购彩大厅Welcome计划群 - 购彩大厅Welcome必赚方案

你的隐私，大数据怎知道 ？我们又该如何自我保护 ？******

　　在网络上，每个人都会或多或少 ，或主动或被动地泄露某些碎片信息。这些信息被大数据挖掘，就存在隐私泄露 的风险 ，引发信息安全问题 。面对汹涌而来的5G时代，大众对自己 的隐私保护感到越来越迷茫，甚至有点不知所措。那么 ，你 的隐私 ，大数据是怎么知道 的呢？大家又该如何自我保护呢 ？

　　1.“已知、未知”大数据都知道

　　大数据时代，每个人都有可能成为安徒生童话中那个“穿新衣”的皇帝。在大数据面前，你说过什么话，它知道；你做过什么事，它知道；你有什么爱好，它知道；你生过什么病 ，它知道；你家住哪里 ，它知道；你 的亲朋好友都有谁，它也知道……总之，你自己知道的 ，它几乎都知道，或者说它都能够知道，至少可以说 ，它迟早会知道！

　　甚至，连你自己都不知道的事情，大数据也可能知道 。例如，它能够发现你的许多潜意识习惯 ：集体照相时你喜欢站哪里呀 ，跨门槛时喜欢先迈左脚还 是右脚呀 ，你喜欢与什么样的人打交道呀 ，你的性格特点都有什么呀 ，哪位朋友与你 的观点不相同呀……

　　再进一步说 ，今后将要发生 的事情，大数据还是有可能知道。例如 ，根据你“饮食多 、运动少”等信息 ，它就能够推测出 ，你可能会“三高”。当你与许多人都在独立地购买感冒药时 ，大数据就知道 ：流感即将暴发了！其实 ，大数据已经成功地预测了包括世界杯比赛结果、股票的波动 、物价趋势 、用户行为 、交通情况等 。

　　当然 ，这里的“你”并非仅仅指“你个人”，包括但不限于，你的家庭，你 的单位，你 的民族 ，甚至你的国家等。至于这些你知道 的 、不知道的或今后才知道 的隐私信息 ，将会把你塑造成什么，是英雄还是狗熊 ？这却难以预知 。

　　2.数据挖掘就像“垃圾处理”

　　什么是大数据？形象地说，所谓大数据，就 是由许多千奇百怪 的数据 ，杂乱无章地堆积在一起 。例如，你在网上说 的话、发的微信、收发的电子邮件等 ，都 是大数据的组成部分。在不知道 的情况下被采集 的众多信息 ，例如被马路摄像头获取 的视频 、手机定位系统留下 的路线图 、驾车的导航信号等被动信息，也都 是大数据 的组成部分。还有 ，各种传感器设备自动采集的有关温度、湿度、速度等万物信息，仍然是大数据的组成部分 。总之 ，每个人 、每种通信和控制类设备，无论它 是软件还是硬件，其实都 是大数据之源。

　　大数据利用了一种名叫“大数据挖掘” 的技术 ，采用诸如神经网络 、遗传算法、决策树、粗糙集 、覆盖正例排斥反例、统计分析 、模糊集等方法挖掘信息。大数据挖掘的过程，可以分为数据收集、数据集成 、数据规约 、数据清理 、数据变换 、挖掘分析 、模式评估 、知识表示等八大步骤。

　　不过，这些听起来高大上 的大数据产业，几乎等同于垃圾处理和废品回收 。

　　这并不 是在开玩笑 。废品收购和垃圾收集，可算作“数据收集” ；将废品和垃圾送往集中处理场所 ，可算作“数据集成” ；将废品和垃圾初步分类，可算作“数据规约” ；将废品和垃圾适当清洁和整理，可算作“数据清理” ；将破沙发拆成木、铁、布等原料 ，可算作“数据变换” ；认真分析如何将这些原料卖个好价钱 ，可算作“数据分析”；不断总结经验，选择并固定上下游卖家和买家，可算作“模式评估” ；最后 ，把这些技巧整理成口诀，可算作“知识表示”。

