人工智能發(fā)展中的數(shù)據(jù)風險及治理

關鍵詞：數(shù)據(jù)風險；風險特征；風險分配；新質(zhì)生產(chǎn)力發(fā)展

人工智能的運作基石在于通過算法持續(xù)學習數(shù)據(jù)。其學習過程不僅體現(xiàn)了設計者的認知與理念，同時也伴隨著復雜的利益與價值沖突，這些沖突使得偏見風險成為人工智能系統(tǒng)無法回避的挑戰(zhàn)。在人工智能發(fā)展到能夠自主學習的階段時，其決策過程的不透明性引發(fā)了黑箱風險。進一步而言，人工智能的學習依賴于龐大的數(shù)據(jù)集。然而，不完整的數(shù)據(jù)如同“營養(yǎng)不良”的養(yǎng)分，可能導致人工智能產(chǎn)生歧視性甚至有害的結(jié)論，從而難以支持科學準確的決策。與此同時，人工智能的先進性、動態(tài)性和復雜性，結(jié)合其在社會各個領域的廣泛應用，共同催生了前所未有的風險，給社會治理帶來了嚴峻的挑戰(zhàn)。算法與數(shù)據(jù)結(jié)構作為計算機科學的核心，是人工智能發(fā)展的基石。在這一背景下，人工智能不僅被視作執(zhí)行與人類智能相關功能的計算機模型和系統(tǒng)，更被視為第四次工業(yè)革命的關鍵驅(qū)動力。故而有學者提出，隨著物品全面接人互聯(lián)網(wǎng)，數(shù)據(jù)的獲取與利用將成為推動新產(chǎn)品和服務開發(fā)的重要力量?？傊?，人工智能的風險防范是一個體系性的問題，而對數(shù)據(jù)風險的把控則是從源頭控制人工智能應用產(chǎn)生的不當后果。

一、人工智能發(fā)展中數(shù)據(jù)風險類型

由于目前學界對于數(shù)據(jù)風險的分類缺乏統(tǒng)一標準，針對數(shù)據(jù)風險的研究常常會出現(xiàn)詞語混用的情況。例如，在數(shù)據(jù)收集階段，數(shù)據(jù)失真風險、數(shù)據(jù)質(zhì)量風險、數(shù)據(jù)偏差風險都是指數(shù)據(jù)的來源和質(zhì)量參差會影響人工智能決策的準確性和可靠性。具體風險概念中的詞語混用阻礙了對風險發(fā)生的原因、特征及其治理路徑的深入探究。因此，本文通過分析數(shù)據(jù)作用的不同階段，來劃分并探究各階段的風險特征。因此，人工智能數(shù)據(jù)風險是指在使用人工智能技術進行數(shù)據(jù)收集、分析、存儲和傳輸過程中可能出現(xiàn)的數(shù)據(jù)質(zhì)量、數(shù)據(jù)分析和數(shù)據(jù)安全風險。這些風險可能導致算法的不準確性和不公正性，進而對個人隱私、社會公平及經(jīng)濟穩(wěn)定產(chǎn)生負面影響。

（一）數(shù)據(jù)收集層面風險

1.數(shù)據(jù)偏差風險

數(shù)據(jù)偏差風險是指用于訓練人工智能系統(tǒng)的數(shù)據(jù)存在無法準確反映現(xiàn)實或含有系統(tǒng)性偏見，導致人工智能輸出不準確或不公平的結(jié)果。數(shù)據(jù)偏差主要來源于數(shù)據(jù)收集階段的群體偏差、行為偏見以及先驗偏差。首先，群體偏差產(chǎn)生于數(shù)據(jù)集中統(tǒng)計數(shù)據(jù)及其特征與原始目標群體不同的時候。例如，女性更偏向于小紅書、微博等社交平臺，而男性則更偏向于使用虎撲、知乎等在線論壇。如果在數(shù)據(jù)收集過程中僅僅收集其中某個平臺的數(shù)據(jù)，則會產(chǎn)生由于平臺用戶群體偏差所帶來的數(shù)據(jù)偏差。其次，行為偏見包括社會行為偏見和個人行為偏見。社會行為偏見是由社會歷史固有偏見或者他人的行為引起的。例如，如果一個工作申請程序在歷史上對男性比對女性更有利，那么根據(jù)這些數(shù)據(jù)進行訓練的人工智能系統(tǒng)也會對男性比對女性更有利。同樣，如果刑事司法系統(tǒng)在歷史上一直對有色人種有偏見，那么接受這些數(shù)據(jù)訓練的人工智能系統(tǒng)也會對有色人種有偏見。個人行為偏見則是源于跨平臺或不同數(shù)據(jù)集的不同用戶行為。例如，不同年齡階段、不同社交群體在交互行為中，語言生成的內(nèi)容在結(jié)構、詞匯、語義、句法等方面存在差異。最后，先驗偏差是指在數(shù)據(jù)收集過程中，由于對某些特定特征的選擇、使用和測量方式上的先入為主的假設或決策導致的偏差。抽樣偏差與確認偏差就屬于先驗偏差的范疇。數(shù)據(jù)抽樣偏差是指所抽取的樣本不能準確代表整個數(shù)據(jù)集或總體的現(xiàn)象。人工智能數(shù)據(jù)抽樣偏差對醫(yī)療保健、金融和刑事司法等各個領域都有重要影響。在衛(wèi)生保健領域，用于診斷疾病和制定治療計劃的人工智能系統(tǒng)若存在數(shù)據(jù)偏差，可能誤診病患甚至導致嚴重傷害。同樣，在金融領域，用于投資決策和信譽評估的人工智能系統(tǒng)如有數(shù)據(jù)偏差，可能不公平地拒絕某些群體的貸款或投資申請?？傊?，數(shù)據(jù)偏差能加劇社會不平等現(xiàn)象。

2.數(shù)據(jù)噪聲風險

數(shù)據(jù)噪聲風險是指用于訓練或測試人工智能系統(tǒng)的數(shù)據(jù)中存在的隨機誤差、錯誤標簽或異常值等因素，可能導致系統(tǒng)性能下降和產(chǎn)生誤導性結(jié)果的風險。數(shù)據(jù)偏差與數(shù)據(jù)噪聲都主要來自數(shù)據(jù)的收集層面，卻存在一定的區(qū)別。數(shù)據(jù)偏差是指在數(shù)據(jù)收集時，因為收集邏輯錯誤等原因造成的一種系統(tǒng)性偏差。數(shù)據(jù)噪聲則是無論在算法或者數(shù)據(jù)收集邏輯是否存在錯誤的情況下，都會普遍發(fā)生的、隨機分散的錯誤。數(shù)據(jù)偏差的特點是在目標參照系錯誤不明顯的情況下，數(shù)據(jù)偏差很難被測量到。即使在數(shù)據(jù)收集階段發(fā)生了數(shù)據(jù)偏差風險，該算法仍然能夠得到與系統(tǒng)邏輯相一致的結(jié)果。由于這種錯誤結(jié)果與系統(tǒng)保持了一致性，所以數(shù)據(jù)的收集結(jié)果在形式上具有一定的合理性。在實踐中，除非對算法、數(shù)據(jù)收集邏輯出現(xiàn)了真實的質(zhì)疑，數(shù)據(jù)收集結(jié)果的錯誤一般很難被發(fā)現(xiàn)。而數(shù)據(jù)噪聲則不同。數(shù)據(jù)噪聲普遍地存在于數(shù)據(jù)收集的各個環(huán)節(jié)，盡管難以避免，但其卻也是較好測量的一種不準確。因此，數(shù)據(jù)偏差較數(shù)據(jù)噪聲更具隱蔽性。大數(shù)據(jù)時代要面臨的一個突出問題就是數(shù)據(jù)的混雜性與數(shù)據(jù)噪聲的增多。數(shù)據(jù)噪聲會嚴重影響到數(shù)據(jù)分析的效率。在美國，噪聲數(shù)據(jù)導致了14%的醫(yī)療支出被浪費，導致美國公司一年共損失6000億美元。因此，大數(shù)據(jù)意味著無限規(guī)模的數(shù)據(jù)量，但是數(shù)據(jù)量的無限膨脹并不意味著所包含信息的有效增長。相反，大數(shù)據(jù)所包含的有用信息被無限攤薄，要從極其龐大的數(shù)據(jù)中挖掘出有用的信息內(nèi)容就需要與數(shù)據(jù)噪聲進行頑強的斗爭。

