數位發展部部長唐鳳致詞時指出，「信任科技（Trusted Technology）在今日是非常重要的議題，因為現在很多資料量龐大的AI模型，裡面的資料多可以用來進行多元創新，但必須確保這些資料是非個資數據（non-personal data），才能保證隱私安全。而要做到隱私強化，法規面、技術面都要建立機制，其中隱私強化技術的概念，就是透過技術方法，降低直接利用原始資料所衍生的風險，同時保有數據可用性。如此一來，不論是在商業、科學、醫療、程式規劃中，一旦確保資料沒有隱私上的風險，就可以發揮它的價值，對個人和世界都有貢獻，
以PETs彌補信任的缺口
談起PETs，A*STAR新加坡科學研究局首席科學家Jin Chao在主題演講中提到，數據在傳輸、儲存與運算的不同階段，都有其相對應的風險。過往，大家會使用傳統的進階加密標準(AES)來對儲存的數據進行加密，以及利用安全通訊技術SSL/TLS來對傳輸數據進行保護，如今要達到更大的安全，還會使用到各種PETs，像是以密碼學方法形成的加密技術，如同態加密（HE）與安全多方運算（MPC）；或是在硬體上面下功夫，如可信執行環境（Trusted Execution Environment，TEE）技術，就是在不可信的運算服務器上，形成一個隔離區域。還有統計的方法，如差分隱私技術，即在數據上添加雜訊，來隱藏原始資訊，達到資安的目的。
以色列加密演算法新創Chain Reaction技術長Oren Yokev也從技術層面來論述，「信任的缺口」如何被補全。他表示，各種機構必須在使用數據與隱私方面做一個取捨，但取捨有困難，所以最好的方法利用一些PET技術來彌補缺口。對此，Chain Reaction希望透過零信任的隱私保護，讓信任議題不需要存在。
Oren Yokev認為，雖然今日的加密法在保護靜態數據與傳輸數據已經做得不錯，但是隨著AI、機器學習、深度學習、LLM等技術使用的數據越來越多，很難分辨哪些事私人數據那些不是，所以需要更強大的隱私保護技術，像是零知識證明(ZKP)、安全多方運算(SMPC)、完全同態加密(FHE)等。這些技術需要更強大的運算能力，是以Chain Reaction研發一個隱私處理器3PU（Privacy Preserving Processing Unit），如果以CPU處理速度是1個X來計算，3PU處理速度是10萬X甚至超過，也遠高於GPU的100X或200X。
PETs在新加坡、日本的應用趨勢
就PETs的應用趨勢而言，Jin Chao提到，聚焦隱私保護運算與數位信任議題，A*STAR最近推出的數位信任計畫，目標是要在醫療組織與一般公司企業之間，以數位信任技術來實現可信的數據協作。其中一項安全雲端運算的創新應用，採取HE方式將數據加密，再將數據傳輸到雲端進行AI推論，得出一個被加密的推論結果，再傳輸回使用者，由使用者解密以取得最後結果，如此可對醫療數據進行有效的隱私保護。
日本明治大學數學科學學院教授兼副院長Hiroaki Kikuchi呼應Jin Chao談到的醫療應用指出，PETs技術在日本的商業應用上相當廣泛，尤其在醫療領域。目前，日本處理匿名化個資的公司有300家，其中很多是處理醫院與健康保險領域的個人資訊，例如，住友生命保險sumitomo透過這些公司取得使用者資訊，可了解用戶健康狀況，作為保險費折扣的依據。
Hiroaki Kikuchi另外提到，日本也有個資情報銀行（Personal Data Trust Bank），為資料需求者與提供者提供交換機制的服務，還有日本政府於2018年推出的次世代醫療基盤法，已經加入的三家機構包括LDI（Life Data Initiative）、J-MIMO（Japan Medical Association）與FAST-HDJ（Anonymized Scandalized Health Data）專門為醫療體系提供匿名個資。
深論PETs—差分隱私、全同態加密
下午場次的接續登場的「技術創新」論壇中，多位專家深入談論PETs。首先，陽明交通大學電機工程學系副教授游家牧 提到，由深度神經網絡作成的AI需要非常多有價值的資料，才能訓練出非常有用的AI模型，但價值資料可能跟人有關，受限於個資法、GDPR保護，要將這些隱私資料合法釋出，得有好的方法，其中一種「差分隱私（Differential Privacy），是在原始想隱藏的資料合成其他資訊，然後賦予新的性質，即可達到隱私保護，現在美國政府與Facebook都已經這樣運用。
國立臺灣師範大學資訊工程學系副教授紀博文則談到「同態加密」技術，他表示，當人們使用雲端服務簽署合約時，就代表同意把資料交給其他人進行運算，因而有個資外洩的疑慮，這時需要對資料進行加密，過往一般加密技術容易被解密，因此現在大家試圖使用全同態加密技術，來兼顧加值服務的便利性與使用者隱私的安全性。
國立中山大學資訊工程學系助理教授徐瑞壕則提到「聯合學習」。他指出，透過不只使用單一技術來進行隱私保護的「聯合學習」，可以實現更好的數據共享與跨域協作。另外，帝潤智慧科技產品經理吳杰翰提到該公司的人臉辨識系統DeCloakFace，該系統具有去識別化特性且導入差分隱私技術，可以保有很好的辨識率同時，加強隱私強化。
在隱私安全中加速發展多元應用
在運用PETs進行多元創新應用上，目前在醫療領域的創新，受到的矚目最大。徐瑞壕舉例，「聯合學習」在醫療領域的應用已非常多，例如，國際大廠NVIDIA與跨國20間醫院共同進行聯合式學習，訓練醫療相關的模型。
電信技術中心資通安全組副主任嚴貽忠也提到，目前「聯合學習」較多應用在醫療領域，因為醫療數據不能流出醫院，所以要在醫院裡做本地機器學習，而透過聯合學習匯整成大的模型，可增加機器學習的可用性。
臺北榮民總醫院醫療人工智慧發展中心副主任楊智傑也表示，在共享資料庫上大家都期待可以跟其他學研單位或醫院，甚至是與國際單位做聯邦學習的合作。只是聯邦學習固然可以透過不同醫院的資料集，建立一個聯邦學習模型，但是聯邦學習模型訓練還有很多問題要克服，例如相較於把資料全部集中在一起分析，聯邦學習模型的訓練，是否可以做的一樣好、甚至更好。
醫療領域之外，國家資通安全研究院資料架構總顧問方怡婷提到的車聯網應用，例如，透過聯邦式學習做成資料協作，可以讓車流預測更精準，或是使用安全多方運算或同態加密技術達到多方協作，在保護隱私安全之下創新智慧交通應用。
總的來看，要將數據運作於更多領域，台灣必須在加強PETs應用多所努力，確保達到多元創新的同時又保障隱私，如此才能讓個人或相關資料持有者，都更願意把數據捐獻出來，達成社會共好，一同為台灣邁向數位國家而努力。
