淆。数据脱敏是"事前处理"：删掉姓名、手机号，但多字段组合仍可能重识别出个人，属于降低了风险而非消除了风险。加密传输（比如 HTTPS）保护的是传输管道，数据到了对方服务器仍要解密成明文才能计算。隐私计算针对的是"计算过程中"这一刻，这也是它名字里"计算"二字的落点。
对从业者来说，它的现实意义是把"不能共享的数据"变成"可以合作的资产"：银行和电信运营商联合做风控、药企和医院联合建模，法律上过不去的坎，技术上可以绕开——前提是合规评估同步做。对普通人来说，它已经在幕后工作：手机输入法的下一词预测、跨设备的效果归因、政务数据的联合统计，都可能是它的手笔。
最后要泼一盆冷水：隐私计算不是"零风险开关"。联邦学习存在梯度反演攻击，差分隐私的隐私预算给得越大保护越弱，工程实现的 bug 也可能让保护形同虚设。选型时应当看具体实现和安全审计，细节以各家官方文档和合规要求为准。