（二）數(shù)據(jù)分析層面風險

1.數(shù)據(jù)偽相關風險

偽相關風險是指數(shù)據(jù)分析中出現(xiàn)的錯誤關聯(lián)，這些關聯(lián)雖有統(tǒng)計顯著性但不能反映客觀現(xiàn)實，特別是在樣本量少或非隨機取樣的情況下更易發(fā)生。所謂相關關系，就是當一個被試的數(shù)據(jù)改變時，其他的數(shù)據(jù)也隨之改變。這種關系的核心是系統(tǒng)對經(jīng)驗的總結(jié)。盡管如此，數(shù)據(jù)之間卻并不一定具有嚴格的對應依存關系。相關關系能夠從歷史行為中推斷出未來行為，有助于消除或減少不確定性，但其無法解釋行為的原因，也不關心行為背后的作用機理。所以，并不是所有的關聯(lián)性都值得信任。數(shù)據(jù)分析中往往隱藏著一些錯誤的關聯(lián)，這些關聯(lián)雖然有顯著的統(tǒng)計關聯(lián)，但并不能通過客觀現(xiàn)實的檢驗。在統(tǒng)計上，這種關系被稱作偽相關。在樣本數(shù)據(jù)數(shù)量較少或非隨機取樣的情況下，偽相關關系出現(xiàn)的概率會極大提高。首先，樣本數(shù)量的多少直接影響偽相關風險的發(fā)生概率，因為基于極少數(shù)樣本得出的關聯(lián)往往可能僅是巧合。此外，數(shù)據(jù)的隨機性也會影響偽相關風險的發(fā)生概率。非隨機取樣可能無法確保數(shù)據(jù)的代表性，所以，隨機取樣是傳統(tǒng)數(shù)據(jù)時代最常用的數(shù)據(jù)收集方法。盡管如此，囿于數(shù)據(jù)的有限性以及隨機采樣要求的嚴格性，在傳統(tǒng)數(shù)據(jù)基礎上的人工智能中，偽相關風險更加顯著。而在大數(shù)據(jù)基礎上的人工智能中，偽相關風險的發(fā)生概率則會有所降低。

2.黑箱風險

黑箱風險指的是在大數(shù)據(jù)和人工智能應用中，由于數(shù)據(jù)收集的非結(jié)構化和非標準化，以及對數(shù)據(jù)來源和處理過程透明度的缺乏，使用者難以理解模型的決策邏輯及其依據(jù)，從而無法解釋其推斷的理由。大數(shù)據(jù)時代，數(shù)據(jù)能夠最大程度發(fā)揮其再利用的優(yōu)勢。但是，由于收集數(shù)據(jù)時無法預知數(shù)據(jù)未來會發(fā)揮何種價值，因此會產(chǎn)生數(shù)據(jù)收集非結(jié)構化、非標準化等問題。這是大數(shù)據(jù)時代一個難以避免與克服的問題。阿里巴巴數(shù)據(jù)委員會會長對這一問題的表述為，收集數(shù)據(jù)的人不知道將來的人怎么使用數(shù)據(jù)，創(chuàng)建模型的人不知道自己所采用的數(shù)據(jù)在未來是否穩(wěn)定，使用模型的人不知道整個數(shù)據(jù)的來路或者加工過程。實際上，當人工智能應用大數(shù)據(jù)后，黑箱問題就會成為必然。因為使用傳統(tǒng)數(shù)據(jù)的人工智能與使用大數(shù)據(jù)的人工智能在處理數(shù)據(jù)的邏輯上存在區(qū)別。傳統(tǒng)數(shù)據(jù)時代的數(shù)據(jù)處理路徑為，算法首先設定數(shù)據(jù)收集的標準，所有錄入模型的數(shù)據(jù)都是盡可能標準化的、準確的。算法對于數(shù)據(jù)的分析的目標是建立數(shù)據(jù)間的因果關系。而大數(shù)據(jù)時代的數(shù)據(jù)處理路徑則是，所有相關數(shù)據(jù)不論標準與否、結(jié)構化與否，應當全部錄入。算法對于數(shù)據(jù)分析的目標并非建立因果關系，而是相關關系。應用大數(shù)據(jù)的人工智能只能作出推斷，而無法告知推斷理由。因為在大數(shù)據(jù)基礎上的人工智能系統(tǒng)在數(shù)據(jù)收集階段不能設定因果關系，否則無法收集足夠的數(shù)據(jù)，由于數(shù)據(jù)體量巨大，其也很難在分析環(huán)節(jié)對數(shù)據(jù)建立因果關系。所以，大數(shù)據(jù)基礎上的人工智能只能根據(jù)數(shù)據(jù)反映出數(shù)據(jù)本身所表現(xiàn)的事實，盡管事實背后必定蘊含深層次的因果關系，但是這種因果關系卻很難被探知。

