我们需要更安全的数据共享方式

我们每天都身处数据的包围中。数据包含数字、测量结果和图像等事实与信息, 它们帮助我们认知世界。从医疗记录到卫星图像, 数据让我们得以了解周遭世界的状况、解决难题并取得新的发现。例如, 科学家利用数据研究疾病传播规律、预测自然灾害, 并改进可再生能源等技术。人工智能（AI）通过分析海量数据、发现人类可能忽略的规律, 提升科研发现效率（点击此处深入了解 AI 及其在科研发现中的作用）。

运行 AI 需要获取大量数据, 但共享某些类型的数据存在一些大问题。像“某城市年均晴天数”这类普通数据可以自由共享, 而包含个人详细信息的数据则被视为敏感数据, 需要特殊保护, 这主要涉及隐私和安全。隐私要求保护个人信息, 未经授权不可共享, 例如患者的医疗记录必须保持私密；安全则要确保无关人员无法接触敏感数据, 例如政府档案或商业机密等敏感信息需要防范黑客攻击等威胁（更多数据隐私和安全知识可参阅这篇《Frontiers for Young Minds》 文章）。

敏感数据不限于医疗记录, 像银行账户信息这类财务数据同样敏感, 可能被用于诈骗；姓名、住址等个人身份信息则可能导致身份盗用；甚至连人们的网购记录、社交媒体观看偏好等数据也具有敏感性, 可能被滥用, 诱导用户做出不理智的选择。此外, 政府和科研机构处理的许多信息也属于敏感数据, 例如军事禁区地图关系国家安全, 濒危动物栖息地数据涉及生态保护, 这些数据都需要严格的安全防护措施。

另一大挑战在于数据主权, 即确保数据始终处于其合法所有者（个人、企业或国家）的掌控之下。例如, 某国的隐私保护法律可能禁止将医疗数据共享给境外研究人员, 即便相关研究能够挽救生命。这些法规对于保护个人与组织至关重要, 但也给科学家合作解决复杂问题设置了障碍。那么, 是否存在一种既能共享敏感数据或训练 AI 系统, 又不会危及隐私、安全或主权的方法？

前沿技术: 合成数据

合成数据与其他隐私增强技术使研究人员能够安全地共享信息, 既为科学发现开辟新途径, 又确保敏感数据安全无忧 [1]。这些技术有望重塑全球科研机构与企业的协作模式, 助力攻克人类面临的一些重大挑战。

要理解合成数据, 不妨将它们视为真实数据的“高仿真副本”——虽然不是原件, 却能精准模拟原始数据的规律与趋势。以医院的患者康复记录为例: 合成数据会呈现真实的康复规律（如患者的平均痊愈时长）, 但绝不会包含任何真实患者的个人信息。这种特性使得研究人员在分析时完全无需担忧隐私泄露风险。合成数据的生成依赖于名为“生成对抗网络”（GAN）的 AI 技术。GAN 如同数字艺术家, 可深度学习真实数据, 进而创造出足可以假乱真的人工数据。例如, 经过人脸图像训练的 GAN 能生成栩栩如生的虚拟面容, 而这些面容在现实中并不存在。GAN 的运行流程分为两个阶段: 首先利用真实数据对 AI 系统进行“教学”；待学习完成后, AI 系统便会与数据合成系统协同生成高度逼真的合成数据。由此产生的数据集既有实用价值, 又杜绝了敏感信息暴露的风险。

另一项关键技术是同态加密 [2]。此技术并非创建新的数据副本, 而是将原始数据转换为一种特殊的“密码”, 可直接用于分析, 无需解密。合成数据与同态加密的关键区别在于对原始数据的处理方式: 合成数据会生成一个全新的模拟数据集, 完全替代原始数据, 但遵循相同的规律；同态加密则保留原始数据, 将它“锁”在加密系统中, 只有密钥持有者能直接访问原始数据, 同时又允许在不解密的情况下进行数据运算。简单地说, 合成数据就像博物馆文物的逼真仿品, 外观相同但不是原件；同态加密就像将文物锁在箱子中, 无需开箱就能进行称重等操作, 但始终看不到实物。

技术强化数据保护

合成数据与同态加密技术正以富有创意的新方式帮助科学家和企业解决敏感数据难题（图 1）。

在医疗领域, 由于隐私法规通常限制研究人员使用真实病历, 合成数据可支持疾病与治疗方案研究, 同时保障患者隐私安全 [3]。例如, 科学家可创建模拟真实病历规律的合成数据集, 呈现不同患者群体对特定药物的反应差异。通过分析这些规律, 研究人员可能会发现该疗法对携带特定基因或处于某些健康状况的患者更有效, 从而开发出更加个性化的精准医疗方案, 并且整个过程完全不涉及真实患者信息。合成数据还有助于解决罕见病等数据稀缺难题。

