想讓人工智慧（AI）更聰明，需要提供更多資料讓機器學習，但這些資料往往牽涉到用戶隱私。如同Google Allo雖然打出「最聰明的即時通訊」口號，卻為了增進智慧回覆功能而犧牲用戶隱私，飽受抨擊；相較下，以不侵犯用戶數據為原則的蘋果Siri，雖然是虛擬助手的鼻祖，至今卻仍只能處理簡單任務。
現在，Google和OpenAI的研究或許可解決，過去發展人工智慧面臨「精準」和「隱私」只能二選一的難題。
「學生」演算法模仿實際接觸數據演算法的決策行為
根據外媒《Quartz》報導，Google和人工智慧開源組織OpenAI攜手開發一套「人工智慧學習模組」，可以不侵犯用戶隱私、卻又保有透過大數據讓機器學習更精準的效果。
掌握最新AI、半導體、數位趨勢！訂閱《數位時代》日報及社群活動訊息
負責該研究的OpenAI研究員Ian Goodfellow，將這套人工學習系統比喻成醫學院。
擁有豐富臨床經驗的醫生，不須洩漏病患資料便可將知識和經驗教給學生。同樣的，這套演算法類似「學生」角色，其運算結果由多位實際接觸數據的「老師」投票決定，因此學生就算不用實際接觸每位病人的個資，也能模仿老師的決策行為。
Goodfellow指出，想要透過該演算法回推原始數據非常困難，原因在於需要多名「老師」才能教好一名「學生」，在這項研究中，一套學生演算法就對應到250套老師演算法。
採「差別隱私」技術，不用存取數據就能學習整體決策
這套方法其實是一種「差別隱私（differential privacy）」技術，可以不侵犯個別用戶隱私，卻依然從整體資料中學習有用資訊；依賴的不是特定數據，而是所有數據的集合。因此，儘管AI是反向工程，可按照決策結果回推原始數據，但駭客仍無法從這套演算法獲得任何個人資訊。
過去，蘋果iOS 10也用了差別隱私技術，即在用戶數據上加上無意義的「噪音」加密後，大量且隨機挑選的資料才會被上傳到蘋果伺服器供機器學習。
目前Google的照片辨識AI僅限於在個別用戶中訓練，不會跨帳戶學習；有了這套系統，處理個別用戶數據的AI就像「老師」，不用透露用戶資料，就可以教導作為「學生」的Google照片辨識演算法如何辨識臉部和物體。
資料來源：Quartz、The Verge、Semi-supervised knowledge transfer for deep learning drom procate training data
