一場圍繞數據隱私的攻堅戰。

去年年初，網上流傳這樣一個段子，一位已婚男性用戶向支付寶發出「抱怨」，稱後者發布的2017賬單暴露了他過去一年的開房記錄，以致於家庭被迫走在毀滅的邊緣（圖片如下）：

一時間，支付寶賬單被頂上了輿論的風口浪尖，這一切的背後是用戶數據隱私的被採集和利用。

而一波未平一波又起，時隔不到兩個月，Facebook也因為同樣的理由遭遇了比支付寶更嚴重的考驗，即臭名昭著的「劍橋分析」事件，數據泄露範圍高達8700萬用戶。因為這一事件，小扎經歷了長達5個小時的國會聽證，並針對用戶隱私政策和數據泄露事件接受了44位議員的質詢。

在這之後，華住集團5億條數據遭泄露、平台頻現「大數據殺熟」、騷擾電話接連不斷……可以說，自去年年初開始，關於「數據隱私」的討論就一直很激烈。

技術面前，隱私不再「隱私」

「隱私」一詞第一次出現是在周朝初年，指代「衣服」，即把私處藏起來的東西。按照現在的說法，所謂的「隱私」，即一種與公共利益、群體利益無關，當事人不願他人知道或他人不便知道的個人信息，當事人不願他人干涉或他人不便干涉的個人私事，以及當事人不願他人侵入或他人不便侵入的個人領域。

隱私的周圍或多或少都會存在窺探者，出於不同的目的，他們往往能夠把隱私玩出許多花樣，並由此誕生了許多不同的職業和市場，比如致力於圍繞個人或群體調查信息的私家偵探，又比如滿足人們對明星生活好奇心的娛樂記者……而隨著互聯網時代，人們窺探隱私的手段也以可見的速度進行升級換代，尤其是在用戶服務、市場營銷等領域。

以市場營銷為例，今年315晚會現場所揭露的數據灰色產業至今令人記憶猶新。通過一種「探針盒子」設備，設備持有人便能夠捕捉手機的區域網信號，繼而獲取MAC地址。只需要將這段地址數據與大數據系統進行配合，包括性別、年齡、收入、婚姻狀況、教育程度、新老客屬性等在內的機主信息都將一覽無餘。基於這些信息，服務商即可幫助商家勾勒出用戶精準畫像，進而開展廣告精準推送等等。

一套流程下來，整個步驟就是如此的簡單粗暴且有效。而在以往，這些信息的收集和用戶畫像的勾勒往往需要消耗大量人力和時間去進行用戶調查、數據歸納整理等工作，且精準度也因為用戶的主觀意識而存在不確定性。

而在線上，在得到類似效果的前提下，獲取用戶數據隱私的成本則更低。明面上，APP會要求用戶同意並授權諸如相機、麥克風、位置信息等服務，從而正大光明的採集各類數據；暗地裡，無需用戶同意或授權，平台往往也能夠通過cookie等技術手段採集用戶數據，繼而勾勒畫像，提供個性化服務或精準營銷。

令人氣憤或無奈的是，為了正常使用服務，用戶往往不得不同意那些存在隱私泄露隱患的隱私政策，並授權平台使用相機、麥克風等。

可以說，在智能演算法等技術面前，人們的隱私已經不再私密，甚至比以往更易獲得。

選擇隱私與服務，這道選擇題沒有絕對的答案

如何保護隱私？傳統做法是閉緊嘴巴、避開他人耳目行事。直到1980年，「隱私權」這一概念才被提出，讓人們在法律層面找到了保衛隱私的武器。而隨著互聯網時代、智能化時代的到來，這一法律武器也「學會了」與時俱進。

比如歐盟，其在2016年通過了被稱為史上最嚴的《常規數據保護條例》（簡稱GDPR），要求數據控制者（收集歐盟公民數據的任何公司）嚴格執行條例所規定的數據處理規範，及時告知數據主體的使用情況。GDPR已經於2018年5月份正式實施，彼時依舊身陷「劍橋分析」事件泥潭的Facebook剛好撞在槍口上。

可以注意到，GDPR所強調的是公司要將數據使用情況及時告知用戶，而非要求公司停止收集數據。為什麼？因為就現實情況而言，用戶數據在多數情況下是避無可避的。

比如那些正在使用APP的用戶，他們難道不知道自己的數據正在被收集嗎？非也。現實情況是，他們出於社交等目的不得不繼續使用這些APP，且能夠在不受到直接物質傷害的前提下享受到一些有價值的服務。

當然，或許有人為了信息不被收集而拒絕使用那些APP，甚至不主動使用任何聯網設備，但這樣就能夠避免數據隱私被採集嗎？不是的。

數據的收集主要依賴於各類終端設備，據前瞻產業研究院發布的《2018-2023年中國物聯網行業細分市場需求與投資機會分析報告》初步估算，2020年物聯網設備數量將達到204億。

針對手機、電腦等自可控智能設備，用戶可以選擇斷網、遮擋攝像頭等物理操作來阻止它們收集並上傳數據，但在超市、商場，甚至是大街等被充斥海量智能設備的不可控場景中，出於安全等多樣性的目的，被留下數據痕迹是不可避免的事情。

與此同時，數據隱私的控制權也從用戶手中轉移到採集數據的公司手中。

還記得此前，針對數據隱私以及基於數據訓練演算法而來的個性化服務，李彥宏曾發表一番言論，在業內引發一場熱議。關於「中國用戶願意拿數據隱私換取服務」的觀點，這裡不予置評，但他所提到的一個觀點說的有幾分道理，他說「我們也要遵循一些原則，如果這個數據能讓用戶受益，他們又願意給我們用，我們就會去使用它的。我想這就是我們能做什麼和不能做什麼的基本標準。」