合成数据可安全训练需要学习海量数据的 AI 系统, 避免使用私密敏感信息。企业可借助 AI 发现趋势、预测需求并优化决策。基于合成数据训练的 AI 既可识别异常消费模式（表明受到欺诈）, 也能预测客户潜在需求（如购买登山包的消费者往往也需要水壶）。这种技术可提升产品推荐精准度, 又不会泄露消费者的真实信息。此外, 医疗领域的真实数据较为稀缺, 且采集通常耗时费力, 合成数据可在这方面显著降低研究成本。

当数据必须在受保护状态下分析时, 这就是同态加密的用武之地。例如, 政府可利用加密卫星图像追踪森林退化或冰川消融等环境变化。这些图像可能包含国家安全敏感资源或区域的位置信息, 而加密技术能使研究人员分析森林缩减速度、气温对冰层影响等规律, 同时杜绝数据滥用风险。同样, 加密医疗数据可供科学家研究全球疾病趋势, 帮助定位疫情热点并预测爆发风险, 同时严格保护个人隐私。

最后, 这些技术还能帮助研究人员预测经济危机或自然灾害等罕见事件。研究人员可通过合成数据模拟异常场景, 然后安全测试应对方案: 例如, 银行可模拟股市崩盘对储蓄的影响, 并据此制定更完善的客户保护方案。

重大挑战与更大机遇

合成数据和同态加密技术让信息共享与分析变得日益便捷和安全。这些工具既能帮助研究人员从数据中获取更多洞见, 又能确保敏感信息始终安全, 为曾经难以实现的重大突破铺平道路。

然而, 这些技术仍面临一些挑战。合成数据并非完美无缺, 如果原始数据存在偏差, 基于其生成的合成数据也会继承这些缺陷, 正如数据科学家所说的“输入垃圾, 产出垃圾”。此外, 如果合成数据过度简化或曲解现实数据, 同样可能导致分析失真。同态加密虽然安全性极高, 但加密过程耗时耗电, 难以用于大型项目。另一个风险是黑客可能破解加密或合成数据, 导致隐私泄露。信任同样是一大挑战: 要让这些技术真正发挥作用, 公众需要了解其原理并确信其安全性。科学家、医生和政府领导者必须共同制定明确规范, 并向公众普及这些技术的工作原理。

尽管存在这些挑战, 合成数据与其他安全数据共享工具在应对重大社会问题（如抗击疾病或气候变化）方面潜力巨大, 同时能够保护敏感数据。通过构建更安全的数据共享环境, 这些工具有望开创全球科学家与组织无障碍协作的新纪元。

术语表

人工智能 (Artificial Intelligence): ↑ 一种计算机技术, 可帮助机器像人类那样思考、学习并解决问题, 比如识别面容、预测天气或设计新药。

敏感数据 (Sensitive Data): ↑ 需要保护的信息, 如医疗记录、财务数据或个人信息, 共享此类信息可能造成伤害或侵犯隐私。

隐私 (Privacy): ↑ 保护医疗记录等个人信息的安全, 未经个人允许不得向他人披露。

安全 (Security): ↑ 保护数据免遭盗窃或滥用, 例如保护银行数据库免遭黑客入侵。

数据主权 (Data Sovereignty): ↑ 确保数据即便在跨境共享过程中也始终处于其所有者（个人、企业或国家）的掌控之下。

合成数据 (Synthetic Data): ↑ 由计算机生成的、用于模拟真实数据的人工数据, 可安全地用于科学研究, 不会泄露隐私细节。

生成对抗网络 (GAN) (Generative Adversarial Networks (GANs)): ↑ 一种采用两个计算机系统的 AI 技术: 一个从现实数据中学习规律, 另一个则生成符合这些规律的合成数据。

同态加密 (Homomorphic Encryption): ↑ 一种数据保护手段, 可将数据转换为加密代码, 加密后的数据可直接用于分析, 无需解密原始信息。

利益冲突声明

作者声明本研究不涉及任何潜在商业或财务关系。

致謝

由 SJD Consulting, LLC. 科学撰稿人/编辑、毕业于美国马萨诸塞大学陈氏医学院晨兴生物医学研究生院的 Susan Debad 博士参与撰写和编辑。图表制作方为 Somersault18:24。

AI 人工智能工具使用声明

本文中所有图表附带的替代文本（alt text）均由 Frontiers 出版社在人工智能支持下生成。我们已采取合理措施确保其准确性，包括在可行情况下经由作者审核。如发现任何问题，请随时联系我们。