在数据驱动的AI开发中，企业常遇到一个两难：数据很有价值，但涉及个人隐私或其他敏感信息，无法轻易汇集到同一个地方。新加坡个人数据保护委员会（PDPC）与资讯通信媒体发展局（IMDA）于2026年7月20日的新加坡数据节上公布新的隐私增强技术（PET）指南和沙盒应用案例，尝试让数据协作在减少原始资料暴露的同时成为可能。138

两种不同的隐私保护路径

隐私增强技术可以帮助机构在不共享原始数据的情况下开展协作，也可以对数据进行转换，让分享或使用更加安全。两种路径解决的问题不同：关键是先判断，企业需要共同训练模型，还是需要一个可供使用的数据集。2

联邦学习：数据留在本地，模型协同训练

联邦学习允许多个机构基于分散在各自环境中的数据共同训练模型，而不必先把底层记录集中起来。参与方交换的是模型更新或汇总后的信息，而不是简单地合并原始数据集。1832

这种方式可用于数据分散在不同机构、难以直接共享的场景。不过，采用联邦学习并不等于模型训练或信息交换天然没有风险；仍需配套适当的隐私保护、安全措施与治理机制。16

合成数据：生成可供使用的数据集

合成数据通过生成虚拟数据，而不是在机构之间传递原始记录，来满足分析或分享数据集的需求。因此，它与联邦学习的用途不同：前者的产出是一个生成的数据集，后者则是在数据分散保存的情况下协同训练模型。PDPC的合成数据指南聚焦结构化数据。48

也不能因为数据是人工生成的，就默认它已经匿名。机构仍需评估生成的数据是否可能泄露个人信息，以及它是否适合预定用途。更广泛地说，PDPC提醒，隐私增强技术不能取代良好的治理、安全措施、访问控制或人工监督。16

新指南能提供什么

新加坡数据节公布的材料包括一份新的《联邦学习指南》，以及更新后的《合成数据生成指南》。这些指南旨在帮助机构把隐私增强技术用于实际业务；有关联邦学习指南的报道提到，其中包括采用路线图和风险管理建议。13748

实际选择应从使用场景出发：若参与方希望在不汇集原始数据的情况下共同开发模型，联邦学习可能更合适；若需要可分享的数据集，则可考虑合成数据。无论选择哪一种，都不能省略对隐私风险、数据质量、安全性和实际运行条件的评估。

沙盒项目检验技术能否落地

IMDA于2022年推出隐私增强技术沙盒，为企业试点相关技术提供环境与支持。646 2026年公布的新案例展示了不同工具在医疗和支付场景中的应用。38

• **医学影像：**据公布的案例，新加坡中央医院正使用可信执行环境，在云端对医学影像进行AI推理。该项目展示了在受保护环境中处理敏感资料的尝试；案例公布本身并不能证明具体的临床效益或成本优势已经实现。1538
• **支付协作：**蚂蚁国际的案例介绍了联邦学习、多方计算和同态加密的组合应用。参与机构能够识别共同客户，同时让底层个人数据留在各自环境中，并共同训练预测模型。8

这些案例也说明，试点不能只看技术是否贴上“保护隐私”的标签，还要确认它是否适合具体协作场景。通过测试，机构可以在扩大部署前评估方案是否可行。646

对企业而言，关键是选对工具

新加坡的做法是把指南与实际试验结合起来：当目标是在数据留在本地的情况下共同训练模型，可考虑联邦学习；当更需要一个可分享的数据集时，可考虑合成数据；之后还要在实际应用环境中检验技术、安全与隐私方面的假设。隐私增强技术可以减少暴露原始数据的需要，但它只是负责任使用数据的一环，并非隐私保护的万能保证。21638

在数据驱动的AI开发中，企业常遇到一个两难：数据很有价值，但涉及个人隐私或其他敏感信息，无法轻易汇集到同一个地方。新加坡个人数据保护委员会（PDPC）与资讯通信媒体发展局（IMDA）于2026年7月20日的新加坡数据节上公布新的隐私增强技术（PET）指南和沙盒应用案例，尝试让数据协作在减少原始资料暴露的同时成为可能。138

两种不同的隐私保护路径

隐私增强技术可以帮助机构在不共享原始数据的情况下开展协作，也可以对数据进行转换，让分享或使用更加安全。两种路径解决的问题不同：关键是先判断，企业需要共同训练模型，还是需要一个可供使用的数据集。2

联邦学习：数据留在本地，模型协同训练

联邦学习允许多个机构基于分散在各自环境中的数据共同训练模型，而不必先把底层记录集中起来。参与方交换的是模型更新或汇总后的信息，而不是简单地合并原始数据集。1832

这种方式可用于数据分散在不同机构、难以直接共享的场景。不过，采用联邦学习并不等于模型训练或信息交换天然没有风险；仍需配套适当的隐私保护、安全措施与治理机制。16

合成数据：生成可供使用的数据集

合成数据通过生成虚拟数据，而不是在机构之间传递原始记录，来满足分析或分享数据集的需求。因此，它与联邦学习的用途不同：前者的产出是一个生成的数据集，后者则是在数据分散保存的情况下协同训练模型。PDPC的合成数据指南聚焦结构化数据。48

也不能因为数据是人工生成的，就默认它已经匿名。机构仍需评估生成的数据是否可能泄露个人信息，以及它是否适合预定用途。更广泛地说，PDPC提醒，隐私增强技术不能取代良好的治理、安全措施、访问控制或人工监督。16

新指南能提供什么

新加坡数据节公布的材料包括一份新的《联邦学习指南》，以及更新后的《合成数据生成指南》。这些指南旨在帮助机构把隐私增强技术用于实际业务；有关联邦学习指南的报道提到，其中包括采用路线图和风险管理建议。13748

实际选择应从使用场景出发：若参与方希望在不汇集原始数据的情况下共同开发模型，联邦学习可能更合适；若需要可分享的数据集，则可考虑合成数据。无论选择哪一种，都不能省略对隐私风险、数据质量、安全性和实际运行条件的评估。

沙盒项目检验技术能否落地

IMDA于2022年推出隐私增强技术沙盒，为企业试点相关技术提供环境与支持。646 2026年公布的新案例展示了不同工具在医疗和支付场景中的应用。38

• **医学影像：**据公布的案例，新加坡中央医院正使用可信执行环境，在云端对医学影像进行AI推理。该项目展示了在受保护环境中处理敏感资料的尝试；案例公布本身并不能证明具体的临床效益或成本优势已经实现。1538
• **支付协作：**蚂蚁国际的案例介绍了联邦学习、多方计算和同态加密的组合应用。参与机构能够识别共同客户，同时让底层个人数据留在各自环境中，并共同训练预测模型。8

这些案例也说明，试点不能只看技术是否贴上“保护隐私”的标签，还要确认它是否适合具体协作场景。通过测试，机构可以在扩大部署前评估方案是否可行。646

对企业而言，关键是选对工具

新加坡的做法是把指南与实际试验结合起来：当目标是在数据留在本地的情况下共同训练模型，可考虑联邦学习；当更需要一个可分享的数据集时，可考虑合成数据；之后还要在实际应用环境中检验技术、安全与隐私方面的假设。隐私增强技术可以减少暴露原始数据的需要，但它只是负责任使用数据的一环，并非隐私保护的万能保证。21638