一、开篇：主题说明与背景介绍

感谢蚂蚁密算平台的邀请，本次分享为华泰保险经纪有限公司与蚂蚁集团在技术合作领域的联合研究成果。本次内容聚焦于密算技术在车险行业的实际落地应用，不涉及底层理论阐述。

分享将围绕以下两个维度展开：
① 团队在新能源车险业务中的发展历程与生态建设实践；
② 密算技术如何赋能车险行业，在保障数据安全的前提下释放数据价值，并展望未来应用场景。

二、团队车险业务发展：构建新能源车险生态的探索与沉淀

作为国内最早与造车新势力协同发展的保险服务团队之一，我们深度参与了新能源汽车保险生态的构建过程。自2018年起，持续推动商业模式创新，逐步形成以科技驱动为核心的服务体系。

1. 核心定位与关键成果

• 业务规模：联合生态伙伴累计完成百万级新能源车辆承保，实现车险保费销售总额达数百亿元，单年度最高销售额突破70亿元；
• 行业影响：多项创新模式获得主流主机厂及保险公司认可，成为行业内可复制的标杆案例。

2. 关键发展阶段回顾

2018年：联合多家保险中介机构组建中介共同体，携手头部主机厂推出“主机厂品牌车险”产品，首次将车险纳入整车服务体系，打造集保险、金融、服务于一体的综合解决方案。

发展期核心突破：

• 自主研发免路单智能报价出单系统，提升投保效率；
• 实现车险、非车险及非保险类产品的“核单—支付—实时清分—实名认证”全流程线上闭环；
• 建成车险专属云客服务平台，支持多角色在线协作与服务触达。

2024年：在部分领先新能源车企中试点部署“续保云服务机器人”，开启全流程自动化续保服务新模式。[此处为图片1]

3. 生态协同与服务能力布局

目前已整合主机厂、保险公司、维修服务商、经纪公司、支付机构及科技企业等多方资源，形成覆盖全链条的车险运营生态。

服务范围涵盖：
- 主机厂直销车辆
- 经销商渠道车辆
- 员工自用车辆
- 社会私人车主
- 商用车辆运营主体

目标是通过“科技+精细化运营”的双轮驱动，打造以品牌化保险为核心的智能车生活服务体系，持续优化终端用户的保险体验。

三、车险行业的数据挑战与密算技术的价值契合

随着车联网和数字化进程加速，车险生态对数据依赖日益增强。然而，数据的安全性、合规性与共享需求之间的矛盾愈发突出。

1. 行业面临的核心数据难题

数据的重要性：车险服务贯穿车辆全生命周期，涉及驾驶行为、使用场景、维修记录等多维信息，智能化升级高度依赖跨主体数据融合。

合规压力加剧：国家层面《数据安全法》《个人信息保护法》以及银保监会发布的《银行保险机构数据安全管理办法》，明确要求金融领域采用隐私增强技术（PETs）进行数据处理，确保敏感信息不外泄。

2. 密算技术的关键优势

密算技术集合联邦学习、安全多方计算、同态加密、可信执行环境等多种手段，实现“数据可用不可见”，其核心价值体现在：

• 安全协作：原始数据不出域，仅通过加密状态下的模型或参数交互完成联合计算，避免敏感信息暴露；
• 价值融合：打通孤岛数据，融合多方特征维度，生成更具预测力的复合型数据资产；
• 合规兼容：满足“最小必要原则”和“数据不出境”监管要求，实现高效且合法的数据流通。

3. 车险生态中的六大核心数据类型

这些数据构成了密算技术发挥作用的基础对象：

1. 主机厂用户数据：包括实际驾驶人身份、绑定账户等信息；
2. 车辆基础数据：车型、配置、所有权归属、营运属性等；
3. 行驶行为数据：行驶里程、频率、路况、违章情况、驾驶习惯等；
4. 投保历史数据：过往保单、险种选择、保费变动趋势等；
5. 理赔与维修记录：事故详情、定损金额、维修项目、零部件更换等；
6. 车后市场消费数据：保养、洗车、代驾、加油、充电、导航偏好等场景化行为。

