【儀表網 儀表下游】導讀：近幾年，科技企業在推廣新一代信息技術產品時，數據安全、數據隱私等問題廣受詬病。數據作為驅動人工智能快速發展的重要基礎，其安全也決定了人工智能的安全。人工智能的加速發展給數據的安全治理帶來了新的機遇和挑戰。
 

　　隨著新一代信息技術的發展，互聯網和人工智能技術應用蓬勃發展，數據也被視為一種無形的資產。然而，在給我們生產生活帶來效率提升的同時，伴隨的安全問題也不可忽視。近幾年，科技企業在推廣新一代信息技術產品時，數據安全、數據隱私等問題廣受詬病。數據安全成為當今數字化轉型時代的關鍵緊迫議題。
 

　　數據安全治理面臨新的機遇和挑戰
 

　　沒有大數據的收集和基礎，人工智能是無本之木。數據作為驅動人工智能快速發展的重要基礎，其安全也決定了人工智能的安全。人工智能的加速發展給數據的安全治理帶來了新的機遇和挑戰。
 

　　近年來，城市也成為了網絡勒索的重要目標，而且網絡攻擊的對象不僅限于電腦、手機、設備、系統，還逐漸擴展到數據。人工智能數據的獲取、處理和應用具有極強的隱私性與領域擴展性，關乎個人信息安全甚至國家信息安全。對政府、城市公共事業單位的數據勒索，會造成城市運轉和服務陷入停擺。
 

　　業界認為，針對上述情況，要讓人工智能技術的頭頂上高懸一把達摩克里斯之劍。
 

　　數據非法跨境流通可能危害國家主權和國家安全；數字信息的過度采集和非法使用，可能侵犯公民的權利和隱私；算法的偏好可能加劇社會的偏見或歧視，威脅公平正義；無人駕駛汽車緊急避險等智能決策可能威脅特定人群的生命……
 

　　人工智能發展與安全發展風險同時并存，這不僅是一個技術問題，也是一個安全問題，同時還涉及倫理、法律和國際規則等相關問題。人工智能帶來的數據安全問題一方面加速了傳統數據安全問題。人工智能大規模的運用使得過度采集數據安全問題進一步加劇。另一方面，也帶來了新型數據安全的問題。人工智能的算法對數據具有較強的依賴性，可能會帶來數據投毒等新型數據安全挑戰。
 

　　算法、模型和數據構成機器學習三大基以算法構建過程中上下游的產業鏈來看，數據的輸入、數據的分析、模型的訓練、模型的決策、模型的上線部署應用以及模型的改造過程當中都存在相應的風險。
 

　　例如，在數據輸入環節，如果攻擊者控制了數據來源，或者攻擊者能夠對收集數據的設備本身產生安全攻擊，最終將通過這個鏈條影響到算法模型。如通過超聲波影響陀螺儀，最終可以使無人機墜落。或者在模型決策階段，可以通過物理攻擊，使得自動駕駛車輛最終視覺識別系統出問題，這樣可能影響車輛自動行駛或者對行人的判斷。
 

　　隨著人工智能的應用，技術的濫用帶來失控風險。早在2017年，地下的黑產就已經開始用機器學習的方法做二維碼識別訓練。資料表明，80%以上驗證的準確性都可以通過機器學習算法自動完成線上的注冊，這就產生了一系列的安全問題。
 

　　人臉識別技術依托于對海量視圖數據的分析，因而數據安全直接影響著人臉識別技術的實戰應用。人工智能技術在安防領域的應用是技術尋求落地進程最快、應用最早的訓練場。
 

　　從數據采集到數據處理到數據傳輸，解決數據網絡安全問題有很多手段。從網絡和數據角度要完成三個重要的任務――物理隔離、網絡隔離、應用端到端的保護。
 

　　今年6月，我國頒布了《數據安全法》，9月1日將開始正式實施。《數據安全法》提出以數據分級分類為核心，搭建數據安全的監管制度，要求強化落實各級數據處理活動主體數據安全保護的義務與責任，為規范數據處理活動，保障數據安全提供法律依據。另外，《個人信息保護法(草案)》也即將進入三審階段，兩項法案相輔相成，推動我國個人信息保護和數據安全治理進入全新階段。