1.5.2　当前存在的不足

既能享受机器学习算法带来的便捷生活，又能保证隐私不受侵害，这听起来十分美好，但现实是我们往往需要在这机器学习算法的性能与隐私数据的安全性之间不断权衡与取舍，从而寄希望于达到一个我们能够接受的平衡。这一方面是由于硬件性能的限制，使我们无法在追求当前能达到的极致安全性的同时，保证机器学习算法的速度和准确程度；另一方面是由于理论上现有的隐私保护方案确实需要牺牲一部分算法的性能来增强其安全性。这也导致了应用隐私保护方案的机器学习系统目前在商用领域难以普及。因此，可以认为该领域目前主要存在以下几点局限。

第一，算力局限。计算机的算力问题是隐私保护机器学习的根本问题，算力的进一步提升也将成为解决这一问题的最终解。只有不断突破算力瓶颈，才能给机器学习中的隐私保护方案提供源源不断的动力。

第二，理论局限。这也是当前学术界正不断努力解决的重点问题，如何提高隐私保护技术的安全性，如何降低隐私保护方案的性能开销，机器学习算法的性能与安全性的平衡点在哪里，这些都是需要不断探索的难题。

第三，制度局限。近年来，关于隐私与个人信息保护的制度愈发全面与完善，但是随着技术的进步，威胁到信息安全的手段也愈发多样，因此制度层面也要充分结合技术理论，与时俱进。当然，在现有制度和法律框架之下根据不同行业，如大数据和人工智能行业，对不同目标群体进一步细化深化规定，也是当前极为迫切的工作。

第四，意识局限。虽然不断有隐私泄露事件的发生为人们敲响警钟，但是在日常生活中，人们总是或多或少地有意或者无意地，主动或者被动地泄露自己的隐私来交换更加舒适的生活体验。甚至有时隐私泄露已经对自身造成不良后果，也碍于维权的复杂与烦琐不能及时进行申诉。因此，提升公众隐私防范意识和维权能力，也能为促进行业的健康发展提供助力。