《通用數(shù)據(jù)保護條例》（GDPR）旨在確保企業(yè)和組織妥善處理個人數(shù)據(jù)，尊重個人隱私。作為全球最嚴格的數(shù)據(jù)保護法規(guī)之一，它適用于所有收集、處理或存儲歐盟公民個人數(shù)據(jù)的企業(yè)與組織。

GDPR 對違規(guī)行為處以高額罰款，因此充分理解其條款至關重要 —— 若未能合規(guī)，企業(yè)不僅可能聲譽受損，還會面臨經(jīng)濟損失。接下來，我們就來拆解汽車行業(yè)中關于 GDPR 的 5 個最常見誤區(qū)。

“數(shù)據(jù)最小化” 是 GDPR 的核心原則，但其含義常被誤解。實際上，“數(shù)據(jù)最小化” 是指企業(yè)僅能收集、處理和存儲為實現(xiàn)特定目的所必需的個人數(shù)據(jù)：既不能收集超出需求的信息，也不能將數(shù)據(jù)留存超過必要期限。

這一原則的核心目標是保護個人隱私 —— 確保企業(yè)不囤積多余個人數(shù)據(jù)，且不將數(shù)據(jù)用于個人未授權的用途。但需注意，“數(shù)據(jù)最小化” 并不意味著可以跳過匿名化步驟：對于那些與既定目的無關、無需使用的個人數(shù)據(jù)，企業(yè)仍有義務進行匿名化處理。

舉個例子：在開發(fā)高級駕駛輔助系統(tǒng)（ADAS）時，企業(yè)需要大量視頻數(shù)據(jù)，但多數(shù)情況下，僅需采集周邊車輛的行駛軌跡、動作行為等信息，無需保留真實人臉和車牌。即使采集到的人臉、車牌與 ADAS 開發(fā)的核心目標無關，這類數(shù)據(jù)仍然需要進行匿名化。

很多企業(yè)認為 “海量數(shù)據(jù)里，識別個人既沒風險也沒價值”，但這一想法并不成立。首先，所有數(shù)據(jù)對個人或第三方都有內(nèi)在價值 —— 即便在街道、公園等公共場所采集的影像，人們也會在意自身隱私是否被侵犯、數(shù)據(jù)被如何使用。

或許會有人說：“作為數(shù)據(jù)收集方，我們并不關注特定個人?！?但問題在于：如果某人出現(xiàn)在其不愿被曝光的敏感場所，有誰能預判這會對他的生活造成何種影響嗎？GDPR 默認企業(yè)無法做出這種預判。

更關鍵的是，任何能接觸到數(shù)據(jù)集或視頻數(shù)據(jù)的第三方，都可能有自己的 “識別人” 動機。現(xiàn)實中很可能出現(xiàn)這樣的場景：研究人員或媒體從業(yè)者，要么出于好奇，要么刻意為之（類似 PimEyes 的操作），在海量數(shù)據(jù)中篩選、識別特定個人，進而引發(fā)隱私泄露風險。

不少企業(yè)將加密等同于匿名化，但根據(jù) GDPR 定義，加密實際屬于 “假名化”—— 它只是讓數(shù)據(jù)暫時無法直接使用，卻保留了可恢復的標識符，只要有對應 “鑰匙” 就能解鎖。

即便企業(yè)銷毀了加密密鑰，有能力的攻擊者仍可能找到其他破解方式；而且當前無法破解的加密算法，未來也可能因技術發(fā)展失效。因此，加密不能替代匿名化，二者本質(zhì)不同。

有些企業(yè)覺得，在采集視頻的車輛上貼提示貼紙，就能默認獲得用戶的 “數(shù)據(jù)處理授權”，但這不符合 GDPR 要求。GDPR 明確規(guī)定，數(shù)據(jù)處理必須獲得 “明確同意”，僅靠車輛貼紙或網(wǎng)站通知，遠達不到 “明確同意” 的標準，自然也不能以此為由拒絕匿名化。

結(jié)合汽車行業(yè)實際場景來看：ADAS 視頻采集會涉及大量路人，要找到每個人并獲取書面同意幾乎不可能，“靠貼紙獲授權” 本身就不具備可行性。

“數(shù)據(jù)只在內(nèi)部用，不用匿名化” 是典型誤區(qū)。即便數(shù)據(jù)僅用于企業(yè)內(nèi)部處理，不匿名化人臉、車牌仍有風險 —— 不僅外部惡意第三方可能入侵獲取數(shù)據(jù)、識別個人，企業(yè)內(nèi)部員工也可能接觸到這些信息，進而辨認出特定個體。

GDPR 已明確列出醫(yī)院、宗教場所等敏感區(qū)域，且沒有任何數(shù)據(jù)處理方能精準判斷 “哪些信息對個人敏感”。一旦因未匿名化導致個人信息泄露，即便企業(yè)并非故意，也會面臨罰款、聲譽崩塌、業(yè)務開發(fā)中斷等嚴重后果。

梳理完這 5 個誤區(qū)不難發(fā)現(xiàn)，它們都無法規(guī)避 GDPR 的合規(guī)要求 —— 即便 “數(shù)據(jù)最小化” 原則，也不意味著 “數(shù)據(jù)為特定目的服務就不用匿名化”。

對汽車行業(yè)而言，匿名化已是必然要求，而匿名化質(zhì)量直接影響 ADAS 等基于 AI 和機器學習的系統(tǒng)效果，因此選對工具至關重要。