大数据时代，我们每天都在留下数字足迹：搜索记录、购物清单、位置轨迹、健康数据……这些信息被企业收集、分析、变现，甚至泄露。我们享受了精准推荐、个性化服务的便利，却也不得不面对隐私被侵蚀的焦虑。
有没有一种可能，让数据“可用不可见”？既能从数据中挖掘价值，又不暴露个体隐私？这正是隐私增强技术（Privacy Enhancing Technologies，PETs）要回答的问题。
这一章，我们将走进三个正在改变游戏规则的技术：
- 12.1 安全多方计算：几个互不信任的机构，如何在不透露各自数据的情况下，共同完成计算？比如，几家医院可以联合训练一个诊断模型，却从不共享病历。
- 12.2 差分隐私：苹果和 Google 如何在不收集具体用户行为的前提下，知道“有多少人喜欢某个表情”？差分隐私给数据加一层“模糊滤镜”，让统计结果可用，但个体信息不可追溯。
- 12.3 联邦学习：你的手机在你本地训练模型，只把“学习心得”（梯度）上传，而不是原始数据。数据不动，模型动——这就是联邦学习的精髓。
这些技术不是科幻，而是正在被产业界采用的真实方案。它们共同指向一个未来：我们不必在“便利”和“隐私”之间做选择。你可以享受智能服务的红利，同时牢牢掌控自己的数据。
现在，让我们从那个“一群百万富翁如何在不透露身家的情况下比较谁最富”的经典问题开始，走进安全多方计算的世界。