0
歐洲的那本《通用數據保護條例》算是數據隱私保護領域的圣經了。自2018年5月份實施以來，已經開出上億美元的罰單。
據不完全統計，在近兩年的時間內，因違法GDPR而被開出的罰單規模達到了1.26億美元，其中最大的一張罰單是由法國政府對谷歌開出的5000萬歐元的罰單。那么如此嚴格的立法監管在保護我們隱私的同時，讓我們損失了什么？
而就在過去十幾年中，我們的社會已經習慣了“免費”的網絡服務。免費的搜索引擎，免費的電子郵件以及免費的網上視頻觀看。當數據能夠帶來何種價值尚不明確時，這種交易似乎是劃算的。
那時的用戶們毫不猶豫的選擇相信存儲他們信息的公司，并盡情享受公司提供的無縫連接的在線體驗。但是隨著人工智能的崛起和數據分析能力的大幅度的提升，一些公司可以將用戶的“隨機軌跡”轉換成有價值的見解。定向營銷、基于位置的搜索、個性化促銷逐漸成為數據應用的新戰場。
用戶的各種數據不斷整合，用戶行為粒度不斷細化，個人健康風險和選舉選擇變得更加預測.......但是，數據作為“新石油”在推動增長和創新的同時，也在一定程度上侵犯了用戶的隱私權。
例如，當年的劍橋分析事件就是一個典型案例。事件起因是一組學者收集了大量用戶數據，并與劍橋分析公司分享了這些信息，劍橋分析公司是一家商業數據分析公司，據稱這家公司在2016年總統選舉中用這些方法影響選民?，F在也有事實證明，智能家居也在進一步危害了隱私。
例如2019年的4月份，亞馬遜智能音箱Echo也被曝出隱私問題；同年7月份，比利時廣播公司（VRT）也曝出谷歌聘請的合同工收聽人們與谷歌智能音箱的對話錄音。
這些隱私問題都在意味著大眾對免費數字服務的熱情，逐漸轉向了對大型科技公司及數據共享做法厭惡。因此數據監管一詞應運而生，這也標志著人們對機構的信任度處于歷史的最低水平。大眾對立法的呼聲越來越高，那么立法是重新恢復秩序的正確方法么？
（雷鋒網）
歐美立法者最早接受了監管的挑戰，2016年4月27 歐洲通過《通用數據保護條例》，并于2018年5月25日正式生效?！稐l例》為歐盟公民帶來了一套新的隱私權利。
它規定，歐盟消費者將有權知道自己的哪些數據被社交媒體公司保存了下來，并有權要求刪除這些數據。新規實施以后，違規公司最高可能面臨全球年收入4%的巨額罰款。
但是健全的法律體系保護數據的隱私固然重要，可是也造成了一些意想不到的后果。隱私法規的問題在于：它限制了組織對數據的處理方式，限制各個領域的協作，對經濟產生了不利影響，畢竟分工和協作才是人類進步的根源。
另一方面，個人信息保護相關法律的出臺直接影響與數據產業相關的公司業務。例如由于于“通用數據保護條例”的提出，QQ國際版于2018年的5月20日后不再為歐洲用戶提供服務，QQ國際版本退出了歐洲市場。
Google也因違反反壟斷法，被歐盟要求課以史上最貴27億美元罰金。當時谷歌CEO Sundar Pichai提出警示稱：由于裁決，安卓可能不再免費，可能分配模式會變成像它的競爭對手蘋果一樣。也就是說，相關數據安全保護措施的出臺，使得有些服務我們沒有辦法享受到了。
所以，歐洲監管了，結果Google被罰，騰訊跑了。法律的出臺必然會在某種程度上促進社會和行業的發展，遵守法律和提供更好的服務不是不可兼得的事情。那么除了監管，還有別的方式來實現共贏么？
（雷鋒網）
當前出臺的法規顯然沒有考慮到數字經濟環境下的協作機會。
2018年5月美國國立衛生研究院(National Institutes Of Health)關于2型糖尿病的研究暫停。原因是這項研究包括芬蘭的健康記錄，根據GDPR，歐盟的法律不允許再向美國研究人員提供這些記錄。隱私得到了保護，合作者沒有得到分享的數據，大規模數據集沒有得到有效利用，醫療技術無法進步。
最終付出代價的患者有可能等不到新技術的出現，從而喪失生命。如果由于數據隱私法規而無法進行合作，從而阻礙我們進步，那么我們的未來是否會發生倒退？會不會使得企業因為監管喪失知識交流的能力？如果因為數據隱保護，合作、交流受到了限制。那么我們口中的效率、增長、科學發現以及重大科研創新都可能受到阻礙。
（雷鋒網）
幸好，上帝為我們關閉了一扇窗，就在另一個方向打開了一扇窗。同態加密（Homomorphic encryption）作為一種新的隱私增強技術出現了。這種技術可以使組織者無需信任就可以進行協作。
