区块链的（de）确无法解决全部问题，但它会彻底改（gǎi）变的我们处理（lǐ）与存储数据的方式。

如（rú）今，人类（lèi）对数（shù）据的重视程度是前所未有的。我们（men）生活在一个（gè）特殊的时（shí）代，数据的用处（chù）比以往（wǎng）任何时候（hòu）都更广泛（fàn）和有价值。同（tóng）时我们在源源不断的产（chǎn）生（shēng）数据，互（hù）联网上的数据量，在未来十年里（lǐ）每两年就会翻一番。

这些数据（jù）非常有价（jià）值（zhí）。在（zài）自动驾驶汽车和物联网的时（shí）代，我们（men）周围数据的多样的可能性将（jiāng）凸显。即（jí）使是与生活（huó）有关的个人数据（jù）（比（bǐ）如我们的（de）位置、购买习惯和爱好），也具备很（hěn）高的（de）价值。

数据流动产生聚合（hé），并加以分析与计算，人（rén）类提升（shēng）了对世界（jiè）与自身（shēn）的认知能（néng）力，可以（yǐ）迅速与准（zhǔn）确的对需（xū）求与趋势做（zuò）出响（xiǎng）应，从（cóng）而（ér）获取更高的（de）效率。企（qǐ）业将这些（xiē）数据用于广告（gào）、分析（xī）模（mó）式与开发，从而赚到一大笔（bǐ）钱。

但问题是，在（zài）当前环境中，数据并（bìng）不总是得到公平和正确的处理。用户无条件（jiàn）的贡献了（le）数据，往（wǎng）往得不到回报，平台在数据（jù）的管理上的疏忽大意，经常导致（zhì）隐私数据落入不（bú）法（fǎ）之手。

随（suí）着数（shù）据变得越来越重要和有用，找到更好（hǎo）的方法来管理它是至关重要（yào）的，而用户（hù）的权利是需要放在第一位的。

当前数据经济的问题

当前数据最（zuì）大问题在于过于集中化。像Facebook和谷歌这样的垄断平（píng）台，可以任（rèn）意访问巨量的用户数据。这些（xiē）数据包含了用户喜欢什么，用户如何花钱，以及——最终用户（hù）可能会购买（mǎi）什么。

正是因（yīn）为寡头垄（lǒng）断了大（dà）部分的用户数据，这些垄断平台（tái）可以与广告（gào）商（shāng）和（hé）企业（yè）合（hé）作（zuò），帮助他们开发产（chǎn）品并投放（fàng）精准目标广（guǎng）告。广告商别无（wú）选择，只能按垄断者的规则行（háng）事（shì），因（yīn）为他们掌握了数据这个命脉。

不幸的是，尽管用（yòng）户的（de）数（shù）据价值巨大，但用（yòng）户（hù）并没有从中（zhōng）得到好处。大部分资金（jīn）流向了谷歌和Facebook——仅这两家公司就（jiù）占据了美国数字广告市场约四分之三的份（fèn）额。

目前的互联网企业的主要竞争壁垒与营收，来自于对用户数据无条件的占用，用（yòng）户为平（píng）台创造了收益，不仅没（méi）有享受到（dào）数据的价值，反而要在垄断（duàn）经营下支付高额（é）费用（即“杀熟”），这非常不合（hé）理（lǐ）且（qiě）严重违反人性。数据的垄断（duàn）经营提高了行业的准入门槛，也扼杀了创新（xīn）能力。

雪（xuě）上加霜的是，这些第三方寡头没有很好地处理这些数据，这甚至感到了民主的进程。剑桥分（fèn）析（xī）公司（Cambridge Analytica）丑闻（wén）就证明了（le）这一点。Facebook允许第三方政（zhèng）治咨询公司访问（wèn）其巨量的用户数据，从而精准的投（tóu）放选举（jǔ）广告。这是对用户隐私的严重侵犯，导致了用（yòng）户信任的严重缺（quē）失（shī）。

事到如今，人们（men）已经非常关心他们的个人数据是（shì）如何被使（shǐ）用的。在最近的一项调查中，94%的受（shòu）访者表示他们担心自己数据的安全（quán）。

而（ér）现实（shí）呢？

2018年：Facebook的泄露了50000000的个人账户数据

2017年：美国三大信用机构之一Equifax遭入侵，泄漏数据（jù）可能将影响（xiǎng）到1.4亿消费者（zhě）

2016年：成人交友网站遭黑客攻击，4.12亿个账户可能被曝光（guāng）

2015年（nián）：保险巨头Anthem下112000000人的（de）数据遭大规模泄露

2014年（nián）：eBay发生大量数据泄露事件，涉及（jí）145000000用（yòng）户（hù）

2013年（nián）：雅虎的（de）数据泄露事件，损害了30亿人的数据安全

我们（men）生（shēng）活在Web2.0时代，已有（yǒu）的技术远无法做到数据的安全和隐私。为（wéi）了（le）解决（jué）这个问题（tí），我（wǒ）们需（xū）要建（jiàn）立（lì）一（yī）个不依靠垄断性中（zhōng）间人的数据系统。我们需要（yào）让用户（hù）享受其有价值（zhí）数据带来的回报，保障个人隐私（sī）的安全，并在这些前提下达（dá）成更公（gōng）正（zhèng）开放（fàng）的自由市场，让数据更高效（xiào）使用起来。

