隐私计算如何保障数据主权？从数据所有权到数据价值的完整解析

本文依据指定原文重新编排与改写，原文最早发布于 2019 年；涉及法规、技术与产业现况的内容，实际引用时应再依最新资料更新。数据渐取代石油成为为当今社会的新能源

为什么数据主权成为重要议题？

在网路服务、行动装置与人工智慧快速发展的时代，数据已经成为企业营运、产品创新与公共治理的重要资源。然而，数据大量产生的同时，个人资料外泄、未经授权使用与不透明分析等问题也持续受到关注。

真正需要思考的问题，不只是「谁拥有数据」，还包括「谁可以使用数据」、「数据可以被如何使用」，以及「数据产生的价值应由谁分享」。因此，数据主权不能只理解为保存资料的权利，也应涵盖对数据流向、使用目的与运算结果的控制能力。

过去人们常把数据比喻为「新石油」。但如果只有大量原始资料，却没有安全、透明且可验证的处理方式，数据便难以转化为可靠的生产力。要让数据真正产生价值，必须同时建立数据安全、权限管理与可信运算机制。

数据所有权不等于数据使用权

理解数据价值之前，首先要区分数据所有权与数据使用权。

一般资产的买卖，通常会造成所有权转移；但数据可以被复制，出售一份数据并不代表原始资料从此消失，也不代表原所有人能够控制买方后续的保存、分析或再转售行为。换句话说，当原始数据被直接交出去，即使法律上仍主张拥有数据所有权，实际控制力也可能大幅降低。

因此，数据交易的核心不应是把原始资料直接交给买方，而是让买方在限定条件下取得数据使用权。更安全的做法，是只提供数据运算后的结果，让资料持有者保留原始数据，使用者则取得经授权的分析成果。

这种模式可以简化为以下原则：

不直接出售原始数据，而是交易经过授权、限制与验证的数据结果。

这也是数据主权能否落实的关键。只有将数据所有权与数据使用权分离，才有机会在不牺牲个人隐私的情况下，发展合规的数据交易模式。

隐私计算的核心：资料可用但不可见

隐私计算是一组在不暴露原始资料的前提下完成运算，并让运算结果具备可验证性的技术方法。它的重点不只是「保护隐私」，更在于让资料能够被安全使用。

从功能来看，隐私计算可协助资料持有者保留对原始数据的控制，同时让被授权的机构完成统计分析、模型训练或风险判断。常见研究方向包括全同态加密、安全多方计算，以及其他能够降低资料暴露风险的技术架构。

隐私计算之所以重要，是因为它把「资料是否能被使用」与「原始资料是否必须被交出」这两件事分开。使用者不必先放弃数据主权，才能换取数据服务；企业也不必透过集中收集所有原始资料，才能完成分析工作。

在这个意义下，隐私计算是数据安全与数据价值之间的桥梁。它不仅是一种可选的数据隐私保护工具，在涉及跨机构资料协作与数据使用权交易的情境中，更可能成为不可或缺的基础设施。

三类数据及其价值差异

并非所有数据都具有相同的商业价值，也不是所有资料都适合透过同一种方式处理。为了理解数据安全与数据价值的关系，可以从应用角度将数据概略分为三类。

1.身分数据：安全性优先于资产化

身分数据是用来确认个人或帐户身分的资料，例如电话号码、帐户资讯与身分识别资料。这类资料对非法产业可能具有高度吸引力，但对许多正规分析工作而言，单独使用时未必能产生有意义的结果。

因此，身分数据的首要目标通常是数据安全、身分验证与权限控制，而不是直接追求数据交易。隐私计算可以在验证必要条件的同时，减少完整身分资料被看见或被保存的机会。

2.行为数据：服务改善与监控风险并存

行为数据包括使用者的浏览痕迹、消费纪录与产品使用习惯。企业可以透过分析这些资料，建立使用者轮廓，进而提供个人化服务、推荐内容或投放广告。

行为数据通常具有两种主要价值。第一是广告与行销价值；第二是协助产品团队理解使用者需求，改善产品体验。然而，当分析结果被用于影响选择、操控意见或进行过度精准的分类时，数据使用便可能引发公平性、透明度与个人自主权问题。

在这类情境中，隐私计算可以降低原始行为数据的暴露程度，但技术本身并不能自动决定企业是否有正当使用理由。企业仍需清楚说明使用目的、取得适当授权，并建立可追溯的治理制度。

3.生产力价值数据：最适合发展数据使用权交易

生产力价值数据可用于人工智慧训练、资料分析、科学研究、医疗研发、产品设计与公共决策。它可能来自个人医疗资料、财务资料，也可能来自物联网感测器、大气监测设备或自动驾驶系统。

这类资料的特点，是通常需要跨机构、跨资料来源整合后，才能展现完整价值。例如，医疗机构拥有大量临床资料，研究单位与制药公司则需要这些资料来研究疾病与开发新药；但受限于隐私、合规与机构利益，资料往往无法直接集中交换。

若透过隐私计算分离数据所有权与数据使用权，各方就可以在不直接交出原始资料的前提下进行联合分析。这有助于打破数据孤岛，也能为人工智慧训练提供更完整、更多元的资料基础。

五、联邦学习如何降低资料集中风险？

联邦学习是一种不必将所有原始资料集中到单一伺服器的机器学习方法。模型可以在不同装置或机构的本地资料上训练，再将经过处理的模型参数或更新结果汇整，而不是直接上传完整原始资料。

这种架构有助于降低资料集中化所带来的风险，特别适用于手机装置、医疗机构或多个企业共同训练模型的情境。不过，联邦学习并不代表资料一定完全安全；模型更新、通讯过程与汇整机制仍须搭配适当的加密、权限管理与隐私保护技术。

因此，联邦学习应被视为隐私计算与分散式人工智慧的一种应用方式，而不是取代完整数据治理的万用解答。

从「数据即石油」重新理解数据价值

石油必须经过提炼，才能转化为燃料、化学原料与其他工业产品；同样地，数据也必须经过清理、分析、授权与安全运算，才能真正转化为可使用的成果。

但数据与石油仍有一项重要差异：石油产业通常先建立炼油与运输基础设施，再扩大应用；数据时代则是使用需求早已出现，安全运算、权限管理与可信交易的基础设施仍在发展之中。

从这个角度看，隐私计算就像数据产业的第一道「炼制工序」。它不是把数据变成可任意流通的商品，而是让资料在保留数据主权的前提下，转化为可验证、可授权与可控管的分析结果。

结语：数据主权需要法律、技术与治理共同建立

数据主权不可能只靠单一技术完成。法律可以界定资料主体、企业与使用者的权利义务；技术可以降低原始数据被暴露的机会；治理制度则负责确保资料使用目的、授权范围与运算结果符合承诺。

隐私计算的真正价值，在于让「资料可用」与「资料不可任意观看」同时成立。当数据所有权、数据使用权与数据价值能够被清楚区分，企业便有机会在降低合规风险的同时推动跨机构合作，个人也更有机会重新掌握与自身资料相关的权利。

未来的数据经济，不应建立在大量收集与无限制复制原始资料之上，而应建立在最小化揭露、明确授权、可验证运算与责任可追溯的原则上。这正是隐私计算在数据安全、数据交易与人工智慧发展中最值得关注的角色。

参考资料： 1.《Federated Learning: Collaborative Machine Learning without Centralized Training Data》
2.《Helping organizations do more without collecting more data》