（三）數(shù)據(jù)儲存、傳輸層面風險

數(shù)據(jù)的流通與利用程度決定了數(shù)據(jù)價值的實現(xiàn)。然而，越多的流動與利用卻可能帶來更多更大的數(shù)據(jù)安全風險。例如，智能汽車運行的前提就是其收集大量實時道路信息以及行駛?cè)藛T的信息進行學習，并在運行的每一時刻都不斷地繼續(xù)收集信息。所以，智能汽車既能夠收集大量關于個人的家庭、工作、生活等細節(jié)，也能夠收集大量道路信息、城市坐標信息甚至有關國家安全的關鍵基礎設施信息，等等。如果智能汽車收集數(shù)據(jù)的能力或權限不被限制，智能汽車就將成為規(guī)模巨大的遠程監(jiān)控平臺。所以，智能汽車的應用可能會導致個人隱私風險、個人安全風險乃至國家安全風險。因此，最佳發(fā)展路徑是在確保數(shù)據(jù)安全的基礎上促進數(shù)據(jù)的自由流通，以最大化其價值并實現(xiàn)發(fā)展目標。隨著人工智能在各個領域的應用越來越廣泛，數(shù)據(jù)被惡意攻擊的風險也隨之增加。這些攻擊可能對個人、企業(yè)甚至國家造成重大損害。數(shù)據(jù)風險層級與數(shù)據(jù)體量大小相關。以自動駕駛數(shù)據(jù)為例，自動駕駛算法與汽車的安全性由道路測試數(shù)據(jù)的豐富性決定，應用中的自動駕駛汽車的安全性更由自動駕駛汽車傳感器實時收集的道路地圖、交通環(huán)境數(shù)據(jù)決定。但是自動駕駛收集的數(shù)據(jù)越多，其信息中包含的軍事管理區(qū)、港口等敏感區(qū)域信息則越多。也即，數(shù)據(jù)體量越大，其中包含的個人數(shù)據(jù)、與國家安全相關的重點數(shù)據(jù)就越多，那么數(shù)據(jù)風險等級就越高。自動駕駛數(shù)據(jù)安全風險具體包括以下三類。第一，由于黑客攻擊導致設備失靈，進而污染了設備感知的數(shù)據(jù)。第二，數(shù)據(jù)在汽車與云端節(jié)點之間的通信過程中被篡改、偽造等。第三，與國家安全相關的數(shù)據(jù)被非法轉(zhuǎn)移到國外，進而威脅國家安全。

除了被攻擊風險外，數(shù)據(jù)泄露風險也屬于數(shù)據(jù)安全風險的重要部分。隨著云計算等數(shù)字化技術的普及，大規(guī)模數(shù)據(jù)向云端存儲和調(diào)度已經(jīng)成為一種發(fā)展方向，同時也導致了更為復雜化和隱蔽性的數(shù)據(jù)泄露，給隱私與安全等帶來了巨大的風險。以非法數(shù)據(jù)監(jiān)控為例，人工智能通過收集一個人的線上線下行為所產(chǎn)生的所有聯(lián)網(wǎng)數(shù)據(jù)，并進行不斷地運算分析，將廣泛零碎的個人信息匯總形成一個人的網(wǎng)絡數(shù)字形象。只要服務商通過將人工智能技術與大數(shù)據(jù)結(jié)合，就能實現(xiàn)對用戶的超強監(jiān)控與數(shù)據(jù)分析能力。所有電商平臺都有對用戶進行非法監(jiān)控的動機，因為只有非法監(jiān)控夠深入，他們才能夠?qū)τ脩敉扑蜑槠淞可矶ㄗ龅木珳蕪V告。例如，電商平臺通過兩人的活動軌跡等方面信息判斷出兩人為夫妻，那么對于妻子數(shù)據(jù)的非法監(jiān)測可以使平臺知道妻子最近喜歡的某樣商品，并將該商品的廣告直接推送給其丈夫。這樣的非法監(jiān)控與廣告推送在日常生活中比比皆是。盡管精確性推送給電商平臺提供了大量商機，但其中對個人隱私及信息安全的侵害卻是不可忽視的。在數(shù)字平臺上，個人數(shù)據(jù)被大量集中，不僅包含使用者的身份信息，還涵蓋了社交網(wǎng)絡、行為偏好、生活習慣和生物特征等。這些數(shù)據(jù)的大規(guī)模泄露對數(shù)字經(jīng)濟的良性發(fā)展構成了威脅，同時也危及了消費者的人格、財產(chǎn)和安全。此外，數(shù)據(jù)泄露風險不僅影響個人，還可能破壞社會秩序的穩(wěn)定和人工智能產(chǎn)業(yè)的長期發(fā)展。

二、人工智能發(fā)展中數(shù)據(jù)風險特征與治理困境

（一）風險的關聯(lián)性與治理矛盾性

不同風險的發(fā)生與人工智能應用不同的數(shù)據(jù)基礎存在關聯(lián)性，而不同風險的治理也存在矛盾性。首先，噪聲風險的減少與偏差風險的增加存在一定關聯(lián)性。減少人類決策噪聲的一個最可靠的方法是預先制定一個強制性的決策指南。然而，在人工智能系統(tǒng)中，減少數(shù)據(jù)噪聲通常涉及在算法中引入噪聲減弱規(guī)則。但這種方法在改善數(shù)據(jù)收集算法時，可能導致系統(tǒng)性的偏差。

其次，數(shù)據(jù)偽相關性風險與傳統(tǒng)數(shù)據(jù)基礎具有關聯(lián)性，而黑箱風險與大數(shù)據(jù)基礎具有關聯(lián)性，黑箱問題的治理與數(shù)據(jù)偽相關風險的治理則存在矛盾性。如上文分析，傳統(tǒng)數(shù)據(jù)基礎上的人工智能系統(tǒng)在數(shù)據(jù)學習過程中依賴隨機采樣，但任何采樣上的缺陷都會顯著增加數(shù)據(jù)偽相關風險。這些系統(tǒng)在收集和分析數(shù)據(jù)時，往往過度依賴于主觀建立的因果關系，將其中蘊含的風險直接轉(zhuǎn)嫁到人工智能系統(tǒng)的應用上。與此相對，基于大數(shù)據(jù)的人工智能系統(tǒng)更加開放地接納各種數(shù)據(jù)，不那么依賴主觀設定的聯(lián)系，而是探索數(shù)據(jù)之間的客觀相關性。這種方法雖然有助于發(fā)現(xiàn)數(shù)據(jù)間的客觀關系，但因缺少對這些關系的主觀理解，導致無法完全滿足人類對邏輯和原因的認知需求，從而形成了黑箱問題。盡管黑箱問題可能使信息不對稱性加劇，但同時也有助于減少由于主觀偏見帶來的數(shù)據(jù)偏差風險。

最后，數(shù)據(jù)精確性與多樣性實現(xiàn)也存在矛盾性。大數(shù)據(jù)基礎上的人工智能與傳統(tǒng)數(shù)據(jù)基礎上的人工智能對于數(shù)據(jù)精確性要求不同。傳統(tǒng)的統(tǒng)計研究工作要求獲得的數(shù)據(jù)具有完整性、精確性、一致性等品質(zhì)。在傳統(tǒng)數(shù)據(jù)時代，由于數(shù)據(jù)結(jié)構單一、數(shù)據(jù)規(guī)模小，收集的數(shù)據(jù)資料有限，數(shù)據(jù)處理技術也相對落后，分析數(shù)據(jù)的目的是希望盡可能用有限的數(shù)據(jù)全面準確地反映總體客觀現(xiàn)實。因此，在傳統(tǒng)數(shù)據(jù)時代，對數(shù)據(jù)精確性的要求十分嚴格。然而，隨著大數(shù)據(jù)時代的到來，數(shù)據(jù)來源變得更加廣泛，數(shù)據(jù)處理技術也不斷進步，反而不應一味追求數(shù)據(jù)的精確性，而應當接受紛繁蕪雜的各類數(shù)據(jù)，更多地關注數(shù)據(jù)的多樣性、時效性及有效性。

