随着信息技术的快速发展和数字化的不断演进，数据频繁跨系统、跨生态交互已成为常态。随之而来的隐私侵犯频发、隐私保护困难等问题愈发严重，传统的数据安全技术不能对数据的流动提供体系化的保护。而隐私计算技术的出现，为数据流动安全提供新的解决思路。
隐私计算(Privacy compute或Privacy computing)是指在保护数据本身不对外泄露的前提下实现数据分析计算的技术集合，达到数据“可用、不可见”的目的，最终实现在充分保护数据和隐私安全的前提下，数据价值的转化和释放。
从技术角度出发，隐私计算是涵盖众多学科的交叉融合技术，目前主流的隐私计算技术主要分为三大方向：“多方安全计算为代表的基于密码学的隐私计算技术；联邦学习为代表的人工智能与隐私保护技术融合衍生的技术；可信执行环境为代表的基于可信硬件的隐私计算技术。”
目前隐私计算在政务领域（政务数据开放共享、智慧城市、联合安防、应急管理及响应）、金融领域（信贷风险评估、金融反欺诈、反洗钱、征信、保险定价）、医疗领域（联合诊断、智能问诊、辅助医疗、病理分析、药物研发）、广告领域（精准营销、客户画像）等都有一定的应用。
在医疗行业，隐私计算技术有望打破医疗数据孤岛现象。由于各地医院的信息系统独立且分散，以及医疗数据属于极度隐私的信息，为了避免出现合规风险，各医疗机构普遍对数据持保守态度，病情与病例数据不允许离院共享，各医疗渠道信息的数据融合难度极大，阻碍了医疗系统的智能化发展。比如利用隐私计算中的联邦学习技术，各医疗机构可实现在原始数据不离院的情况下进行联合建模；利用人工智能技术针对病情与病例数据建立机器学习模型并训练，可以提高医疗科研与病情推断的效率，提升医疗服务的精准度。实际上在医疗健康领域，隐私计算技术已经逐步落地，在保护个人隐私安全的前提下，发挥卫生健康数据价值。