　　再看原料结构 。大数据具有异构特性，就像垃圾一样千奇百怪 。如果非要在垃圾和大数据之间找出本质差别 的话，那就在于垃圾是有实体的 ，再利用 的次数有限 ；而大数据 是虚拟的 ，可以反复处理 ，反复利用。例如，大数据专家能将数据(废品)中挖掘出的旅客出行规律交给航空公司，将某群体的消费习惯卖给百货商店等 。总之，大数据专家完全可以“一菜多吃”，反复利用，而且时间越久，价值越大。换句话说，大数据是很值钱 的“垃圾”。

　　3.大数据挖掘永远没有尽头

　　大数据挖掘，虽然能从正面创造价值 ，但 是也有其负面影响，即存在泄露隐私的风险 。隐私是如何被泄露 的呢？这其实很简单 ，我们先来分解一下“人肉搜索”是如何侵犯隐私 的吧！

　　一大群网友 ，出于某种目 的 ，利用自己 的一切资源渠道，尽可能多地收集当事人或物 的所有信息；然后，将这些信息按照自己的目的提炼成新信息，反馈到网上与别人分享。这就完成了第一次“人肉迭代”。

　　接着 ，大家又在第一次人肉迭代 的基础上，互相取经 ，再接再厉，交叉重复进行信息的收集、加工、整理等工作，于 是 ，便诞生了第二次“人肉迭代”。如此循环往复 ，经过多次不懈迭代后 ，当事人或物的画像就跃然纸上了 。如果构成“满意画像” 的素材确实已经证实，至少主体 是事实 ，“人肉搜索”就成功了 。

　　几乎可以断定，只要参与“人肉搜索”的网友足够多，时间足够长，大家 的毅力足够强，那么任何人都可能无处遁形。

　　其实 ，所谓 的大数据挖掘，在某种意义上说 ，就 是由机器自动完成 的特殊“人肉搜索”而已。只不过 ，这种搜索 的目的 ，不再限于抹黑或颂扬某人 ，而 是有更加广泛的目 的，例如，为商品销售者寻找最佳买家、为某类数据寻找规律 、为某些事物之间寻找关联等 。总之，只要目 的明确 ，那么，大数据挖掘就会有用武之地。

　　如果将“人肉搜索”与大数据挖掘相比 ，网友被电脑所替代 ；网友们收集 的信息 ，被数据库中 的海量异构数据所替代；网友寻找各种人物关联 的技巧 ，被相应的智能算法替代 ；网友们相互借鉴 、彼此启发的做法，被各种同步运算所替代。

　　各次迭代过程仍然照例进行，只不过机器的迭代次数更多，速度更快，每次迭代其实就是机器的一次“学习”过程。网友们的最终“满意画像” ，被暂时的挖掘结果所替代。之所以说 是暂时，那 是因为对大数据挖掘来说 ，永远没有尽头 ，结果会越来越精准，智慧程度会越来越高，用户只需根据自己的标准，随时选择满意 的结果就行了。

　　当然 ，除了相似性外，“人肉搜索”与“大数据挖掘”肯定也有许多重大的区别 。例如 ，机器不会累 ，它们收集的数据会更多 、更快，数据的渠道来源会更广泛 。总之 ，网友 的“人肉搜索” ，最终将输给机器的“大数据挖掘”。

　　4.隐私保护与数据挖掘“危”“机”并存

　　必须承认，就当前的现实情况来说，大数据隐私挖掘 的“杀伤力” ，已经远远超过了大数据隐私保护的能力；换句话说 ，在大数据挖掘面前，当前人类有点不知所措。这确实 是一种意外。自互联网诞生以后 ，在过去几十年，人们都不遗余力地将碎片信息永远留在网上 。其中 的每个碎片虽然都完全无害，可谁也不曾意识到 ，至少没有刻意去关注 ，当众多无害碎片融合起来，竟然后患无穷 ！

