銀行不解密資料就能讓雲端執行 AI 運算，該用什麼技術？
某銀行計畫將信用風險評估模型部署至雲端平台，以便即時分析客戶交易行為。由於涉及大量敏感金融資料，銀行要求雲端服務商在不解密原始資料的情況下仍能執行模型運算。為達成此目標，最適合採用下列哪一項技術？
銀行要把信用風險 AI 模型放到雲端跑。問題是客戶的金融資料很敏感，銀行不希望雲端供應商能看到原始資料。但雲端必須能夠執行模型計算。
問你：有什麼技術可以讓雲端在「完全不接觸明文資料」的情況下，仍然正確地執行模型運算？
一句話總結
「雲端不解密就能執行模型計算」：這是同態加密（Homomorphic Encryption）的定義特性。資料在加密狀態下直接計算，解密後結果與對明文計算完全一致，雲端服務商全程看不到原始資料。
先感受問題：把保險箱鑰匙留在家裡，讓人用保險箱
亞太銀行的 CTO 昭明要解決一個矛盾：
銀行有 200 萬客戶的信用交易資料，要用雲端 AI 做即時信用風險評估。雲端算力強、彈性好、成本低，但：
業務需求：雲端 AI 模型必須能「跑」這些資料，輸出信用評分
傳統加密的困境：把資料加密後送到雲端，雲端要計算就必須先解密，解密後就看到原始資料了。加密的目的就失效了。
同態加密的突破：把資料加密後送到雲端，雲端直接在加密的「密文」上跑模型，輸出的是「加密的評分結果」，送回給銀行，銀行用自己的私鑰解密，得到最終的信用評分。整個過程中，雲端從未看到任何明文資料。
傳統隱私保護方法為什麼不能滿足「雲端執行計算又不暴露資料」
- 匿名化（Anonymization）的侷限：把姓名換成代碼、刪除生日，可以保護直接識別資訊，但雲端在跑模型時仍然需要接觸完整的交易金額、頻率、模式等敏感特徵。匿名化只移除了「能對應到誰」的資訊，不移除「用於計算」的特徵值，雲端仍能看到這些數字。
- 雜湊（Hash）函數的不可計算性：雜湊是單向不可逆的，但問題是：雜湊後的值無法再做數學計算。把交易金額 5,000 元雜湊後得到一串亂碼，AI 模型看到這串亂碼完全無法計算信用風險。雜湊只適合「驗證身分」，不適合「計算特徵」。
- 資料本地化（Data Localization）的矛盾：把計算限制在內部伺服器完全繞開了問題，放棄了雲端的所有優勢（彈性、算力、成本）。題目明確說要「部署至雲端平台」，資料本地化根本就不讓資料出去，答非所問。
- 聯邦學習（Federated Learning）的侷限：聯邦學習讓模型在各客戶端本地訓練，只傳梯度，但需要多方各自有資料和計算能力，不適合「銀行資料集中、要上傳到雲端跑推論」的場景。
- 差分隱私（Differential Privacy）的精度問題：差分隱私在計算結果中加入統計雜訊，信用風險評估對準確度要求高，加入雜訊會讓評分不準確，可能錯誤地批准或拒絕貸款申請。
同態加密讓雲端在密文上跑出正確的信用評分
亞太銀行的作法：
銀行在本地把客戶的交易特徵（金額、頻率、類別等）加密成密文，送到雲端 AI 平台。
雲端 AI 平台的信用風險模型直接在這些密文上做計算：乘上權重、加上偏差、通過激活函數，所有運算都在加密狀態下進行。雲端全程看到的是一堆「密文數字」，從未接觸原始的交易金額或客戶資訊。
雲端把「加密的評分結果」送回給銀行，銀行用自己保管的私鑰解密，得到：「這個客戶的信用評分是 720 分，建議審核通過」。
同態加密保證：在密文上做的計算，解密後的結果，和在原始明文上計算的結果完全相同。沒有任何精度損失，也沒有任何資料洩漏。
這就是選項 D 講的：透過同態加密（Homomorphic Encryption），讓雲端系統能直接在加密資料上執行運算，解密後結果與原始資料一致。
技術版：同態加密在金融 AI 的應用架構
同態加密的數學性質（以加法同態為例）
設加密函數 E，解密函數 D，同態加密滿足：
D( E(a) + E(b) ) = a + b
即：對兩個密文做加法，等同於對兩個明文做加法再加密。全同態加密（FHE）同時支持加法和乘法，理論上可以表達任意計算（因為任何電路都能用加法和乘法組合）。
金融 AI 的典型同態加密架構
- 銀行使用 HE 函式庫（如 Microsoft SEAL、OpenFHE）生成公私鑰對
- 使用公鑰對交易特徵向量加密，得到密文向量
- 將密文向量和已加密的模型參數（或公開的模型）上傳至雲端
- 雲端在密文向量上執行矩陣乘法、激活函數（多項式近似版本）等計算
- 雲端返回加密的推論結果
- 銀行使用私鑰解密，得到信用評分
技術挑戰
- 計算開銷：FHE 的計算速度比明文計算慢數萬到數百萬倍，目前主要用於推論而非訓練
- 激活函數限制：FHE 只支持多項式運算，ReLU 等非多項式激活函數需要用多項式近似
- 精度限制：FHE 計算精度有限，需要仔細設計模型精度與加密參數的平衡
與其他隱私保護技術的選擇依據
| 場景 | 推薦技術 |
|---|---|
| 雲端不解密就能計算 | 同態加密（HE） |
| 多方聯合訓練，資料不共享 | 聯邦學習（FL）+ 差分隱私 |
| 統計報表加保護，可接受誤差 | 差分隱私（DP） |