（二）風險治理價值取向沖突性

數(shù)據(jù)安全的追求與數(shù)據(jù)價值的實現(xiàn)存在沖突。在大數(shù)據(jù)時代，許多數(shù)據(jù)在收集時并沒有特定的用途，但最終卻發(fā)展出了許多創(chuàng)新性的應用。因此，在收集數(shù)據(jù)時，收集方常常無法向數(shù)據(jù)主體明確數(shù)據(jù)的最終用途。然而，未經(jīng)數(shù)據(jù)主體許可，任何形式的大數(shù)據(jù)分析都需征得其同意。以谷歌預測流感為例，如果谷歌想要通過檢索詞條，尤其是與公共衛(wèi)生、個人生理健康相關的數(shù)據(jù)預測流感的話，必須征得數(shù)以億計用戶的同意。這將會給數(shù)據(jù)使用帶來極大的成本。所以，數(shù)據(jù)價值以及數(shù)據(jù)效率的實現(xiàn)在很大程度上與個人信息安全是存在沖突的。隨著數(shù)字時代個人信息價值的不斷增加，隱私逐漸由整體性保護過渡為可以個性化組合的系列權利，如數(shù)據(jù)訪問權、數(shù)據(jù)轉(zhuǎn)移權、被遺忘權，等等。也即，數(shù)據(jù)主體可以根據(jù)不同的目的授權他人訪問、加工、使用自己產(chǎn)生的數(shù)據(jù)。主流的隱私侵權理論也逐漸被隱私控制理論所代替。在隱私侵權理論下，即便數(shù)據(jù)主體承諾拋棄其數(shù)據(jù)信息，數(shù)據(jù)也并不能完成類似物權的完全轉(zhuǎn)移。數(shù)據(jù)主體無法實現(xiàn)對數(shù)據(jù)的完全控制，因為數(shù)據(jù)存在于數(shù)據(jù)生產(chǎn)者與利用者的二元控制的利益結(jié)構中。數(shù)據(jù)主體對個人數(shù)據(jù)的控制來源于人格保護體系，而數(shù)據(jù)控制者對個人數(shù)據(jù)的控制則根植于財產(chǎn)法體系。但在隱私控制理論中，數(shù)據(jù)主體在數(shù)據(jù)流動中能夠取得主動權，能夠享受數(shù)字紅利帶來的利益。然而，在個人有能力控制隱私基礎上的理論在實踐中卻屢屢失敗。因為數(shù)據(jù)主體并不會認真閱讀隱私條款，甚至并不清楚自己授權的內(nèi)容到底包含什么。所以，以個人同意為基礎的數(shù)據(jù)流動更像是為了促進數(shù)據(jù)的合法流動而存在的一種形式意義，而在避免數(shù)據(jù)隱私風險中，卻并不具備實質(zhì)意義。

（三）風險發(fā)現(xiàn)的隱蔽性

數(shù)據(jù)噪聲風險具有隱蔽性。從統(tǒng)計學意義上看，在存在噪聲的數(shù)據(jù)系統(tǒng)中，隨機出現(xiàn)的錯誤似乎會被抵消。然而在實際決策時，噪聲風險導致的錯誤卻只會累積。例如，保險公司對一份保單的理賠金額估價過高，而對另一份保單估價過低。從統(tǒng)計學上來看，兩次估價的平均值可能是適當?shù)模欢趯嶋H情況中，保險公司卻犯下了兩次代價高昂的錯誤。又或者兩名罪犯都應當被判處五年有期徒刑，卻被分別判處了三年和七年有期徒刑。盡管從統(tǒng)計學上看，二者的平均刑期都在五年，但在實際情況中正義卻并沒有得到伸張。所以數(shù)據(jù)噪聲風險是否帶來實際侵害只能從實際結(jié)果的角度確認，也即依靠存在噪聲的數(shù)據(jù)集訓練的人工智能系統(tǒng)只有通過事后決策檢查數(shù)據(jù)中的噪聲。一般的噪聲審查只能識別重復性決策，所以重復決策的噪音更容易察覺，而單一決策的噪音只有在主動溯源或發(fā)生重大錯誤后被動溯源才能被發(fā)現(xiàn)。此外，數(shù)據(jù)濫用與數(shù)據(jù)泄露風險也具有隱蔽性。因為大部分被侵犯了隱私權的人甚至根本不知道自己的數(shù)據(jù)信息已經(jīng)泄露。由于技術能力差異和人工智能固有的算法黑箱問題等，人工智能的數(shù)據(jù)安全與數(shù)據(jù)隱私問題幾乎都是處于一種隱秘的狀態(tài)。

三、數(shù)據(jù)風險治理的創(chuàng)新策略、價值平衡與協(xié)同治理之道

不同數(shù)據(jù)基礎的人工智能數(shù)據(jù)風險具有不同的特點，而數(shù)據(jù)風險治理的矛盾性使其區(qū)別于一般的風險治理，加之數(shù)據(jù)治理尚屬于創(chuàng)新性規(guī)制范疇，所以人工智能數(shù)據(jù)風險的防范與制度化過程中，需要遵循發(fā)展的、適應性的治理理念。

（一）矛盾化解：整合創(chuàng)新、促進新質(zhì)生產(chǎn)力發(fā)展

人工智能和數(shù)字化技術作為數(shù)據(jù)處理的核心手段，其發(fā)展與應用在不同程度上帶來了數(shù)據(jù)風險。這些風險的發(fā)生與應用不同的數(shù)據(jù)庫存在密切的關聯(lián)性，同時也給風險的治理帶來了挑戰(zhàn)和矛盾。為了應對這些風險，我們需要整合創(chuàng)新，促進新質(zhì)生產(chǎn)力發(fā)展。

黑箱問題的治理與數(shù)據(jù)偽相關風險的治理存在矛盾性。傳統(tǒng)數(shù)據(jù)庫由于其樣本量較小，可能無法全面反映數(shù)據(jù)的真實情況，從而導致數(shù)據(jù)分析結(jié)果出現(xiàn)偏差。在這種情況下，引入大數(shù)據(jù)技術進行深度挖掘和分析，可以更好地識別數(shù)據(jù)之間的真正客觀關系，降低偽相關性風險。但是，在利用人工智能處理大數(shù)據(jù)時，黑箱風險也隨之出現(xiàn)。黑箱風險指的是由于模型的復雜性和不透明性，人們無法完全理解模型的工作原理和決策過程。這種不透明性可能導致決策者盲目依賴模型結(jié)果，從而產(chǎn)生不可預測的風險。為了降低黑箱風險，需要開發(fā)更透明、可解釋的人工智能模型；而為了降低偽相關性風險，則需要增加數(shù)據(jù)的多樣性和全面性。這導致在數(shù)據(jù)質(zhì)量和模型透明度之間需要做出權衡和抉擇。為了解決這一矛盾，我們需要整合創(chuàng)新，根據(jù)具體情況進行靈活處理。在大數(shù)據(jù)時代，數(shù)據(jù)的準確性和安全性也是至關重要的。在數(shù)據(jù)規(guī)模較小、數(shù)據(jù)結(jié)構相對簡單的情況下，可以采用傳統(tǒng)的統(tǒng)計方法進行精確分析；在數(shù)據(jù)規(guī)模較大、數(shù)據(jù)來源廣泛的情況下，可以采用機器學習等大數(shù)據(jù)處理技術進行快速分析。通過整合、創(chuàng)新不同的數(shù)據(jù)處理技術，可以更好地應對大數(shù)據(jù)帶來的挑戰(zhàn)和機遇。