答案是区块（kuài）链技术。2018年（nián）5月欧盟生效的《一般（bān）数（shù）据保护条（tiáo）例》试（shì）图在垄断下保护用户数据，但没（méi）有技术方案的制约，很难做出实质改变。随（suí）着（zhe）去（qù）中心化服务的发展，IPFS等分（fèn）布（bù）式文件系统的发展，破除数据垄断开始变得可能。

区块链如何保护数据

区块链技（jì）术能安全存储数据。随着数据的分散化（huà），个人（rén）信（xìn）息将不（bú）再存（cún）储在垄（lǒng）断（duàn）平台的（de）大型数据中心和数据库（kù）中。和所有用户（hù）数（shù）据都被一家垄断公司控制比起来，这将大大减（jiǎn）少个人数（shù）据（jù）泄露的可能。

像以（yǐ）太坊这样的公链提供了运行智能（néng）合约的（de）平台，我们不用依赖某一（yī）个中间服务商。在Web 3.0中，数据的控制也是分（fèn）布式（shì）的，Apple、Google、Facebook等少数权（quán）威再也无法（fǎ）控制我们的数据。

严格加密（mì）：首先，区（qū）块（kuài）链可以确保（bǎo）数据是给严格加密的，并（bìng）且使用算力对（duì）其（qí）确定性（xìng）进行担保，这意味着修改数（shù）据是一（yī）项艰巨的任务。还可以在区块链上保存数据或它的（de）电子（zǐ）签（qiān）名，区块链可产生一个（gè）声明来确保数据未被篡改（gǎi），并且还无需将整个（gè）数据都保存（cún）在区块链（liàn）上。正（zhèng）是由（yóu）于其去中心化属（shǔ）性，可以（yǐ）通过任何一个节点来检查数据签名，并验证（zhèng）它们是否（fǒu）未被更改（gǎi）。区块链可以提供可靠，独立（lì）的数据验证。

没有中心控制：由于（yú）区（qū）块链作为一种（zhǒng）技术，本质上是（shì）分布式的，因此它不（bú）依赖于一个（gè）中心控制者。没（méi）有压倒性的权限，使系统更公平、更（gèng）安（ān）全。区块链存储（chǔ）的信息是可信且准（zhǔn）确的，这（zhè）一点（diǎn）非常重要。Alphabet和Apple将不再拥有对用（yòng）户数据的绝对控制权。任何政府或实体都（dōu）无法彻底关掉一个网站或者服务，没（méi）有人可（kě）以控制他（tā）人的身份与数据。

数据（jù）所有权（quán）：用户（hù）将（jiāng）重新获得（dé）对数据的完全控制权，可以根据具体情况（kuàng）去授权共享（xiǎng）信息。基于区块链可以实现的分布式数（shù）字身份（fèn）系统，就能给个人数据一个好的（de）确权归属（shǔ）主体。自（zì）主（zhǔ）的（de）数字（zì）身份（fèn）是数据经（jīng）济的基础（chǔ）。

增加数（shù）据泄露与（yǔ）被攻击难度：由于（yú）数据将被（bèi）分（fèn）割且分发出去，当攻击者想获取（qǔ）用户数据，或（huò）者关闭整个网络，都是极（jí）为困难的（de），因为攻（gōng）击者没法就一台电脑上进（jìn）行更改，他必须掌握整个系统近乎一般的电脑才（cái）能实现。

可验证（zhèng）声明：但（dàn）在传（chuán）统的（de）中（zhōng）心结构下，不丢（diū）失数据身份KYC的（de）前提下，很难更换服务提供商（shāng），这（zhè）间接造（zào）就（jiù）了垄断。且而对服务（wù）提供者（zhě）（特别是小型企业与创业公司）与用户来说，KYC的成本实在过于高昂，且无（wú）法重复利（lì）用，对用（yòng）户（hù）来说还存在数据泄露的风险（不是所有（yǒu）服务（wù）提供者（zhě）都是（shì）可信的）。可验证（zhèng）声明可以解决上（shàng）述问题，这（zhè）也（yě）是基于区块链的加（jiā）密属性与（yǔ）不可篡改（gǎi）性中获得的。可验证声明可对数（shù）据做（zuò）出选择性的披露，甚至不披露仅做出担保，因此可在不泄（xiè）漏数（shù）据的（de）前提下，更容易（yì）、更（gèng）低成本地获取其他服务主（zhǔ）体（tǐ）或被请求者（zhě）的信（xìn）任，最终（zhōng）在不共享（xiǎng）数据的情况（kuàng）下交易数（shù）据的价值，比（bǐ）如给数据购买者提（tí）供一个可信声明，可以（yǐ）是经过隐私数据训练的模型，或者特定数据间的（de）统计相关性结果等等（děng）。