| 資料不能離開本地，不用雲端 | 資料本地化（Data Localization） |
為什麼其他選項是錯的
A在上傳資料前進行匿名化（Anonymization），僅保留可識別代碼供比對使用
把姓名、身分證等識別資訊換成代碼，其他數據正常上傳給雲端計算。
匿名化只隱藏了「這筆資料屬於誰」，但交易金額、消費類別、頻率等特徵值仍以明文形式傳給雲端。信用風險評估模型用的就是這些特徵值，雲端廠商仍然可以看到客戶的完整消費行為。題目要求的是「在不解密原始資料的情況下」執行計算，匿名化沒有達到這個要求。
把「保護個資」等同於「隱藏姓名和識別碼」的人，忽略了敏感的是特徵值本身，不只是對應關係。
B利用雜湊（Hash）函數轉換資料，以確保模型可追蹤但無法還原個資
把資料雜湊後送給雲端，雲端用雜湊值做計算，無法還原原始資料。
雜湊函數（如 SHA-256）是單向不可逆的，這讓資料確實無法「還原」，但同時也讓資料無法「計算」。把交易金額雜湊後，AI 模型看到的是一串亂碼（例如：d7e8a3f2...），根本無法做加減乘除運算，信用評估計算完全無法進行。雜湊適合驗證（例如：確認密碼正確），不適合機器學習計算。
覺得「雜湊 = 加密保護」的人，但雜湊是「不可逆轉換」而非「加密」，兩者目的和特性完全不同。
C採用資料本地化（Data Localization）策略，將所有模型訓練限制於內部伺服器中
把 AI 模型的計算完全限制在銀行內部，不用雲端。
題目明確說銀行「計畫將信用風險評估模型部署至雲端平台」，資料本地化是「拒絕使用雲端」的策略，根本沒有回答題目的問題。這個選項等於說「不要用雲端就沒問題了」，但題目的前提條件就是「要用雲端」。
認為「最安全就是不上雲端」的人。這個選項確實在技術上「安全」，但完全迴避了問題，在考試場景中是答非所問。
同個考點下次怎麼變形
醫院要讓 AI 公司分析病患的癌症檢測資料，但不能讓 AI 公司看到原始資料，應使用什麼技術？
和銀行的情況一樣，要運算又不能暴露資料。
同態加密（Homomorphic Encryption）。醫院將病患的檢測數值加密後送給 AI 公司，AI 公司的模型在加密資料上進行癌症預測計算，返回加密的預測結果，醫院用私鑰解密得到預測。和銀行場景在技術原理上完全相同，只是應用領域不同（醫療 vs 金融）。
同態加密和聯邦學習各適合什麼場景？如何選擇？
兩個都是隱私保護 AI，感覺功能類似？
同態加密適合「資料持有方想讓第三方計算，但不暴露資料」：資料集中在一處，要上傳給外部算力。聯邦學習適合「多方各有資料，想聯合訓練一個模型」：各方資料不能集中，例如多家銀行聯合訓練反詐欺模型。本題場景（銀行把資料送給雲端供應商計算）是前者，用同態加密；如果是多家銀行各自保留資料、聯合訓練模型，則用聯邦學習。
雜湊（Hash）函數和加密（Encryption）的根本差別是什麼？
兩個都把資料「變成看不懂的東西」，哪裡不同？
加密（Encryption）是「可逆的」：有正確金鑰就能解密還原原始資料。雜湊（Hash）是「不可逆的」：從輸出無法（設計上）還原輸入。加密的目的是「安全傳輸或儲存，之後可以取用」；雜湊的目的是「驗證完整性和一致性（密碼驗證、檔案校驗和）」。同態加密屬於加密體系（可逆），雜湊不屬於加密。
為什麼同態加密目前主要用於推論（Inference）而非訓練（Training）？
訓練也可以用同態加密嗎？
訓練需要大量的反向傳播計算（梯度計算、參數更新），涉及複雜的非線性運算和大規模矩陣乘法，用全同態加密的計算開銷是明文計算的數百萬倍，在目前硬體條件下實際上不可行。推論（Inference）只需做一次前向傳播，計算量少得多，雖然同態加密仍然慢，但對延遲要求沒有訓練那麼嚴格，實際可行。隨著 FHE 硬體加速（GPU/FPGA 優化）進展，未來加密訓練也可能成為可能。
GDPR（歐盟通用資料保護規範）對「資料主權」的要求，對銀行的雲端 AI 策略有什麼影響？
法規要求和技術選擇有什麼關係？
GDPR 要求個人資料不能在未告知和同意的情況下傳輸給第三方，且有「被遺忘權」（可要求刪除）。對銀行的影響：客戶金融資料上傳到雲端供應商（即使是為了 AI 計算），法律上屬於「資料傳輸給第三方處理」，需要簽訂資料處理協議（DPA）或確保技術手段（如同態加密）讓供應商無法存取資料。同態加密可以作為「技術性保護措施」，讓銀行在合規框架下使用雲端 AI 服務。
想再往下看，這 5 個
- 同態加密（Homomorphic Encryption）核心考點，讓雲端在加密資料上直接計算、解密後結果一致的密碼學技術。
- 聯邦學習（Federated Learning）多方資料不出境、聯合訓練模型的隱私保護方法，與同態加密互補。
- 資料隱私（Data Privacy）金融和醫療 AI 的核心挑戰，同態加密是實現「計算隱私」的技術解法。
- 差分隱私（Differential Privacy）在統計輸出中加入雜訊保護個體，適合可接受誤差的統計分析，與同態加密解決不同問題。
- GDPR（歐盟通用資料保護規範）推動金融機構探索同態加密等隱私保護技術的重要法規背景。