　　不过，大家也没必要过于担心。在人类历史上 ，类似 的被动局面已经出现过不止一次了 。从以往的经验来看，隐私保护与数据挖掘之间总 是像“走马灯”一样轮换 的——人类通过对隐私的“挖掘”，获得空前好处 ，产生了更多需要保护的“隐私”，于 是，不得不再回过头来，认真研究如何保护这些隐私。当隐私积累得越来越多时，“挖掘”它们就会变得越来越有利可图 ，于是 ，新一轮的“挖掘”又开始了。历史地来看 ，人类在自身隐私保护方面，整体处于优势地位，在网络大数据挖掘之前，“隐私泄露”并不 是一个突出的问题 。

　　但是 ，现在人类需要面对一个棘手 的问题——对过去遗留在网上 的海量碎片信息，如何进行隐私保护呢？单靠技术，显然不行 ，甚至还会越“保护”，就越“泄露隐私”。

　　因此，必须多管齐下。例如从法律上，禁止以“人肉搜索”为目 的 的大数据挖掘行为；从管理角度 ，发现恶意的大数据搜索行为，对其进行必要 的监督和管控 。另外 ，在必要 的时候，还需要重塑“隐私”概念，毕竟“隐私”本身就是一个与时间 、地点 、民族 、文化等有关 的约定俗成的概念 。

　　对于个人 的网络行为而言 ，在大数据时代 ，应该如何保护隐私呢？或者说，至少不要把过多包含个人隐私的碎片信息遗留在网上呢？答案只有两个字 ：匿名 ！只要做好匿名工作 ，就能在一定程度上，保护好隐私了。也就 是说，在大数据技术出现之前 ，隐私就 是把“私”藏起来，个人身份可公开 ，而大数据时代，隐私保护则是把“私”公开(实际上 是没法不公开) ，而把个人身份隐藏起来，即匿名。

　　(作者 ：杨义先、钮心忻 ，均为北京邮电大学教授)

聚焦人工智能技术前沿与治理 中外专家学者国际论坛建言献策******

　　中新网北京12月5日电 (记者 孙自法)2021人工智能合作与治理国际论坛“人工智能技术前沿与治理”主论坛，12月5日在清华大学以线上线下结合方式举行 ，中外人工智能(AI)领域专家学者聚焦人工智能技术前沿与治理这一主题，发表主旨演讲建言献策 ，并深入研讨交流。

　　美国国家科学院院士、美国艺术与科学院院士 、约翰·贝茨·克拉克奖得主 、斯坦福大学商学院技术经济学教授、以人为本人工智能研究所副所长苏珊·阿西(Susan Athey)认为，大学在指导人工智能创新方面可以发挥优先引导的关键作用。由于私营部门 的技术人员缺乏伦理 、哲学方面 的训练，难以开发出具有可解释性 的算法框架，深化这类研究能够在人工智能治理 的问题识别 、建立开发实践框架、提供指引等方面发挥重要作用 。此外 ，由于数据可以带来巨大的规模效应 ，当前“软件即服务” 的平台经济模式已非常普及。人工智能和数据需求可能带来“伪”市场集中，因此，未来对“机器换人”的预测非常具有挑战性 ，需要重新关注和思考人工智能如何用于应对老龄化等公共管理问题 ，使基于人工智能 的公共服务变得更加高效。

　　国际人工智能协会前主席 、清华大学人工智能国际治理研究院学术委员约兰达·吉尔(Yolanda Gil)指出，由于人类对智能机制认知不足 、智能行为本身的复杂性 、观测手段的有限性以及个体知识 、职业、信仰、文化背景等 的差异性 ，导致当前人工智能研究中面临着一系列挑战 ，因此，需要加强人工智能基础研究工作，这需要跨领域、跨学科的共同努力 。当前，理解人工智能机理和构建人工智能世界模型是人工智能研究面临的两大挑战。一方面，理解人工智能机理需要构架“感知-思考-行动”的智能模型 ，加强对大脑思维机理的理解 ，建议借鉴神经科学研究联合体的有益经验，建立全球性 的人工智能研究数据库 ，形成全球共享的研究社区。另一方面 ，构建人工智能世界模型则需要建立在人类经验、社会习俗、专业技能 的基础上，建议建立类似于自由协作式 的知识库，通过全民民众参与，推动知识在全球层面共享。

