当公司声称您的 个人数据已被匿名化时，听起来像是您的在线身份被永久抹除了。您的信息变成了数据集中的噪声，因此您可以放松警惕。但事实并非如此。
匿名化数据是移除了最明显的个人标识符（如姓名或家庭住址）的数据。但在一个充满互联数据库的世界里，只需少量看似无关的详细信息就能追踪到某个人。
研究（新窗口）显示，在包含数百万人的数据集中，只需 15 个数据点就能识别 99.98% 的人。随着 AI 连接您在线活动中的各个线索，“匿名”与“被识别”之间的差距正在缩小。
让我们来看看数据匿名化到底意味着什么，以及您可以怎样做来更好地保护隐私。
- 什么是数据匿名化？
- 匿名化与假名化
- 常见的数据匿名化技术
- 公司如何使用匿名化数据
- 数据重新识别，或为什么匿名化数据并非真正匿名
- AI 让去匿名化变得更快、更廉价
- 通过最小化和加密数据来保护隐私
- 匿名化不是隐私保障
什么是数据匿名化？
数据匿名化是从数据点中移除所有可识别个人身份信息的不可逆过程，例如姓名、电子邮件地址、联系电话或生日。其目标是尽可能切断记录与个人之间的链接。
然而，匿名化之后，数据中仍包含间接线索，例如大致位置、浏览习惯和年龄段。单独来看，这些详细信息相当无害，但综合在一起，它们就会形成指向您的模式。
某些类型的数据（例如生物特征）尤其难以（甚至不可能）真正匿名化。您可以创建一个安全的用户名，但无法改变一个人的面容、指纹或虹膜图案。
当数据被真正匿名化时，根据 GDPR 等隐私法律，它不再被视为个人信息。这意味着公司可以在不受适用于个人数据的同意和保护要求约束的情况下使用这些数据。
但 GDPR 的序言 26（新窗口） 设定了很高的门槛：数据必须不再能识别一个人，即使考虑到可合理用于重新识别的其他信息和方法。因此，如果剩余数据仍能指向某个人，仅移除姓名或电子邮件地址是不够的。
匿名化与假名化
匿名化会永久移除可识别信息，以确保无法追溯至个人；而假名化则是用标签、令牌或代码替换该数据。原始身份单独存储在安全密钥或查找表中，但只要获得正确的访问权限，该标签就能重新链接回真实的人。
假名化的一个例子是医学研究，患者的姓名会被代码替换。研究人员仍可追踪数据，但只有持有密钥的授权人员才能将其重新与个人关联。
这一区别简单却重要。在 GDPR 等法规下，假名化数据确实被视为个人数据，因为它仍然可以链接回某个人。相比之下，只有当重新识别不再合理可行时，匿名化数据才不属于这些义务的范畴。
常见的数据匿名化技术
公司会根据打算如何使用数据而采用不同的匿名化方法。以下是一些常见的方法：
数据遮蔽 用虚假数据替换信息，例如将电话号码替换为虚构的号码。
泛化 降低数据的具体程度，例如使用年龄段而非确切年龄。
数据交换 会打乱各记录之间的信息，使其不再与原始人员匹配。
数据扰动 在保留数据趋势的同时模糊个人信息，例如通过四舍五入数字来更改数据。
合成数据 依赖人工生成的数据来模仿原始数据集的模式，而不直接使用真实记录。
这些技术可以降低隐私风险，但其有效性完全取决于应用得当与否。即便如此，它们也可能无法移除所有能识别某人身份的线索。
公司如何使用匿名化数据
匿名化数据之所以有价值，是因为公司无需征得您的同意，就能合法地随意使用。常见用途包括：
分析和开发：公司研究用户行为以改进产品、衡量趋势并指导业务决策。
广告：浏览和购买模式可用于构建受众细分，以投放定向广告，即使其中不包含您的姓名。
数据代理商：某些数据会被数据代理商汇总、打包并转售。这些公司整合来自应用、网站、公共记录、信用数据等来源的信息，构建详细的用户画像，然后出售给任何有需求的人，几乎不受法律监管。
训练 AI 模型：大型数据集常被用于训练 AI 系统，其中包括来自用户活动、购买的数据集以及公开或抓取来源的数据。
医学研究：在某些国家/地区（新窗口），匿名化的医疗数据可以出售给制药公司或分享给研究人员。
匿名化数据可以用于有益的用途，例如改进服务或支持研究。问题在于，这为数据代理商和广告商收集、整合、分享、重新打包和出售个人信息创造了强大的商业动机，而这些做法往往不为人们充分理解，也未经其有效同意。对于日后决定退出的个人来说，移除自己的数据并非易事。
加州隐私监管机构创建了 DROP（新窗口） 系统，因为从数百个数据代理商删除数据历来难以由个人自行管理。对于 AI 训练数据而言，这更加困难，因为一旦数据影响了已训练的模型，移除它可能需要机器遗忘（新窗口）技术，而 AI 公司对此并不感兴趣（新窗口）。
数据重新识别，或为什么匿名化数据并非真正匿名
如果有人告诉您，他们正在寻找一位 30 多岁、开白色汽车、住在您家附近的男子，您可能已经大致猜到他们指的是谁。这些详细信息中的任何一条都无法单独识别此人，但组合在一起，就能通过排除其他人来缩小范围。匿名化数据的工作原理与此相同：即使姓名和联系人详情已被移除，当足够多的详细信息组合在一起时，剩余信息仍然可能暴露身份。