總之，以整合創(chuàng)新、促進新質(zhì)生產(chǎn)力發(fā)展作為化解風險治理矛盾的基本思路可以有效幫助轉(zhuǎn)變對數(shù)據(jù)精確性的要求，更加注重數(shù)據(jù)的多樣性、時效性及有效性等方面。在整合創(chuàng)新的過程中，可以通過靈活運用不同的數(shù)據(jù)處理技術來達到更好的數(shù)據(jù)分析效果。同時，也需要注重數(shù)據(jù)的準確性和安全性，以更好地應對不斷變化的數(shù)據(jù)環(huán)境。

（二）價值平衡：共建共治共享的風險分配理念

隨著數(shù)字時代的來臨，數(shù)據(jù)在經(jīng)濟社會中的作用越來越重要。為了拓展數(shù)據(jù)社會發(fā)展的新局面，需要實現(xiàn)共建共治共享的數(shù)據(jù)治理模式，以助力數(shù)字時代社會財富再分配格局的形成。通過這種方式，可以促進數(shù)字經(jīng)濟活動健康有序發(fā)展，緩解我國人民日益增長的美好生活需求與不平衡不充分發(fā)展之間的矛盾。數(shù)據(jù)是人工智能發(fā)展的重要基石，而人工智能技術的進步又離不開數(shù)據(jù)的支持。如果數(shù)據(jù)風險規(guī)制態(tài)度過于嚴苛，將會限制人工智能技術的研發(fā)和應用，阻礙行業(yè)的進步。因此，在數(shù)據(jù)風險規(guī)制方面，需要采取一種平衡的態(tài)度，既要保護數(shù)據(jù)主體的權益，又要促進人工智能行業(yè)的健康發(fā)展。在解決數(shù)據(jù)主體的人格利益價值與數(shù)據(jù)流通價值的平衡方面，法律制度的作用至關重要。需要通過法律手段為數(shù)據(jù)主體提供保障，使其能夠從貢獻數(shù)據(jù)的行為中獲得相應的利益。只有這樣，才能激發(fā)數(shù)據(jù)主體的積極性，促進數(shù)據(jù)的流通和利用。從隱私侵權理論到隱私控制理論的發(fā)展可以發(fā)現(xiàn)隱私風險的控制主體已經(jīng)發(fā)生了改變，即從國家轉(zhuǎn)變到數(shù)據(jù)主體。這一現(xiàn)象在法律的變革中十分常見，以公司法制度為例，公司制度的風險控制主體轉(zhuǎn)換從國家到個人歷經(jīng)了上百年。然而在數(shù)字時代，數(shù)據(jù)隱私風險的控制主體轉(zhuǎn)移卻發(fā)生在了短短幾年間。這主要是因為數(shù)據(jù)主體缺乏對隱私風險的實際控制能力。因此，在共建共治共享的治理理念下，針對這一現(xiàn)實困境，不能簡單地將風險控制責任完全轉(zhuǎn)移給數(shù)據(jù)主體，而是需要采取一種較為緩和的風險控制責任轉(zhuǎn)移方式。具體來說，應該由國家逐漸轉(zhuǎn)移給數(shù)據(jù)控制者，再由數(shù)據(jù)控制者轉(zhuǎn)移部分給數(shù)據(jù)主體。通過這種方式，可以實現(xiàn)數(shù)據(jù)隱私風險的分層控制，既保護數(shù)據(jù)主體的權益，又促進數(shù)字經(jīng)濟的健康發(fā)展。

為了應對數(shù)字時代的數(shù)據(jù)風險挑戰(zhàn)，需要加強制度建設，實現(xiàn)共建共治共享的數(shù)據(jù)治理模式。通過平衡數(shù)據(jù)主體的權益和人工智能行業(yè)的發(fā)展需求可以促進數(shù)字經(jīng)濟的健康有序發(fā)展，助力我國人民日益增長的美好生活需求的追求。同時，還應該關注數(shù)字時代下新的風險控制責任轉(zhuǎn)移現(xiàn)象，不斷完善相關法律法規(guī)和制度體系，以適應經(jīng)濟社會發(fā)展的新變化。

（三）隱蔽性的彌合：多元、分級治理思維

由于數(shù)據(jù)風險具有顯著的隱蔽性，傳統(tǒng)的管理方式往往難以有效應對。為了更全面地解決這一問題，需要引入一種多元、分級的治理思維。多元治理思維強調(diào)從多個角度、多個層面來審視和解決數(shù)據(jù)風險問題。在企業(yè)層面，需要制定嚴格的數(shù)據(jù)管理規(guī)定，明確數(shù)據(jù)的收集、存儲和使用方式，并建立相應的內(nèi)部審計機制，確保數(shù)據(jù)的完整性和安全性。在行業(yè)層面，行業(yè)協(xié)會或組織應制定行業(yè)標準和規(guī)范，促進企業(yè)間的信息共享和協(xié)同合作，共同應對數(shù)據(jù)風險。國家層面則需要出臺相關法律法規(guī)，為數(shù)據(jù)風險管理提供法律保障，同時加強對數(shù)據(jù)活動的監(jiān)管和執(zhí)法。分級治理思維則是將數(shù)據(jù)風險按照其影響程度和緊急程度進行分級，然后針對不同級別的風險采取相應的應對措施。對于高風險的數(shù)據(jù)，需要采取更為嚴格的管理措施，如限制訪問權限、加強數(shù)據(jù)監(jiān)控等；而對于低風險的數(shù)據(jù)，則可以采取相對寬松的管理方式，以提高管理效率。引入多元、分級治理思維，不僅可以更全面地識別和管理數(shù)據(jù)風險，還可以提高數(shù)據(jù)管理的效率和效果。同時，這也有助于構建更加安全、可靠的數(shù)據(jù)環(huán)境，為組織的穩(wěn)健發(fā)展提供有力保障。

