當蘋果在 wwdc 2016 的主題演講中，講到“差分隐私 (differential privacy)”這個密碼學專有名詞的時候，隻有少數人意識到，蘋果又走在了時代前列。
大部分中外觀察者都認為，蘋果為人工智能時代所做的努力不夠，它依然是一家以硬體裝置為核心的公司，對于為更大規模的使用者提供服務不感興趣（例如 imessage等軟體均沒有 android 版），是以等人工智能技術得以真正嶄露頭角的時候，很可能難以追趕 google、facebook、亞馬遜和微軟。
這或許是對的。但蘋果在解決人工智能時代的隐私保護難題上，又似乎比其他科技巨頭，走得更遠。
人工智能依賴于機器學習（深度學習）算法，而機器學習又需要大規模的訓練資料，是以向使用者搜集資料比以往更加重要。
如今，當你向一家網際網路公司詢問，你們收集來的使用者資訊會不會侵犯使用者隐私的時候，行業标準答案是：
1、收集使用者資訊是必要的，這樣有助于改善産品或服務。
2、我們是匿名收集使用者資訊的，并不儲存任何使用者的身份資訊。
“匿名收集”這個答案，作為擋箭牌非常好用。外行都會被它唬住，以為匿名就意味着無法關聯到具體的某個使用者的資訊。
但是對這個行業稍有了解的人，都應該清楚，匿名并不能完全保證使用者的隐私安全。最經典的案例莫過于，netflix 曾放出“經過匿名處理的”上億條電影評分資料，“僅僅保留了每個使用者對電影的評分和評分的時間戳”，希望通過競賽的形式，找到更好的影片推薦算法。但是 2009年，德州大學的兩位研究人員，通過這些匿名資料與公開的imdb資料做對比，成功将匿名資料與具體的使用者對應了起來。netflix 不得不取消了，這項原計劃每年舉行的競賽。
蘋果想把（一定會收集使用者資訊的）科技公司在隐私保護方面的級别，提升到新的高度。而“差分隐私 (differential privacy)”，正是它找到的答案。這項密碼學前沿技術的基本原理，就是向包含個體資訊的大量資料集裡注入噪音（或者說擾動），目标是保證每個個體資訊都無法洩露，同時這個資料集的統計學資訊依然可以被外界分析。
科學家們正在研究，究竟注入多少噪音，可以實作隐私保護和資料分析的最佳平衡。
不出意外的話，蘋果将成為第一個真正大規模使用這項“差分隐私 (differential privacy)”算法的公司。但是也有學者表達了自己的擔心，他們認為這項技術前景可期，但還沒有成熟到大規模商用的時候。
也有人猜測，蘋果應該與微軟達成了某種私下協定，因為這項“差分隐私 (differential privacy)”算法的提出者，來自微軟研究院。蘋果在 wwdc 上引用了一名大學教授對蘋果使用該算法的看法——“使用這項算法說明蘋果很有遠見，蘋果在隐私保護方面領先其他科技公司”，而這名教授是《the algorithmic foundations of differential privacy》（差分隐私的算法基礎）一書的兩個作者之一，另一位就是微軟的研究員。
一個可能的情況是，研究這項算法的大公司不止蘋果一家，隻不過它是最先表明積極态度的，至少在輿論方面占得先機。
總結一下。讀完本文，你隻需要知道“匿名收集資訊”并不能回答網際網路公司如何保護使用者隐私的問題，就可以了。就像亞馬遜ceo貝佐斯在 re/code 大會上講的那樣，保護隐私是這個時代的難題。隻不過，願意給出新解法的公司，卻少得可憐。
本文轉自d1net（轉載）