生成式 AI
正加速滲透金融、醫療和欺詐防控等領域，圍繞數據的爭論已不再是"數據夠不夠"，而是"數據對不對"。優質模型能幫助貸款機構評估無信用記錄的申請人，幫助銀行更早識別欺詐，幫助醫療機構更早發現風險。但模型的上限，由訓練數據的質量決定。最有價值的數據，往往也是最敏感的數據。
數據價值在於關聯，孤島是最大障礙
有用的數據往往是碎片化的，分散在不同機構之間。銀行掌握還款行為，零售商了解家庭消費，電信運營商掌握數字服務使用情況。每家機構只看到個人生活的一個切面。
AI 的價值，在於這些信號之間的關聯。安全地將它們整合，才能更準確地揭示一個人的財務韌性、脆弱性、欺詐風險或潛在需求。此外，數據的時效性同樣關鍵——行為模式、經濟狀況和欺詐手段不斷變化，用過時數據訓練的模型，做出的判斷依據的是一個已經改變的世界。
敏感性是共享的根本障礙
金融數據涉及收入、負債與償付能力；醫療數據涉及病史；零售和電信數據揭示日常行為與偏好。正是這種敏感性，決定了數據無法自由流通，即便共享目的是有價值的。
現有數據流通模式大多依賴跨第三方系統的複製與傳輸，存在數據泄露風險，也可能導致數據被用於超出原始授權的目的。核心問題在於：數據一旦共享，就難以"收回"。
監管層面，目的限制與數據最小化原則意味著，為某一目的收集的數據通常不能被挪作他用，無論其潛在價值多大。負責任的機構往往得出同樣結論：移動敏感數據所帶來的風險，超過了共享收益。
合成數據不是萬能解
合成數據——即根據真實數據集的規律人工生成的數據——看起來像是一條出路：數據不是真實的，隱私問題似乎隨之消失。但事實並非如此。
合成數據在系統測試、場景探索和極端案例壓力測試方面確實有價值，但無法承載高風險 AI 決策的全部重量。合成數據只能復現已知的規律，可能遺漏真實數據中存在的新興行為、意外關聯或細微特徵。真實數據中的空白和偏差，會被合成數據原樣繼承，且往往看不出來。
更重要的是，訓練與決策是兩回事。即便模型完全基於合成數據訓練，在實際決策時面對的仍是真實的申請人、交易或患者。德國聯邦財政部據報提議允許稅務機關使用真實納稅人數據開發 AI 系統，理由正是虛構數據效果有限，但此舉引發了隱私保護和功能蔓延方面的批評。
是否使用合成數據或真實數據，取決於具體應用場景。但對於最重要的決策而言，真實數據不可替代。
隱私增強技術：讓真實數據可用而不必暴露
隱私增強技術（PETs）是一類無需交換或暴露敏感數據即可完成數據分析的技術體系。
具體而言，記錄通過令牌化標識符進行匹配，兩家機構可以確認共同客戶，而無需知曉對方客戶的身份。分析在中立環境中進行，原始記錄對任何一方均不可見，離開該環境的只有結果——如聚合洞察、模型特徵或單次決策評分。
PETs 並不取消對知情同意、問責機制和監管合規的要求，但它們解決了真實數據協同分析的核心障礙。
從南非實踐看 PETs 的真實價值
目前，PETs 已在實際場景中被用於解決敏感數據分析難題。在南非，非洲最大連鎖超市與多家領先銀行聯合測試：能否在不共享消費者數據的前提下，用超市購物行為預測信用狀況？
經過匿名化和令牌化處理的數據集，在隱私保護環境中完成匹配，並基於融合數據訓練模型。最終，800 萬名此前無信用記錄的人群獲得了信用評分，其中 320 萬人獲得了原本會被拒絕的可負擔信貸，而引入超市數據後，模型準確率提升了 41%。
這一結果之所以成為可能，是因為金融機構通過 PETs 訪問了匿名化的超市數據。這些數據從未出現在任何銀行的記錄中，任何合成過程都無法產生它——因為這些行為從未被做出決策的機構所觀察過。數據本來存在，只是因為合理的隱私顧慮而無法觸及。
PETs 正在打開真實數據的邊界
PETs 的普及曾受制於成本、複雜性和缺乏統一標準。隨著技術的成熟和監管指引的明朗，這些障礙正在逐步降低。
PETs 的價值不止於讓現有數據更安全地共享，更在於擴展了可用數據的範圍——尤其是在模型最薄弱的領域：無信用記錄的消費者、新興欺詐模式、醫療服務不足的患者群體。
更好的 AI 不僅僅依賴更優的算法或更大的模型，更依賴於在不要求用戶放棄隱私的前提下，獲取真實、及時、有代表性的數據。隱私增強技術，正是讓兩者同時成為可能的關鍵。
Q&A
Q1：隱私增強技術（PETs）是什麼？它如何解決數據共享的隱私問題？
A：隱私增強技術（PETs）是一類無需交換或暴露敏感數據即可完成數據分析的技術。它通過令牌化標識符匹配記錄，讓兩家機構確認共同客戶而不泄露身份資訊，分析在中立的隱私保護環境中進行，原始數據對任何一方不可見，只有分析結果可以導出。PETs 不取消知情同意和監管要求，但解決了真實數據無法跨機構協同分析的核心障礙。
Q2：合成數據能替代真實數據訓練 AI 模型嗎？
A：不能完全替代。合成數據在系統測試和極端場景壓力測試方面有價值，但它只能復現已知規律，無法捕捉真實數據中存在的新興行為或意外關聯。真實數據中的數據空白和偏差會被合成數據原樣繼承，且往往不易察覺。更關鍵的是，即便模型用合成數據訓練，實際決策時面對的仍是真實的申請人或患者，因此對於高風險決策，真實數據不可替代。
Q3：南非超市與銀行的 PETs 合作案例取得了哪些成果？
A：南非最大連鎖超市與多家銀行通過隱私增強技術，在不直接共享消費者數據的前提下，利用超市購物行為預測信用狀況。最終為 800 萬名無信用記錄人群完成了信用評分，其中 320 萬人獲得了原本會被拒絕的可負擔信貸，引入超市數據後模型準確率提升了 41%。這些數據從未出現在銀行記錄中，也無法通過合成數據生成，充分證明了 PETs 在擴展可用數據邊界方面的獨特價值。