四、人工智能發(fā)展中數(shù)據(jù)風險的疏與治

（一）宏觀層面：促進與大數(shù)據(jù)融合發(fā)展

在人工智能系統(tǒng)中引入大數(shù)據(jù)的應用能夠有效改善數(shù)據(jù)收集以及數(shù)據(jù)分析環(huán)節(jié)的數(shù)據(jù)噪聲風險、數(shù)據(jù)偏差風險、數(shù)據(jù)偽相關風險。人工智能的決策準確性在很大程度上依賴于算法調(diào)校階段數(shù)據(jù)收集和分析的準確性。然而，長期以來，由于數(shù)據(jù)偏差和噪聲的不可避免性，準確分析大量數(shù)據(jù)一直都較為困難。為了盡可能地準確分析數(shù)據(jù)，很多時候會通過剝離、精簡等方法縮減所需數(shù)據(jù)。但是這種縮減仍然可能帶來系統(tǒng)性偏差，且不能滿足算法學習的要求。但是隨著技術條件的提高，處理大體量數(shù)據(jù)成為可能。而這種變化將會很大程度上改善長久以來數(shù)據(jù)收集以及分析環(huán)節(jié)的固有風險。在傳統(tǒng)數(shù)據(jù)時代，所有對數(shù)據(jù)精確性的努力都有可能會加重數(shù)據(jù)偏見的風險。采樣分析的精確性隨著采樣的隨機性增加大幅提高，但與樣本數(shù)量的增加關系不大。也即選擇樣本的隨機性比樣本數(shù)量更為重要。因此，在人工智能數(shù)據(jù)搜集階段，采用隨機采樣方法是必要的。但隨機采樣僅僅是在無法收集到全部數(shù)據(jù)的情況下提高數(shù)據(jù)準確性的一種技術手段。其有效性取決于采樣的絕對隨機性。一旦人工智能系統(tǒng)在數(shù)據(jù)搜集過程中存在任何偏差，分析結(jié)果就可能嚴重偏離實際情況。而數(shù)據(jù)搜集階段的偏差會對整個智能體系造成系統(tǒng)性偏差。這種嚴格的隨機性既是隨機采樣方法的前提，也是其固有的缺陷之一。因此，在傳統(tǒng)數(shù)據(jù)時代，對于人工智能數(shù)據(jù)搜集與分析而言，最基本也是最重要的要求是減少錯誤，確保數(shù)據(jù)質(zhì)量。因此，在算法搜集數(shù)據(jù)或人工錄入數(shù)據(jù)時，可能需要對數(shù)據(jù)進行前期審查和剝離，盡可能確保進入系統(tǒng)的數(shù)據(jù)具有精確性。大數(shù)據(jù)時代容忍數(shù)據(jù)的不精確性，這種靈活性反而為智能系統(tǒng)帶來了更多優(yōu)勢。

大體量數(shù)據(jù)能夠糾正少量不精確數(shù)據(jù)所產(chǎn)生的錯誤。在傳統(tǒng)數(shù)據(jù)時代，為了確保數(shù)據(jù)的準確性，通常需要采用隨機采樣、計算平均值等數(shù)據(jù)收集方法。在大數(shù)據(jù)時代，由于數(shù)據(jù)量巨大，樣本本身就代表了數(shù)據(jù)的全部，因此不需要使用傳統(tǒng)的數(shù)據(jù)收集方法，就能獲得甚至更加準確的結(jié)果。此外，大數(shù)據(jù)中的錯誤數(shù)據(jù)能夠提供新的價值。20世紀90年代，IBM公司為一個精確翻譯項目投入了大量資金，耗費了約十年的時間對大量精確翻譯進行錄入?yún)R總，但由于最終成效普通，所以IBM公司主動停止了該項目的繼續(xù)研發(fā)。2006年，谷歌也開始對機器翻譯進行研發(fā)，而與IBM不同的是，谷歌在選擇了翻譯的龐雜性，放低了對翻譯語料精確性的追求。而最終，掌握了上萬億語料庫的谷歌翻譯成為了最靈活也相對準確的機器翻譯。所以，大數(shù)據(jù)基礎上的簡單算法比傳統(tǒng)數(shù)據(jù)基礎上的復雜算法更加有效。對于大數(shù)據(jù)基礎上的人工智能不僅可以排除異常值保障本算法的有效運轉(zhuǎn)，還能夠通過挖掘異常數(shù)據(jù)的價值進一步學習，從而實現(xiàn)更多智慧功能。因此，促進人工智能與大數(shù)據(jù)融合發(fā)展是人工智能的重要發(fā)展方向。

（二）中觀層面：數(shù)據(jù)控制者義務主導的風險分配設計

構建以數(shù)據(jù)控制者為核心的風險控制制度，明確其責任并強化數(shù)據(jù)安全管理，以確保數(shù)據(jù)的合規(guī)使用，從而有效應對數(shù)據(jù)風險并保護個人隱私與數(shù)據(jù)安全。這種風險控制制度要求數(shù)據(jù)控制者承擔主要的數(shù)據(jù)風險管理責任，并通過完善內(nèi)部控制體系、加強技術研發(fā)和應用，以及配合監(jiān)管等方式全面提升數(shù)據(jù)風險防控能力。

數(shù)據(jù)控制者義務主導的風險分配設計包括兩種路徑，其一為數(shù)據(jù)控制者信義義務的構建。數(shù)據(jù)控制者信義義務理論的提出主要為了解決現(xiàn)實中隱私保護的個人控制缺乏實踐意義的問題。在數(shù)字時代，個人信息保護傾向個性化權利，如數(shù)據(jù)訪問、轉(zhuǎn)移和被遺忘權，使數(shù)據(jù)主體能夠按需授權數(shù)據(jù)使用。數(shù)據(jù)控制理論逐漸取代侵權理論。然而實踐中數(shù)據(jù)主體常因不了解隱私條款內(nèi)容，導致基于個人同意的數(shù)據(jù)流動成為形式，而非實質(zhì)上的隱私保護。因此，數(shù)據(jù)控制者信義義務的構建就顯得具有實際意義。然而在數(shù)據(jù)控制者信義義務的制度化設計中，在受信主體的確定、數(shù)據(jù)滿足財產(chǎn)獨立性、確定性標準以及利益沖突等問題上仍然存在一定的障礙。

另一個風險分配的制度設計是完善數(shù)據(jù)控制者法定義務。《中華人民共和國個人信息保護法》（以下簡稱《個人信息保護法》）《中華人民共和國數(shù)據(jù)安全法》（以下簡稱《數(shù)據(jù)安全法》）《中華人民共和國網(wǎng)絡安全法》（以下簡稱《網(wǎng)絡安全法》）等法律已經(jīng)對數(shù)據(jù)控制者義務作出了相應的規(guī)定，但是目前仍處于相對抽象與空缺的狀態(tài)。要完善、優(yōu)化數(shù)據(jù)控制者法定義務就必須由原則性義務向不斷細化的規(guī)則性義務體系轉(zhuǎn)變。目前我國數(shù)據(jù)控制者的義務主要屬于原則性義務以及部分規(guī)則性義務。例如《個人信息保護法》第5、6、7條規(guī)定了個人信息處理原則，包括合法性原則、正當性原則、必要性原則、誠實信用原則以及公開透明原則。除了上述原則外，《數(shù)據(jù)安全法》還規(guī)定了風險監(jiān)測規(guī)則、風險評估規(guī)則，等等。然而，即便是具體的規(guī)則性義務，我國的相關法律規(guī)定仍然顯得相對抽象。以風險評估為例，我國《數(shù)據(jù)安全法》的規(guī)定為“重要數(shù)據(jù)的處理者應當按照規(guī)定對其數(shù)據(jù)處理活動定期開展風險評估，并向有關主管部門報送風險評估報告。風險評估報告應當包括處理的重要數(shù)據(jù)的種類、數(shù)量，開展數(shù)據(jù)處理活動的情況，面臨的數(shù)據(jù)安全風險及其應對措施等。”而歐盟《通用數(shù)據(jù)保護條例》則規(guī)定了包括數(shù)據(jù)保護影響評估在內(nèi)的一系列要求。根據(jù)這些規(guī)定，數(shù)據(jù)控制者需建立專業(yè)化、標準化的流程，這包括實施設計時數(shù)據(jù)保護和默認數(shù)據(jù)保護（Data protection by design and by default）制度。此制度要求數(shù)據(jù)控制者和數(shù)據(jù)處理者在開發(fā)、設計、選擇和使用應用程序、服務和產(chǎn)品的過程中，必須考慮到數(shù)據(jù)保護，并確保他們能夠履行相關的數(shù)據(jù)保護義務。默認數(shù)據(jù)保護意味著，向數(shù)據(jù)主體提供的商品或服務的默認設置應當符合隱私保護要求，而不能默認收集用戶數(shù)據(jù)。由于規(guī)則在適用中更具有現(xiàn)實意義，因此在適用層面天然優(yōu)于原則。從上述規(guī)定也可以看出，越具體的規(guī)則性義務越具有指導性。所以，數(shù)據(jù)控制者義務應當逐漸由原則性義務轉(zhuǎn)向規(guī)則性義務。