同態加密理論在 1978 年首次推出，被認為是密碼學領域的圣杯之一，自其出生以來就像傳奇一樣遙不可及；直到2009年，IBM的研究人員Gentry才首次設計出一個真正的全同態加密體制，即可以在不解密的條件下對加密數據進行任何可以在明文上進行的運算，使得對加密信息仍能進行深入和無限的分析，而不會影響其保密性。
翻譯成“中文”就是：加密算法可以隔著加密層去進行運算。經過這一突破，存儲他人機密電子數據的服務提供商就能受用戶委托來充分分析數據，不用頻繁地與用戶交互，也不必看到任何隱私數據。即人們可以委托第三方對數據進行處理而不泄露信息。
具體而言，使用同態加密模型，可以保護隱私不受數據處理者身的影響：無法查看正在處理的個人詳細信息，只能看到處理的最終結果。企業可以對他們收集的數據感到更加安全。特別是云計算可以從同態加密方案中受益，因為它們可以運行計算而無需訪問原始未加密的數據。
在上述提到的糖尿病研究暫停的情況下，同態加密的使用可以緩解高度敏感數據共享的安全問題，并促進重大疾病方面取得寶貴進展。在網絡安全的世界中，可以將“攻擊的數據”與相應的組織和政府共享，從而能夠在保護數據的機密性的同時，不會違反數據保護法規。
同態加密的運算效率最近取得了重大提升，所以聯邦學習就變成可以解決隱私，同時又可以解決小數據、數據孤島問題的利器。聯邦學習的概念最初由谷歌在2016年提出，在中國，香港科技大學講席教授、微眾銀行首席人工智能官（CAIO）楊強教授算是聯邦學習研究第一人。
聯邦學習可以讓參與各方在不披露底層數據的前提下共建模型，之后利用整個數據聯邦內的數據資源，提高每個成員的模型表現。通俗來說，深度學習時代，每個AI企業的技術能力是單打獨斗式的；而聯邦學習的出現，更為緊密、安全地將各個AI企業聯系在了一起，聯邦中的每個成員都可以用最快的速度提升自身能力的同時汲取別人的長處，最終獲得共同成長。
譬如A廠商有校園數據、B廠商有工廠數據、C廠商有社區數據，且這三家廠商都使用了聯邦學習技術。從業務層面出發，A、B、C這三家廠商便直接獲得了兩種能力：1、最快速地優化自身業務；2、最快速地拓展新業務。
最快速地優化自身業務表現在，平臺每天會有若干個類似A廠商的企業向平臺輸入加密后的數據模型，而這些數據模型中有A廠商非常缺乏的其他數據信息，而A廠商便可根據這些數據去更新自己的算法模型。
最快速地拓展新業務表現在，A、B、C每家廠商都有各自構建好的模型，通過匯總去得到更大的數據模型，在不流通數據的情況下得到數據流通的最好效果，通過資源互補可以在最短時間內安全地獲得對方的能力，去拓展新業務。
從隱私保護層面來看，通常智能攝像頭產生的數據會被上傳到后臺服務器中，然后由部署在服務器上的神經網絡模型根據收集到的大量數據進行訓練得到一個模型，服務商根據這個模型來為用戶提供服務。這是一種集中式的模型訓練方法，這種方式很難保證數據隱私安全。
而聯邦學習就不再是讓數據發送到后臺，而是在每個企業自己的服務器上進行訓練，并加密上傳訓練模型，后臺會綜合成千上萬的用戶模型后再反饋給用戶改進方案。
相較傳統學習模式，聯邦學習的優點是顯而易見的：1、在聯邦學習的框架下，各參與者地位對等，能夠實現公平合作；2、數據保留在本地，避免數據泄露，滿足用戶隱私保護和數據安全的需求；3、能夠保證參與各方在保持獨立性的情況下，進行信息與模型參數的加密交換，并同時獲得成長；4、建模效果與傳統深度學習算法建模效果相差不大；5、聯邦學習是一個閉環的學習機制，模型效果取決于數據提供方的貢獻。
在傳統的方法下，用戶只是人工智能的旁觀者——使用，但沒有參與；而在聯邦學習場景下，每個人都是“馴龍高手”，每個人都是人工智能發展的參與者。
綜上所述，現在是圍繞信息共享進行范式轉變的時候了。當可以不暴露而共享信息，不暴露就可以分析信息時，我們無需為了信任而忍痛放棄協作。當在數據共享下的協作變的頻繁，我們的想象力可以再次釋放，那么一些重大問題的解決只是時間的問題。
參考來源：
https://www.weforum.org/agenda/2020/01/new-paradigm-data-sharing/
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
