根据观安信息和赛博研究院共同发布的《人工智能数据安全治理报告》，我将分享四个方面的内容：第一，当前人工智能有什么样的发展趋势，其面临哪些数字安全风险挑战；第二，全球人工智能数据治理现状如何；第三，人工智能数据安全治理的方向在哪里；第四，针对典型的人工智能场景，有什么具体的数据安全解决方案。

数据安全问题亟待解决

数字新基建、数据新要素、在线新经济是今年以来的几大热词，这也一定程度上昭示着人工智能的发展趋势。

5G、工业互联网等新型基础设施在逐步建设，再加上疫情中远程办公、经济活动、新业态都催生了新的人工智能应用场景。今年4月，国家提出将数据作为和土地、劳动力并列的新元素，数据至此上升到了国家战略的高度。

当前，人工智能从“探索期”逐步进入到“成长期”。这一阶段的人工智能有四个关键特征：第一，包括专用的AI硬件、芯片在内的人工智能专用技术逐渐获得突破；第二，人工智能产业生态蔚然成型；第三，人工智能投融资日趋理性成熟；第四，人工智能应用场景向深层拓展。

数据安全已经成为人工智能发展不得不解决的瓶颈问题。一方面，人工智能增加了传统数据的安全风险；另一方面，新技术又引发了新型数据安全风险。在数据全生命周期，人工智能将带来如下新风险：一是数据采集的风险，如隐私保护、过度采集，智能终端、APP不在应用范围内收集个人信息，数据过量采集将引发安全风险。二是数据处理的风险。利用“数据中毒”的方式来攻击人工智能系统，会造成人工智能模型计算的偏差，导致无法达到预期结果。三是数据流通的风险。人工智能依托于算力、算法、数据，因为这些数据很可能是由多个企业协同完成，如有的企业做数据采集，有的企业做数据标注。数据在各企业流转过程中，会出现数据交互、数据跨境的风险。四是数据处置的风险。人工智能的关联分析、还原、攻击、对抗样本攻击等，都会带来数据安全风险。

AI数据安全缺乏标准

针对风险，我们再来看全球人工智能数据安全治理现状。包括中国在内的各国在战略层面都非常重视数据安全，美国、欧盟在各种人工智能案件倡议、伦理规范中，都强调了对于数据安全的应对措施。

在法律层面，各国的人工智能立法差异较大，各有不同。举例来说，美国是通过场景化立法来推进人工智能数据安全，在加州推出了人脸识别的安全技术法；欧盟则是在加快统一数据安全立法下，进行场景化监督。前几年，欧盟推出在“GDPR”（General Data Protection Regulation，通用数据保护条例，简称GDPR）的框架下持续推进自动驾驶、人脸识别、生物制造等典型场景的数据安全立法。而中国目前还需要进一步加快数据安全立法和人工智能标准化立法。

在标准层面，无论是国内或是国外，通用的、专门针对人工智能数据安全的标准尚未出台，缺乏特定的标准。在技术层面，有四个前沿技术与人工智能数据安全相关联。

一是隐私计算。其核心是当数据交给合作方、第三方之时，不给对方未公开的数据。通过这种手段，保证模型训练，满足业务场景的需要，比较典型的如同台加密、联邦学习。二是区块链。区块链是针对去中心化的技术，主要作用于数据安全的防篡改、防泄漏。三是数据偏见检测。在数据安全风险里，人工智能有典型的应用和场景，如果训练数据存在偏见性，就会导致人工智能模型算出来的结果出现偏差，产生不可预期的影响。四是数据安全检测，主要是对数据集污染、对抗安全攻击方面进行检测。

AI数据治理的路径

关于人工智能数据治理框架主要涉及三个方面。

第一，治理思路。保障数据安全是为了让人工智能得到更可靠、更有效的发展，而非阻碍其前行的脚步。在人工智能的动态发展中，实现对数据安全风险的可知和可控是治理的思路。我们要充分发挥“安全”对人工智能发展的赋能作用，让其成为赋能的机制而非瓶颈。第二，治理原则。鼓励和推进AI发展，要保护主体在发展过程中的权益。以隐私数据个人所有权合法权益为例，我们要通过重视技术解决技术赋能的问题，防范风险，聚焦行业场景，推动多元参与。人工智能数据安全的问题，单凭某一家企业是不行的，它需要国家、社会团体、行业、企业等进行多方参与，最后再加强国际合作，确定治理原则。第三，治理路径。一要从宏观战略、法律法规、监管机制层面完善数据安全治理的底层设计；二要建立人工智能数据安全标准体系，如建立通用标准、行业标准、技术标准、人工智能应用场景安全标准；三要不断提高企业自身数据安全能力，通过组织、管理手段、技术手段结合的方式，提高数据安全的能力，包括组织建设、制度规范、文化、技术、人员的能力；四要多方参与，打造全面立体的人工智能数据的安全能力供给，解决数据安全的问题。我们要从技术研发、产品服务、测评认证、合规咨询、安全生态五个层次，打造整体数据的安全能力供给。

AI场景风险的解决方案

我们从接口、数据、核心功能、承建四个层面，完成了针对人工智能场景和平台的风险评估、数据管理、知识库管理及威胁情报；通过对人工智能场景的敏感数据探测、数据质量评估、差异评估、特异性评估，实现整体数据安全检测。

针对三个典型的人工智能场景，我们提出了针对性的数据安全解决方案。

场景一：无人驾驶。存储和传输环节会存在数据被窃听的安全风险，过度采集会侵犯隐私，还会涉及到数据跨境带来的数据安全风险。针对这些数据风险，我们提出了解决建议：加强车载端访问控制，实施分域管理，降低数据安全风险。基于KPI和数据通信加密，构建“车—云”数据通讯，在网络层进行异常流量检测，以提升整体车联网网络安全防护水平。场景二：人脸识别。有些企业内部管理较为薄弱，其内部数据安全制度、整体网络安全防护能力都有待加强，整体数据存在泄漏风险。这会导致在AI平台中进行人脸识别时出现数据泄漏和数据偏差。所以，我们要在解决方案中强调加强准入，包括准入认证和控制，以保障数据链路、数据传输与共享的安全；同时，采取技术手段，实现敏感数据的追踪和溯源。场景三：工业互联网。工业互联网平台架构层、平台层、IaaS、PaaS、SaaS、边缘计算层面都存在数据泄漏的安全风险。对此，我们建议建立数据防泄漏子系统，通过各个层面，加强数据安全审计和防泄漏；同时，针对敏感数据传输、接口传输，用数据脱敏子系统、脱敏技术实现敏感数据保护，建立完整的数据安全交换子系统，最终建立数据安全风险与预警平台。通过预警平台，实现工业互联网场景下数据安全的可知可控，从而保障整体数据安全，最终提升工业互联网场景下的数据安全能力。

（胡绍勇   上海观安信息技术股份有限公司首席技术官）