当这些模式与社交媒体或公共记录等其他来源交叉比对时，就有可能将据称是匿名的数据与某个人连接起来。这就是所谓的重新识别，而且往往比您想象的更容易。
研究人员 Latanya Sweeney 以 50 美元的价格购买了一个医院数据集（新窗口），其中包含人口统计、诊断和账单详细信息等间接标识符，但不包含姓名等可暴露身份的详细信息。通过将这些数据与当地关于住院的新闻报道交叉比对，她成功将 43% 的患者与其记录匹配，其中包括一名据报道涉及摩托车事故的患者的完整病史。
AI 让去匿名化变得更快、更廉价
如果说匿名化数据免于重新识别的唯一保护只是时间、耐心和人工交叉比对，那么这种附带保护正随着 AI 的出现而逐渐消失。
研究显示，大语言模型（LLM）能够分析某人在各个平台上的帖子、交叉比对公开信息，并以惊人的精度识别匿名用户。在一项关于大规模去匿名化的研究（新窗口）中，基于 LLM 的方法识别了多达 68% 的人，且在匹配时正确率达到 90%。
Sweeney 当年购买一个包含数十万条记录的数据集只需支付 50 美元。如今，LLM 只需 1-4 美元就能对单个画像进行去匿名化，并且可以自动完成这项工作。它们也不需要干净、结构化的数据集，就能从普通的帖子和评论中发现模式。
正如一位研究人员所说：
“扪心自问：一队聪明的调查人员能否从您的帖子中查出您的身份？如果能，LLM 智能体很可能也能做到，而且这样做的成本只会越来越低。”
通过最小化和加密数据来保护隐私
仅将数据匿名化是不够的，因为一旦将各个线索连接起来，就可能发生重新识别。保护自己的最佳方法是尽量减少您的数字足迹，让自己更难被重新识别。
您不必完全隐身于世，但应该更加谨慎地决定分享什么以及如何分享。以下是一些实用建议：
划分您的身份，以防被交叉比对
如果您在所有平台上都使用相同的电子邮件和用户名，您的详细信息就很容易被拼凑起来。为不同的帐户生成不同的用户名很简单，但如果所有地方都使用不同的电子邮件地址，可能会是一场噩梦，除非您使用电子邮件别名。
别名会创建独立的地址，将消息转发到您的主收件箱，而不暴露您真实的电子邮件地址和身份。如果为每项服务使用唯一的电子邮件别名，您就能看出泄露或出售来自何处。
例如，如果您仅为 A 公司创建一个别名，之后却通过该别名收到来自 B 公司的电子邮件，您就知道 A 公司要么分享了、出售了、泄露了您的地址，要么对其失去了控制。您随后可以停用该别名，而不会影响您的主收件箱或其他别名。
保持不一致，以防形成可识别的模式
您的详细信息在各平台上越一致，就越容易围绕您构建独特的画像。在可能的情况下，避免提供超出必要范围的信息。
例如，使用大致位置而非确切城市、模糊您的年龄、跳过可选字段。此外，考虑在写作风格上做一些小变化，例如重复的短语、标点或常见的拼写错误，以限制自动化识别。
减少您的数字足迹，以防被 AI 分析
LLM 可以通过在帖子和写作中发现模式来识别个人。与您的身份关联的公开内容越少，可供利用的材料就越少。发帖时请考虑您透露了多少个人详细信息——不仅是事实，还包括让您脱颖而出的习惯、观点和经常谈论的话题。请务必在尽可能多的平台上选择退出 AI 训练。
使用端到端加密服务以防数据被收集
加密不仅能保护数据免受黑客攻击，还能从一开始就限制可被读取的内容。无法读取您的消息的电子邮件提供商就无法为广告目的扫描它们、将它们用于 AI 训练，或与代理商分享洞察。
使用端到端加密的电子邮件进行私密通信，使用安全的云存储空间安全地存储和分享文件，并使用无日志的 VPN（新窗口） 加密您的浏览活动——这些都能减少您非自愿暴露的数据量。
选择退出数据收集以防数据代理商
您可以从互联网上移除个人信息，甚至包括数据代理商手中的信息，但这需要坚持不懈。这不会阻止未来的数据收集，但可以让您有一个新的开始。今后，尽量减少您的数字足迹并在可能的情况下加密数据，将有助于限制被收集的信息。
匿名化不是隐私保障
主要结论是，“匿名化”并不总是意味着安全、永久或无法追溯。您分享的个人信息越少，在各平台上的表现越不一致，对您的帐户和别名的掌控越多，能链接回您的信号就越少。
您的数据在名义上可能已被匿名化，但最强的保护在此之前就已开始：在于您选择分享什么、在哪里分享，以及这些信息有多容易与您数字生活的其他部分连接起来。这也意味着要有意识地选择您每天使用的服务以及拥有这些服务的公司。
Proton 应用开放源码、无广告，并且旨在避免跟踪您的任何数据以及将其用于 AI 训练。凭借端到端加密、零访问加密以及完全由付费订阅用户社区资助的商业模式，我们无需利用您的数据，也无法读取其中大部分内容——而我们也不想这么做。
