AI 時代的隱私保護：“匿名”只是擋箭牌

當蘋果在 WWDC 2016 的主題演講中，講到“差分隱私 (Differential Privacy)”這個密碼學專有名詞的時候，只有少數人意識到，蘋果又走在了時代前列。

大部分中外觀察者都認為，蘋果為人工智能時代所做的努力不夠，它依然是一家以硬件設備為核心的公司，對于為更大規模的用戶提供服務不感興趣（例如 iMessage 等軟件均沒有 Android 版），所以等人工智能技術得以真正嶄露頭角的時候，很可能難以追趕 Google、Facebook、亞馬遜和微軟。

這或許是對的。但蘋果在解決人工智能時代的隱私保護難題上，又似乎比其他科技巨頭，走得更遠。

人工智能依賴于機器學習（深度學習）算法，而機器學習又需要大規模的訓練數據，所以向用戶搜集數據比以往更加重要。

如今，當你向一家互聯網公司詢問，你們收集來的用戶信息會不會侵犯用戶隱私的時候，行業標準答案是：

1、收集用戶信息是必要的，這樣有助于改善產品或服務。

2、我們是匿名收集用戶信息的，并不保存任何用戶的身份信息。

“匿名收集”這個答案，作為擋箭牌非常好用。外行都會被它唬住，以為匿名就意味著無法關聯到具體的某個用戶的信息。

但是對這個行業稍有了解的人，都應該清楚，匿名并不能完全保證用戶的隱私安全。最經典的案例莫過于，Netflix 曾放出“經過匿名處理的”上億條電影評分數據，“僅僅保留了每個用戶對電影的評分和評分的時間戳”，希望通過競賽的形式，找到更好的影片推薦算法。但是 2009年，德州大學的兩位研究人員，通過這些匿名數據與公開的IMDB數據做對比，成功將匿名數據與具體的用戶對應了起來。Netflix 不得不取消了，這項原計劃每年舉行的競賽。

蘋果想把（一定會收集用戶信息的）科技公司在隱私保護方面的級別，提升到新的高度。而“差分隱私 (Differential Privacy)”，正是它找到的答案。這項密碼學前沿技術的基本原理，就是向包含個體信息的大量數據集里注入噪音（或者說擾動），目標是保證每個個體信息都無法泄露，同時這個數據集的統計學信息依然可以被外界分析。

科學家們正在研究，究竟注入多少噪音，可以實現隱私保護和數據分析的最佳平衡。

不出意外的話，蘋果將成為第一個真正大規模使用這項“差分隱私 (Differential Privacy)”算法的公司。但是也有學者表達了自己的擔心，他們認為這項技術前景可期，但還沒有成熟到大規模商用的時候。

也有人猜測，蘋果應該與微軟達成了某種私下協議，因為這項“差分隱私 (Differential Privacy)”算法的提出者，來自微軟研究院。蘋果在 WWDC 上引用了一名大學教授對蘋果使用該算法的看法——“使用這項算法說明蘋果很有遠見，蘋果在隱私保護方面領先其他科技公司”，而這名教授是《The Algorithmic Foundations of Differential Privacy》（差分隱私的算法基礎）一書的兩個作者之一，另一位就是微軟的研究員。

一個可能的情況是，研究這項算法的大公司不止蘋果一家，只不過它是最先表明積極態度的，至少在輿論方面占得先機。

總結一下。讀完本文，你只需要知道“匿名收集信息”并不能回答互聯網公司如何保護用戶隱私的問題，就可以了。就像亞馬遜CEO貝佐斯在 Re/code 大會上講的那樣，保護隱私是這個時代的難題。只不過，愿意給出新解法的公司，卻少得可憐。

注：更多關于蘋果“差分隱私”的報道，參見本站的其他文章：

《蘋果如何在收集你們數據的同時，卻不侵犯你的隱私？》

《差別隱私，iOS 10 更新升級的保護傘》 

雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。