四、密算技术在车险领域的三大典型应用场景

场景一：基于动态行为的风险定价——推动UBI车险精准化

现实痛点：

• 保险公司掌握用户静态画像（如年龄、性别、历史出险），但缺乏动态驾驶行为支撑精准定价；
• 主机厂拥有丰富的实时驾驶数据，但因涉及用户隐私无法直接开放。

密算解决方案：

• 同态加密路径：主机厂对驾驶行为数据进行加密后提供，保险公司直接在密文状态下运行风险评分模型，输出加密结果并解密用于保费计算；
• 联邦学习路径：双方分别基于本地数据训练子模型（保险公司用理赔数据，主机厂用驾驶行为），仅交换梯度或参数，最终聚合为联合风险评估模型。

实现价值：

• 保险公司可推出真正意义上的“按人/按程计费”UBI产品；
• 主机厂可在不泄露用户数据前提下，提供安全驾驶积分、个性化提醒等增值服务；
• 车主享受更公平、个性化的保费方案及配套服务体验。

场景二：拓展非车险产品边界——破解责任认定困局

聚焦与车辆强相关的新兴非车险产品，如延保服务、自动驾驶责任险、电池损失险等，解决传统模式下“事故成因难追溯、责任难界定”的问题。

案例1：自动驾驶责任保险

• 数据来源：主机厂掌握传感器原始数据、系统决策日志、控制指令流等关键信息；
• 密算机制：主机厂将相关数据加密上传至联合计算平台，保险公司依据预设规则在加密环境下分析是否触发自动驾驶模式下的保险责任；
• 应用意义：为L3及以上级别自动驾驶商业化落地提供必要的保险技术支持。

案例2：电池非现场损失补偿保险

• 行业难点：新能源车电池底部磕碰常发生在无监控路段，损伤可能数日后才显现，导致事故真实性难以核实；
• 密算逻辑：主机厂加密上传电池电压、温度、冲击记录等工况数据，保险公司结合理赔规则在加密环境中判断是否符合赔付条件；
• 延伸价值：该机制还可应用于新型非车险产品的定价建模、风控策略制定及自动化理赔流程设计。

[此处为图片2]

场景3：智能理赔与减损——增强效率与反欺诈能力

在当前车险服务中，理赔环节面临多方数据难以协同的挑战。主机厂掌握车辆运行过程中的关键数据，如碰撞时间、故障发生时序以及各类传感器记录信息，这些数据对判定事故真实性具有重要意义。然而，由于涉及技术机密和用户隐私，此类数据通常无法直接对外共享。

与此同时，保险公司虽拥有报案记录（包括报案时间、损失描述等），但在缺乏车辆端详实数据支持的情况下，难以准确判断责任归属，增加了人工核验成本，并存在被虚假报案或骗保行为利用的风险。

[此处为图片1]

安全多方计算驱动的解决方案

为实现数据可用不可见的目标，可采用密算技术中的安全多方计算方案构建联合责任判定机制：

• 主机厂将加密后的故障时间戳、传感器异常数值等关键车辆日志上传至安全计算环境；
• 保险公司同步提交加密的报案时间、损失详情及预设的责任判定规则；
• 通过多方安全计算协议，系统自动分析“事故发生时间”与“车辆故障特征”之间的关联性，例如比对时间差是否合理、传感器波动是否符合碰撞模式；
• 最终仅输出一个结论性结果：“是否属于保险责任范围”，不泄露任何原始数据内容。

实际应用价值

该模式有效提升了理赔流程的自动化水平，显著减少人工介入的需求，加快案件处理速度。同时，借助精准的数据比对能力，能够识别出不符合物理规律的异常报案，从而防范骗保行为，降低赔付风险。

更重要的是，在整个过程中，各方敏感信息均处于加密状态，既保障了主机厂的技术数据安全，也维护了车主的个人隐私权益，实现了业务推进与合规保护的平衡。

总结与未来发展趋势

核心价值归纳

参与方	主要收益
保险公司	实现更精准的定价策略、提升理赔处理效率、强化风险控制能力
主机厂	推动个性化用户服务升级，安全释放车载数据潜在价值
车主	享受更加公平合理的保费机制，获得更安全的驾驶体验及多样化增值服务

行业前景展望

随着数据安全法规日益严格与智能化需求不断增长，密算技术有望成为支撑车险市场向精细化、智能化演进的关键基础设施。它不仅助力企业在合法合规前提下挖掘数据潜力，也为构建以隐私保护为基础的创新生态提供可能。

未来，基于密算架构的专业化车险大模型或将涌现，进一步推动行业形成“数据不动价值动”的新型协作范式，实现业务发展与用户权益保护的双赢局面。