　　中国科学院院士、清华大学人工智能研究院名誉院长、清华大学人工智能国际治理研究院学术委员张钹表示，由于深度学习等算法存在不可解释性 ，导致前两代人工智能算法存在着公平性、安全性问题和不可靠、不可信等缺陷。发展第三代人工智能关键在于发展可解释 的、鲁棒 的人工智能理论和方法，开发安全、可信 、可靠、可扩展的人工智能技术 ，以“数据驱动+知识驱动”构建支持可解释的人工智能算法 的深度学习平台 ，赋能人工智能安全与防御优化 。从数据中真正获取智能要靠知识的帮助与引导，并需要政策法规对数据使用 的正确规范 ，充分利用知识、数据、算法和算力四个要素结合 ，推动人工智能的创新发展 。

　　中国工程院院士 、北京大学信息科学技术学院院长 、鹏城实验室主任、清华大学人工智能国际治理研究院学术委员高文认为，当前人工智能发展处于新一代人工智能向强人工智能发展的关键阶段 ，至2030年，中国人工智能发展总体要达到世界领先水平。从战略问题看，中美欧三方在人工智能人才 、研究 、开发、应用、硬件 、数据等方面竞争激烈，当前中国人工智能发展在战略政策、数据资源 、应用场景 、潜力人才方面具有优势，而在基础理论、原创算法、关键部件、国际平台 、高级人才等方面还存在短板 。从战术问题看，人工智能2.0需采用基于大数据 的统计AI解决大规模AI应用需求，鼓励各种可能的强人工智能探索 ，“可解释机器学习+推理”和“仿生系统+AI大算力” 是可能的技术路线图；在安全问题层面 ，强人工智能 的安全风险主要来源于模型的不可解释性 、算法和硬件的不可靠性和自主意识 的不可控性 ，人工智能2.0应采用DPI与“防水堡技术”解决数据安全与隐私保护 ，重视探索人工智能伦理问题 ，并基于“理论-技术研究-应用” 的阶段性采取不同的风险防范策略 。

　　美国国家工程院外籍院士、英国皇家工程院外籍院士 、清华大学高等研究院双聘教授沈向洋表示 ，AI已经应用于生活和工作的方方面面 ，目前甚至在法律上也具有一定 的应用，比如美国已经有很多法庭用机器学习和人工智能方法帮助判刑，包括决定刑期这样非常重要 的问题。但 是我们还无法理解一些AI决策 的缘由 。未来发展过程中我们不能只看见AI决策 的“黑箱”，应该打开“黑箱” ，探究和理解其中 的具体内容和因果关系 ，我们一定要做可解释性 的AI 。同时，他提到负责任 的AI应具备公平性、可靠性 、隐私性 、包容性、透明性和责任性的特点 ，作为新兴领域，还需要向其他领域学习，从而更好 的服务于人类。

　　中国工程院外籍院士 、清华大学智能产业研究院院长、人工智能国际治理研究院学术委员张亚勤指出 ，“碳中和”是人类能源结构的又一次变革 。“碳中和”既是可持续发展的必然选择，又 是产业结构调整和发展 的重大机遇。企业在“碳中和”背景下都面临转型增效 的压力 。人工智能+物联网是智联网 ，智联网可以赋能绿色计算，助力“碳中和”。智联网助力“碳中和”主要包括三个环节：首先 ，由数据驱动和人工智能优化引擎来实现智能决策 。其次，多参数全链系统配置优化。最后 ，通过多源多维异构感知融合实现智能感知。智联网可用于能源融合、降低ICT产业 的碳排放和推动新兴产业发展等。他还介绍了智联网赋能的绿色计算平台的框架 ，该平台包括人工智能驱动节能减排和高能效人工智能系统 ，应用路径包括绿色园区和工业节能 。

　　2021人工智能合作与治理国际论坛由清华大学主办，清华大学人工智能国际治理研究院承办，国际支持机构为联合国开发计划署 。论坛为期两天 ，设有三场主论坛、一场特别论坛和七场专题论坛 。“人工智能技术前沿与治理”主论坛由清华大学计算机科学与技术系教授、人工智能研究院常务副院长孙茂松主持。(完)

　　（文图：赵筱尘 巫邓炎）