---
title: "安全多方計算（MPC）"
slug: mpc
language: zh-TW
source: https://aiterms.tw/terms/mpc
updated_at: 2026-07-30
tags: [聯邦學習, AI倫理與治理, 模型部署, 機器學習]
ipas_term: false
---

# 安全多方計算（MPC）

安全多方計算（Multi-Party Computation，MPC）是一種密碼學協議，允許多方在不揭露各自私有輸入資料的前提下，共同計算某個函數的結果，廣泛應用於聯邦學習、隱私保護 AI 推論等場景

## 完整說明

安全多方計算（Multi-Party Computation，MPC）是現代密碼學的核心分支，旨在解決「多方協同計算但互不信任且不想共享原始資料」的問題。形式化定義：n 方各持有私有輸入 x_1, x_2, ..., x_n，希望共同計算函數 f(x_1, ..., x_n) 的結果，且每一方只能獲知自己的輸入與最終輸出，無法推導出其他方的私有資料。MPC 的實現技術包括：祕密分享（Secret Sharing）、加密電路（Garbled Circuit）、同態加密（Homomorphic Encryption）與零知識證明（Zero-Knowledge Proof）。在 AI 領域，MPC 

## 常見問題

### 安全多方計算（MPC）如何在實際 AI 推論中保護用戶隱私？

在隱私保護推論場景中，MPC 的典型運作方式為：用戶（Client）持有私有輸入（如醫療影像），AI 服務商（Server）持有私有模型權重。透過 MPC 協議，雙方在各自加密的資料上執行神經網路的前向傳播計算：每一層的矩陣乘法和激活函數都在密文或祕密分享形式下完成。最終用戶只獲得推論結果，無法看到模型權重；服務商完成計算但無法看到用戶的原始輸入。代價是計算和通訊成本顯著提高，目前在學術研究中已實現 CIFAR-10 等中型模型的 MPC 推論，但大規模生產部署仍需效能優化。

### MPC 中的「半誠實」和「惡意」安全模型有何差異？

兩者代表對攻擊者行為的不同假設，直接影響協議設計的複雜度。半誠實（Semi-Honest）模型假設所有參與方都遵守協議規則，但可能嘗試從觀察到的訊息（如中間計算結果、通訊內容）推導其他方的私密資料。這個假設在各方都有契約約束的商業合作中較合理，相應的 MPC 協議設計較簡單、效能較好。惡意（Malicious）模型假設攻擊者可以任意偏離協議（偽造訊息、中途退出、輸入錯誤資料），協議必須能偵測並防止這類攻擊，需要引入零知識證明等額外機制，計算成本大幅提高。實務選擇取決於參與方的信任程度和法律責任歸屬。

### MPC 在 iPAS 考試的考察重點是什麼？

在 iPAS AI 應用規劃師中級考試中，MPC 通常作為聯邦學習與隱私計算專題的延伸考點。常見考察面向包括：（1）MPC 與聯邦學習的關係：兩者的層次差異（架構 vs. 密碼學協議）及互補關係；（2）MPC 的應用場景判斷：哪些場景適合用 MPC（多方有敏感資料、不信任彼此、需法規合規）；（3）MPC 的主要技術手段：祕密分享、同態加密、加密電路各自的基本原理；（4）MPC 的侷限性：效能開銷、最終輸出仍可能洩露資訊、需搭配差分隱私。掌握「MPC 保護計算過程中的輸入隱私，但有效能代價」是核心解題框架。

---

來源：https://aiterms.tw/terms/mpc
快查頁：https://aiterms.tw/terms/mpc
最後更新：2026/07/30
深度解說：https://aiterms.tw/learning/what-is-mpc