在網路四通八達、處處充斥著智能設備的當今，如果沒有花費心思進行隱藏的話，人們的一舉一動都將近乎完全暴露。這時候，人們需要擔心的不是自己的數據是否被收集，而是這些數據是否被不正當利用。而除了正常的法律約束，技術支撐往往也是不可或缺的，尤其是在一切事物都被「數據化」的當下。

保護隱私，法律之外還需要「以毒攻毒」

上至國家、下至普羅大眾，」未來是AI時代「已經成為了一個共識。經過這幾年的發展，AI已經走下神壇，從一個深奧的話題演變的更為貼近民生。與此同時，人們也享受到了AI所帶來的便利。而這其中，最大的功臣之一就是數據。

有了數據，演算法能夠在不斷的訓練中提升精準性；有了數據，演算法才能針對性的面向用戶提供服務，而不是成為一個雞肋；有了數據，人們所設想和期待的萬物智聯才會成為現實……可以說，數據是智能化實現的動力。

圍繞智能化趨勢所帶來的數據隱私安全以及是否被濫用問題，諸多國家正在從法律層面進行完善，除了前面提到的歐盟GDPR，我國也於去年5月份正式實施《信息安全技術個人信息安全規範》，要求平台在收集個人敏感信息時，平台應徵得用戶的明示同意，並區分核心功能和附加功能，以打破」一攬子授權「的難題……

理性的來說，健全的法律只是利用一種合法的手段為人們提供一個武器，對收集數據的公司起到一個震懾的作用，但並不能完全消除人們對於數據隱私被收集和利用的擔憂。而基於這股擔憂，用戶也將在一定程度上」不信任「公司基於數據而提供的服務，久而久之，用戶與公司之間必然將產生裂縫，這並不是後者所願意見到的。

為了避免這種情況的發生，越來越多的公司開始關注起」數據隱私「這一以往被忽略的問題。比如谷歌，在日前舉辦的I/O大會上全程不忘提及他們在隱私保護上做出的努力。

目前，為了讓用戶對數據隱私放心，企業的解決方案分為兩大方向，一個側重於數據收集的源頭，另一個則將重點放在數據收集之後的保護：

· 數據脫敏

前面也提到，為了達到個性化服務、精準營銷等服務，數據被收集是一個必然的事實，只是需要注意的是，並不是所有數據都要被收集。在這方面，部分企業選擇收集那些非敏感數據，即脫敏數據。

這一過程中，當涉及客戶安全數據或者一些商業性敏感數據的情況，在不違反系統規則條件下，企業會通過脫敏規則對數據進行改造，剔除身份證、手機號、卡號、年齡、性別等個人敏感信息。

目前，「數據脫敏」這一方法被大多數企業所採用，區別只在於具體方式不一樣。經過脫敏處理後，留下則是結構化數據，不存在過於敏感的隱私問題。一般而言，基於脫敏數據而形成的用戶畫像是不完整的，做不到特別精準的個性化推薦、服務，但是對於一些商業目的而言，這些已經足夠。

與此同時，從數據智能化的流程上講，收集脫敏數據意味著用戶的敏感信息從最初就被剔除在外，相當於從源頭即開始保護用戶的數據隱私，從而保證了數據隱私的安全性。

· 邊緣計算

自去年開始，邊緣計算就一直被業界所推崇，而在探討其優勢的時候，「提高數據的安全性與可靠性」這一點必定在列。

在邊緣計算被提出之前，終端設備在雲計算模式下需要將所收集的用戶數據上傳至數據中心，也就是所謂的雲端，某些時候常常造成數據擁堵的現場，而更需要提高警惕的是，這些數據極有可能在上傳過程中，亦或是在終端伺服器內遭到泄漏。

不同於雲計算的操作模式，邊緣計算將包含用戶隱私的數據放在邊緣節點，以進行保存和處理分析，相對提高數據的安全性。

另外，因為是將數據放在邊緣節點，邊緣計算的數據隱私避免了長途跋涉的過程，在縮減數據上傳時間、躲開數據擁堵的同時，也提升了設備的響應速度。

· 聯邦學習

邊緣計算之後，近期出現了又一個針對數據隱私保護的新概念，即「聯邦學習」。

「聯邦學習就像一個安全的道路網路，可以既滿足人工智慧的訓練要求，又保障我們的個人隱私不被濫用，因為這個道路網路上跑的是無法還原到原始數據的加密信息。」創新工場南京國際人工智慧研究院執行院長馮霽表示。

以學生的個性化教育為例，圍繞該學生的所有數據被分散化的，這並不利於最佳模型的訓練。同時，若將數據在不進行加密或不在安全標準下進行跨地域、跨數據源的聚合和交換，企業也無法在所有不同數據源上訓練最能反應該學生學歷歷程的AI模型，也需要承擔極大的數據隱私風險。

而藉助聯邦學習，業界可以建立一個安全的共享機制，不需要交換原始隱私數據，企業只需要在加密的數據上進行聚合訓練，就可以得出完整反映學生情況的AI模型，並基於該模型為學生針對性的定製學習計劃。

聯邦學習的這種做法，相當於在原始數據外圍增加了一把鎖頭，並進行模糊化處理等二次加工。

在智能化時代，數據就是新的生產力，兩者之間相互扶持，一榮俱榮、一損俱損。沒有數據的支撐，智能化也只能停留在淺層表面，相比於它真正所能夠提供的價值，停留在表面的智能化只能算是碌碌一生。

若要得到數據的支撐，那麼安全性則是一個始終都繞不開的話題。只有安全性得到保障，用戶才會信任演算法、信任服務，繼而才會使用它，並向提供服務方進行反饋，形成一個良性循環。

更多優質內容，請持續關注鎂客網~~

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！