數據驅動變革時代，自動駕駛研發如何破解數據跨境合規難題？

當下正是一個由數據驅動的偉大變革時代。從ADAS到AD，每一次技術的躍遷都離不開海量道路數據的采集、標注與分析。以圖像數據為例，它們是訓練和優化感知算法、提升系統安全性的寶貴資源。

然而，當計劃將這些數據送往異國研發團隊時，數據合規這個難題便擺在了面前。

一、全球化研發的數據合規挑戰

對于任何一個有全球拓展計劃的車企或技術供應商而言，跨國研發與測試通常是不可避免的，例如驗證算法在不同交通環境、氣候條件下的魯棒性。然而，當使用到這些真實世界圖像的數據時，不可避免地會捕捉到大量的個人身份信息（PII），例如行人的面部特征、清晰可辨的車牌號碼等。

這正是挑戰的核心所在。當數據跨境傳輸成為研發的剛需時，企業便會踏入全球隱私法規的“風險區域”。針對這些挑戰，康謀有一些洞察和總結，本文將與大家一起交流！

二、全球數據法規的差異與現實

自歐盟《通用數據保護條例》（GDPR）設立全球數據保護的里程碑后，隱私立法變革隨之在世界范圍內展開，中國的《個人信息保護法》（PIPL）就是其中的重要組成部分。這些法規雖都以保護個人信息為目標，卻在定義、原則和跨境規則上存在差異，給全球化車企帶來了嚴峻挑戰。以GDPR與PIPL為例：

對于個人數據的定義，GDPR第四條的定義極為寬泛，指“與已識別或可識別的自然人相關的任何信息”，圖像數據中的人臉、車牌號等顯然均在此列；

PIPL第四條中的定義相對覆蓋廣泛，指“以電子或者其他方式記錄的與已識別或者可識別的自然人有關的各種信息”，但明確將“匿名化處理后的信息”排除在外，為數據合規利用指明了方向；

在處理原則上，GDPR在第五條中，確立了六大核心原則，首要的是處理個人數據應遵循 “合法、公平和透明”原則；PIPL則在第五條中明確要求，處理個人信息應當遵循“合法、正當、必要和誠信”原則，并在第六條進一步強調應“采取對個人權益影響最小的方式”；

最大的挑戰在于數據跨境機制。GDPR第五章設立了以“充分性認定”和標準合同條款（SCCs）為核心的復雜路徑；而PIPL第三十八條則規定了通過安全評估、認證或標準合同的“三選一”模式，且根據第四十條，大規模數據處理者的出境行為必須通過國家安全評估。

三、如何技術破局

通過技術手段將數據中的個人身份信息徹底移除且無法恢復，這些數據便能在全球范圍內自由、合法地流通，用于AI訓練和算法分析。然而，又一核心問題出現：如何在保護隱私與保留數據價值之間取得完美平衡？

為此，康謀提出了一套基于人工智能的、由淺入深的行業領先匿名化方案。

1、精準模糊

通過自動且精準地識別圖像和視頻中的人臉與車牌，高度貼合人臉的自然輪廓，僅對車牌字符區域進行處理，最大限度地保留了背景環境的完整性，為分析和機器學習提供了高質量的基礎數據；

2、全身模糊 (Full body Blur)

一種擴展的全身匿名化技術，完整識別行人輪廓，進一步防止通過姿態、服裝、紋身等間接識別到具體個人，提供更全面的隱私保護，適合高敏感度場景如公共場所監控、校園測試等；

3、深度自然匿名化技術 (DNAT）

突破性的圖像匿名化技術，不再是傳統的“遮蓋”，而是“重生”。DNAT通過先進的生成式AI技術，為檢測到的人臉和車牌創建一個全新的、合成的、但外觀完全自然的覆蓋層。

（1）不可逆，真匿名： 生成的覆蓋層是隨機且唯一的，確保原始身份信息無法通過任何手段被逆向工程破解，完全符合全球主流法規的匿名化標準；

（2）保留核心屬性： 在替換面部的同時，DNAT能夠保留原始人物的性別、種族、視線方向、面部表情甚至佩戴物（如眼鏡）等關鍵屬性；

（3）完全支持AI訓練： 經DNAT處理的數據，在用于目標檢測、語義分割等AI模型訓練時，其性能表現與使用原始數據幾乎沒有差異。

四、總結

全球數據法規的協同化與嚴格化已是不可逆轉的趨勢。對于在自動駕駛領域競爭的企業來說，將數據合規從“成本中心”轉變為“戰略優勢”，是在未來獲勝的關鍵。

Brighter AI通過靈活的部署方式（云端、本地、邊緣計算）和具有開創性的生成式匿名化技術，可為全球汽車企業和技術供應商提供了一條清晰的解決路徑。