机密计算产业全景与挑战

产业发展背景及面临的挑战

• 安全法律法规：全球多个国家和地区出台数据安全与隐私保护法律法规，如欧盟AI法案、中国网络安全法等，推动机密计算作为保护使用中数据安全的关键技术。
• 数字基础设施建设安全需求：AI大模型、云计算、关键基础设施等领域对计算安全提出全新挑战，机密计算成为支撑数字基础设施安全建设的关键技术。
• 业务需求驱动下的产业协同：机密计算产业正经历从单点技术突破向生态协同发展的转变，算力提供方、应用提供方与服务提供方等更加紧密协作。
• 国产算力基础设施建设面临的安全挑战：国内机密计算方案高度依赖国产芯片的可信执行环境能力，国产芯片TEE成熟度与国际先进水平间仍存在差距，标准缺失制约生态成熟。

产业规模与发展

• 全球机密计算市场规模与增长速率：2025年估值约56亿至242亿美元，2026年预计增长到427亿美元，年复合增长率普遍在16%至36%。
• 垂直领域落地情况：机密计算在各垂直领域采信率呈现差异化发展态势，人工智能、金融服务和政务与医疗服务等典型应用场景分析其应用情况。
• 产业成熟度评价体系：从技术、市场、生态三个维度综合审视，机密计算产业在技术就绪上已接近成熟，在商用落地率上正处于从早期采用者向主流市场跨越的关键阶段，在标准完备性上已具备清晰的体系化框架。

机密计算技术创新与代际演进

• 机密计算含义与内涵拓展：机密计算是以可信硬件为基础，通过隔离、加密、证明等机制，保护使用中数据安全的计算模式，已步入3.0阶段，以异构TEE融合、机架级信任域、端云协同为标志。
• 机密计算技术路线与架构体系：主流技术路线包括ArmCCA、X86和独立扩展卡级TEE，形成了分层标准化的技术体系，从硬件层到应用层各层级协同实现全链路安全可信。
• 机密虚拟机/容器关键技术：机密虚拟机和机密容器是当前云场景下机密计算的主流落地形态，其核心技术围绕TEE硬件与虚拟化软件栈的协同优化、安全防护能力增强与性能损耗控制三个方向发展。
• RISC-V机密计算技术：RISC-V机密计算遵循最小可信计算基原则，形成了国际标准、国内自主、开源框架、商用芯片四大主流技术路线。
• 异构机密计算技术：基于GPU、NPU的异构TEE技术成为机密计算发展的新方向，旨在保护异构计算任务的机密数据与计算资源。
• 端云协同的机密AI推理：端云协同的机密计算方案正成为主流技术路径，以硬件级TEE重构端侧AIAgent的信任根，打造软硬一体的端侧机密计算解决方案。

机密计算参考框架与部署模式

• 新一代参考框架：由机密计算环境、机密计算管理服务（可选）以及机密计算应用生态三大核心板块构成，并融入了跨域互联层、监管适配层与生态协同层。
• 主流部署模式实践：包括端云协同部署方式、跨机架全域机密计算集群部署方式、独立扩展机密计算集群部署方式等。

机密计算应用案例

• 机密云服务：基于机密计算环境提供安全可信的算力租用服务，如安全增强型云主机赋能视联网应用场景。
• 机密计算金融应用：基于机密计算环境构建数字签名验签、数据加密及密钥管理等密码服务，如国产化银行柜面终端机密计算应用场景、基于机密计算的内生密码安全技术场景。
• 数据可信流通：计算结果需求方下发需求，数据提供方将数据以密文形式导入机密计算环境，如国家微生物科学数据中心基于TEE实现基因数据分析场景。
• AI大模型与数据保护：机密计算成为AI安全基础设施的核心组成部分，如火山方舟MaaS原生机密推理服务场景、OPPO私密计算云（PCC）——端云协同数据可信流通场景、鲲鹏机密Agent场景、医疗病理大模型密态训练与辅助诊断场景、基于SPU的超级SIM卡云端协同大模型密态计算平台场景。

机密计算标准体系

• 国际标准：ISO/IECJTC1/SC27目前在研国际标准。
• 国外相关标准：IETFRATs、IETFTEEP、GP、TCG、IEEEP2952、P3156等。
• 国内相关标准：国家标准GB/T45230-2025《数据安全技术机密计算通用框架》、行业标准JR/T0196-2020《多方安全计算金融应用技术规范》、团体标准T/GCC1005-2025《机密计算平台技术要求与测评方法》、T/GCC1006-2025《机密计算远程证明服务技术要求》等。

未来展望

• 我国机密计算面临的核心挑战：安全基座尚不稳固、产业协同创新不足、应用生态尚不成熟、标准体系不完善。
• 未来发展展望：构建弹性机密计算平台与协同信任根、机密人工智能正成为机密计算的"杀手级应用"、机密计算应用与市场规模将快速增长、构建自主可控的机密计算技术体系、与数据流转和数据处理技术结合。
• 发展建议：国家层面加强顶层设计与统筹协调、产业层面构建自主开放的协同生态、科研机构层面强化前沿探索与人才培养。

案件背景

比利时教练 Steve Leon J Herbots 与印度俱乐部 United Sports Club 之间存在劳动关系纠纷。双方曾签订两份雇佣合同，分别为 2022 年 8 月 1 日至 2027 年 7 月 30 日的第一份合同和 2024 年 8 月 1 日至 2029 年 3 月 31 日的第二份合同。