（三）微觀層面：多元、分級治理的實現(xiàn)

1.企業(yè)層面不斷完善數(shù)據(jù)收集策略

數(shù)據(jù)噪聲無處不在，其產(chǎn)生的一個重要原因是數(shù)據(jù)收集策略的不足。在人類做出決策時，事先的強制性準則能夠減少噪聲。人工智能形成決策與人形成決策的路徑是類似的。人類在形成決策時，事先搜集與決策相關的信息，并在內(nèi)心根據(jù)自己的標準進行判斷，并最終得出決策。人工智能在形成決策時，則是在預先的算法基礎上，對收集的數(shù)據(jù)進行分析，并最終得出決策或者根據(jù)算法自行收集數(shù)據(jù)并進行分析，最終得出決策。所以，算法仍然存在判斷，只不過判斷的主體不是人而是智能系統(tǒng)而已。因此一個科學、固定的規(guī)則能夠幫助減少系統(tǒng)決策噪聲。例如，某網(wǎng)站想要評估一個商品是否被有效瀏覽，大部分網(wǎng)站的數(shù)據(jù)收集策略是用戶在頁面上停留的時間。然而這個策略卻存在著局限。首先，停留時間不完全代表用戶對商品的偏好，收集的數(shù)據(jù)中可能會存在大部分是用戶無意識停留行為所產(chǎn)生的。其次，停留時間并不容易被準確地記錄。在傳統(tǒng)的日志模式下，停留時間都是按照下一個頁面打開的時間作為上一個頁面結(jié)束的時間。當一個人在多個窗口同時停留時，則會陷入停留時間過短的誤區(qū)。在要評價用戶是否對頁面感興趣時，數(shù)據(jù)就出現(xiàn)了物理盲點，網(wǎng)站沒有精確的數(shù)據(jù)來描述用戶是否對商品感興趣。面對這種情況，就需要網(wǎng)站在商品詳情頁上用技術的手段做上標記，以記錄用戶在頁面上是否有動作以及是否滾動屏幕去看更多的內(nèi)容。在明確了用戶具體看到了哪些內(nèi)容后，網(wǎng)站才能收集到相應有效的數(shù)據(jù)以完成對商品頁面進行后續(xù)的分析。為了減少人工智能系統(tǒng)決策中的噪聲，確保智能系統(tǒng)決策的準確性和效率，人工智能企業(yè)需要制定一套科學且固定的規(guī)則來指導數(shù)據(jù)收集工作。確保收集到的數(shù)據(jù)質(zhì)量更高、更具代表性，從而為智能系統(tǒng)決策提供更為可靠的支持。

2.行業(yè)層面推動建立長期溯源監(jiān)測機制

消除人工智能在數(shù)據(jù)搜集與數(shù)據(jù)分析階段的偏差與噪聲的方法有兩種。一種是發(fā)現(xiàn)結(jié)果有錯誤時進行糾正，另一種則是在算法作出決策前進行數(shù)據(jù)質(zhì)量的篩查與干預。所以，對人工智能數(shù)據(jù)噪聲風險的防范主要有兩方面。第一方面是，人工智能產(chǎn)品投入使用后，應當建立一種長期的主動溯源監(jiān)測系統(tǒng)，以發(fā)現(xiàn)錯誤決策，并及時糾正。另一方面是，在設計算法時，注重對數(shù)據(jù)搜集以及數(shù)據(jù)分析階段的噪聲篩查。由于噪聲的屬性，其是無法提前預測的誤差，既不容易被觀測到，也不容易被解釋。但是噪聲對于決策的影響卻很大。因此，隨著人工智能技術的快速發(fā)展和應用領域的不斷拓展，建立長期溯源監(jiān)測機制成為確保行業(yè)健康、可持續(xù)發(fā)展的關鍵。這一機制旨在追蹤和評估人工智能技術的影響，及時發(fā)現(xiàn)潛在風險和問題，為政策制定和行業(yè)監(jiān)管提供科學依據(jù)。通過構建長效溯源監(jiān)測機制，人工智能行業(yè)可以更好地應對技術變革帶來的挑戰(zhàn)，促進技術的合理、安全應用，為經(jīng)濟社會發(fā)展提供有力支撐。

3.制度層面健全數(shù)據(jù)分類分級制度

健全數(shù)據(jù)分類分級制度能夠解決數(shù)據(jù)風險管理一刀切的問題。當數(shù)據(jù)保護規(guī)則過嚴，那么數(shù)據(jù)風險管理政策也會偏向嚴格。風險的管理權限牢牢掌握在國家手中。即便是較小的可容忍風險也會被排除。這種數(shù)據(jù)保護規(guī)則與風險管理政策會嚴重影響數(shù)據(jù)流通效率，無法實現(xiàn)數(shù)據(jù)物盡其用的原則。而當數(shù)據(jù)保護規(guī)則過寬，那么數(shù)據(jù)風險管理政策也會偏向?qū)捤?。風險的管理權限會完全下放至市場、交易者個人。即便是可能聚合引發(fā)社會、國家的重大風險都可能會被忽視。這種數(shù)據(jù)保護規(guī)則與風險管理政策盡管非常利于數(shù)據(jù)流通與數(shù)據(jù)的利用，但是個人隱私和數(shù)據(jù)安全甚至國家安全則難以得到保障。其次，能夠適應大數(shù)據(jù)時代的數(shù)據(jù)風險管理。在傳統(tǒng)數(shù)據(jù)時代，數(shù)據(jù)流通過程中的風險并不多發(fā)，更多的數(shù)據(jù)安全存在于數(shù)據(jù)儲存與管理環(huán)節(jié)，因此傳統(tǒng)數(shù)據(jù)風險管理主要在數(shù)據(jù)儲存與管理環(huán)節(jié)。而大數(shù)據(jù)時代，數(shù)據(jù)總是處于變化與大規(guī)模流動。傳統(tǒng)的數(shù)據(jù)風險管理策略對于大數(shù)據(jù)時代的數(shù)據(jù)風險管理缺乏針對性。美國《統(tǒng)一個人數(shù)據(jù)保護法》《外國投資風險審查現(xiàn)代化法》等法律實現(xiàn)了對不同類別數(shù)據(jù)分別進行管控，形成了美國數(shù)據(jù)分類分級保護制度的框架。歐盟的《通用數(shù)據(jù)保護條例》《非個人數(shù)據(jù)在歐盟境內(nèi)自由流動框架條例》及其指南等規(guī)則實現(xiàn)了歐盟對于個人數(shù)據(jù)和非個人數(shù)據(jù)的差異化管理。我國則明確在《數(shù)據(jù)安全法》中規(guī)定了數(shù)據(jù)分類分級保護的要求。從世界范圍來看，數(shù)據(jù)保護制度從靜態(tài)轉(zhuǎn)向動態(tài)，從一刀切的保護模式轉(zhuǎn)向模式分類分級保護是一種應對大數(shù)據(jù)時代數(shù)據(jù)復雜化、動態(tài)化的重要趨勢。

從我國目前《網(wǎng)絡安全法》《個人信息保護法》《數(shù)據(jù)安全法》等法律法規(guī)對數(shù)據(jù)的分類來看，我國對數(shù)據(jù)分類分級的目的重點在于防范數(shù)據(jù)風險。2016年《網(wǎng)絡安全法》出臺時，數(shù)據(jù)分類保護作為網(wǎng)絡安全等級保護制度的一部分已經(jīng)體現(xiàn)在法律中。并且，在第37條中明確提到了個人信息與重要數(shù)據(jù)的特殊保護。但該法律并未明確個人信息與重要數(shù)據(jù)的確切定義。數(shù)據(jù)可以通過各種標準被分類為不同的數(shù)據(jù)類型。但是要構建一個穩(wěn)定的數(shù)據(jù)分類體系，則需要以某種標準為基礎確定我國數(shù)據(jù)的基礎分類。在數(shù)據(jù)基礎分類穩(wěn)定的基礎上，可以在后續(xù)數(shù)據(jù)處理行為中增加其他數(shù)據(jù)分類標準。以已經(jīng)出現(xiàn)的重要數(shù)據(jù)和個人數(shù)據(jù)為例，重要數(shù)據(jù)為數(shù)據(jù)基礎分類中的一類，而個人數(shù)據(jù)則是數(shù)據(jù)其他分類標準中的一類。數(shù)據(jù)基礎分類應當是數(shù)據(jù)的縱向分類，也即根據(jù)對國家安全、公共利益或者個人、組織合法權益造成的危害程度，將數(shù)據(jù)分為一般數(shù)據(jù)、重要數(shù)據(jù)與核心數(shù)據(jù)。數(shù)據(jù)的其他分類則可以是其他任何標準的橫向分類。如以個人信息保護為標準，可以將數(shù)據(jù)分為非個人信息數(shù)據(jù)、個人信息數(shù)據(jù)、敏感個人信息數(shù)據(jù)，等等。隨著數(shù)據(jù)分類分級體系的完善，我國未來數(shù)據(jù)分類標準可以由以防范數(shù)據(jù)風險為目的轉(zhuǎn)為以防范數(shù)據(jù)風險為目的和以數(shù)據(jù)利用為目的并重的標準。例如不同行業(yè)類型的數(shù)據(jù)在經(jīng)濟價值開發(fā)、產(chǎn)業(yè)應用、流通共享中的使用規(guī)則與權益劃分。然而，要真正實現(xiàn)數(shù)據(jù)分類分級管理并非易事。在大數(shù)據(jù)時代，數(shù)據(jù)的非標準化特征明顯，因不同來源和收集終端的多樣性導致海量數(shù)據(jù)的形式和格式各異。這使得數(shù)據(jù)標準的統(tǒng)一化幾乎不可能實現(xiàn)。因此，在這種非標準化的環(huán)境下，基于數(shù)據(jù)識別的數(shù)據(jù)分類分級管理變得更加復雜。為了應對大數(shù)據(jù)識別的挑戰(zhàn)，需要將數(shù)據(jù)分類分級的識別程序前置至數(shù)據(jù)收集階段。所有收集數(shù)據(jù)的企業(yè)和組織機構都必須遵循國家和行業(yè)的數(shù)據(jù)分類分級規(guī)范和標準來執(zhí)行數(shù)據(jù)收集及分類分級工作。

結(jié)語

人工智能的快速發(fā)展極大地推動了社會的進步，但同時也帶來了數(shù)據(jù)風險這一不可忽視的挑戰(zhàn)。從數(shù)據(jù)收集、分析、儲存到傳輸，每一個環(huán)節(jié)都可能產(chǎn)生數(shù)據(jù)偏差、噪聲、偽相關、黑箱及安全等風險，這些風險不僅影響人工智能算法的準確性和公正性，還可能對個人隱私、社會公平和經(jīng)濟穩(wěn)定造成負面影響。面對人工智能數(shù)據(jù)風險的復雜性和特殊性，需要采取綜合性的治理策略。首先，數(shù)據(jù)風險的關聯(lián)性和治理的矛盾性。例如，減少噪聲可能會增加偏差，解決數(shù)據(jù)偽相關性問題需要高質(zhì)量的數(shù)據(jù)，而這可能又會引發(fā)黑箱問題。因此，治理策略必須綜合考慮這些因素，以實現(xiàn)風險的最小化和治理的最優(yōu)化。其次，風險治理的價值取向也存在沖突。數(shù)據(jù)安全與數(shù)據(jù)價值實現(xiàn)之間的平衡是一個關鍵問題。在數(shù)字時代，數(shù)據(jù)的大規(guī)模流通和利用帶來了巨大的經(jīng)濟潛力和創(chuàng)新機會，但同時也需要嚴格的數(shù)據(jù)保護措施來保障個人隱私和數(shù)據(jù)安全。因此，需要一個既能促進數(shù)據(jù)利用也能保護數(shù)據(jù)主體權益的治理模式。此外，數(shù)據(jù)風險的隱蔽性要求采用更加多元和分級的治理思維。在企業(yè)層面，強化數(shù)據(jù)管理和內(nèi)部審計機制；在行業(yè)層面，制定行業(yè)標準和規(guī)范，促進信息共享和協(xié)同合作；在國家層面，制定相關法律法規(guī)，提供法律保障，并加強監(jiān)管和執(zhí)法。同時，通過數(shù)據(jù)分類和分級管理，針對不同級別的風險采取相應的應對措施。在治理實踐中，應該推動數(shù)據(jù)控制者的責任制度化，加強數(shù)據(jù)控制者的義務和責任，確保數(shù)據(jù)的合規(guī)使用。此外，通過技術創(chuàng)新，發(fā)展更透明、可解釋的人工智能模型，同時增加數(shù)據(jù)的多樣性和全面性，來減少黑箱問題和提高決策的公正性和透明度?？傊?，人工智能的持續(xù)發(fā)展和廣泛應用，要求我們不斷優(yōu)化數(shù)據(jù)風險的治理策略，通過整合創(chuàng)新和多元治理，不僅應對技術變革帶來的挑戰(zhàn)，還要確保技術的健康發(fā)展和社會的公平正義。只有這樣才能充分發(fā)揮數(shù)據(jù)的價值，推動人工智能健康、有序地發(fā)展，為人類社會創(chuàng)造更多的福祉。