纠纷焦点

教练声称俱乐部未支付其部分工资，并以此为由单方面终止了第二份合同，要求俱乐部支付拖欠的工资、赔偿金和返回机票。俱乐部则反驳教练的工资要求，并声称教练无正当理由终止合同，要求教练支付赔偿金和医疗费用。

FIFA 立场

FIFA 球员身份委员会（以下简称“委员会”）认为其有权处理此案，并适用 2025 年 1 月版《足球仲裁庭程序规则》和 2025 年 7 月版《球员身份和转会规则》。

核心观点

1. 工资争议：委员会认定俱乐部拖欠教练 2023 年 8 月至 11 月的工资共计 332,640 印度卢比，以及 2025 年 4 月的工资共计 57,144 印度卢比。俱乐部在第二份合同中规定的租金扣除被认定为合法，因此教练 2024 年 8 月至 2025 年 2 月的工资扣除也被认可。
2. 合同终止：委员会认为教练无正当理由终止了第二份合同。教练声称的“财务原因”不足以构成正当理由，且其在终止合同前未与俱乐部进行充分沟通。
3. 赔偿金：委员会认定第二份合同中的“赔偿”条款为买断条款，而非违约金条款，因此拒绝俱乐部的赔偿要求。
4. 医疗费用：委员会认为俱乐部支付的医疗费用为自愿行为，且未事先要求教练偿还，因此拒绝俱乐部的医疗费用偿还要求。

研究结论

1. 俱乐部需向教练支付拖欠的工资（含利息）共计 389,784 印度卢比。
2. 俱乐部需在收到决定通知后 45 天内支付全部款项，否则将面临球员注册禁令，禁令期限最长为三个完整的注册期。
3. 本案不产生程序费用。

香港经济面临劳动力萎缩和生产率增长放缓的挑战，人工智能（AI）被视为新的可持续增长源泉。埃森哲调查显示，生成式AI预计将在18个月内将生产力提高15%，成本削减11%，但仅12%的组织已规模化投入，存在执行差距。

先锋组织优势

• 22%的组织已规模化投入生成式AI，回报超出预期，机会识别更出色。
• 优势源于四大核心要务：
  1. 以价值为引领：AI投资需与商业目标挂钩，超越孤立应用案例。
  2. 重塑工作：围绕AI重塑任务分配和角色，而非简单叠加技术。
  3. 重塑数字核心：构建语义层和模型编排，支持自主型AI扩展。
  4. 嵌入负责任的AI（RAI）：确保信任贯穿AI生命周期，提升监管适应性。

关键数据

• 仅3%公司将AI与核心战略整合，34%在多职能领域持续获得AI价值。
• 45%企业认为运营模式是AI生产力障碍，78%缺乏Emerging Specialist AI技能。
• 仅有1%公司整合自主AI，57%使用多供应商LLM，3%达顶尖LLMOps水平。
• 13%公司RAI能力较高，79%预计18个月内提升，但仅13%预算投入RAI。

研究结论
香港具备AI驱动增长的要素，但企业需将AI视为运营规范，融入战略、工作、技术及风险管理。能力建设需同步推进，否则单一强化会引发新问题。未来18个月，企业需加速提升LLMOps、RAI和人才能力，以实现生产力提升（15%）、收入增长（14%）、成本削减（11%）和客户体验改善（14%）。

本文指出在物理AI领域，随着Tesla Optimus训练体系推进，机器人真实数据的重要性凸显。与智能驾驶不同，机器人需从头建立真实世界数据生产体系，经历人类演示、模型学习及仿真自主训练闭环。产业链价值不仅在于采集，更在于数据资产化、合成蒸馏与精炼治理。作者继续看好物理AI全产业链，强调数据与垂类应用为核心议题，并列举了数采、大小脑及端侧相关公司。同时提示技术迭代、商业化落地不及预期等风险。

昨日数采方向个股表现有所分化，今日板块再度走强。我们认为，随着Tesla持续推进Optimus训练体系建设，机器人真实数据的重要性进一步得到验证。特斯拉此前Q3业绩会指出，与汽车拥有大规模在用终端、能够持续获取真实世界数据不同，Optimus目前尚不具备大规模本体作为数据采集载体，需要首先通过人类演示完成基础训练，再结合仿真与真机自主练习，逐步形成训练闭环。相比智能驾驶能够依托影子模式持续积累数据，机器人需要从头建立真实世界的数据生产体系。

我们继续看好物理AI全产业链，数据+垂类是核心议题。随着模型从大语言模型向世界模型演进，机器人训练所需的动作轨迹、力觉、触觉及Corner Case等数据无法直接从互联网获取，需要在真实世界中持续生产。随着机器人训练逐步形成“人类演示—模型学习—仿真及真机自主训练”的闭环，数据需求有望持续提升，数据服务及场景数据价值进一步凸显。

相关公司：

• 数采：凡拓数创*、海天瑞声*、开普云*、峰岹科技*、福莱新材、华依科技*、创维数字*、慈星股份*、敏芯股份*
• 大小脑：江顺科技*、华锐精密*、能科科技*、金马游乐*、奥比中光、中控技术*、宝通科技、博雷顿*、索辰科技*。
• 端侧：宇树科技、上纬新材*、瑞芯微、歌尔股份*、全志科技*、恒玄科技*、大普微、德明利*、佰维存储。

风险提示：
物理AI模型技术迭代不及预期；物理推理与空间建模能力提升不及预期；机器人数据采集及训练需求不及预期；下游商业化落地不及预期。