企業要用資料訓練 AI，常遇到一道難題：資料分散在不同機構，可能又涉及個人隱私，想合作卻未必能直接把資料集中。新加坡個人資料保護委員會（PDPC）與資訊通信媒體發展局（IMDA）在 2026 年 7 月 20 日的新加坡資料節公布新指南及隱私強化技術（PETs）沙盒案例，嘗試讓資料協作更可行，同時減少暴露原始資料的需要。138

兩條路線，解決不同的資料需求

隱私強化技術可以讓機構在不分享原始資料的情況下合作，也可以透過轉換資料，讓分享變得更安全。選擇哪種方式，得先看企業真正需要的是共同訓練模型，還是取得一份可供使用的資料集。2

聯邦式學習：資料留在原處，共同訓練模型

聯邦式學習讓多個機構在各自持有的資料上訓練模型，而不必先把底層紀錄集中起來。參與者交換的是模型更新或彙整後的資訊，而不是直接交換原始資料。1832

這種方式可用於資料分散在不同組織、但各方希望合作的情境。不過，資料不集中不等於所有模型或資訊交換都沒有風險；仍須配合適當的隱私保護、安全措施與治理制度。16

合成資料：產生可供分享或分析的資料集

合成資料生成的做法，是產生人工資料，而不是把原始紀錄交給其他機構。它和聯邦式學習滿足的需求不同：前者提供一份資料集供使用，後者則是在資料分散保留的情況下共同訓練模型。PDPC 的合成資料指南聚焦於結構化資料。48

「人工生成」不代表資料必然匿名。機構仍需評估合成資料是否可能洩露個人資訊，以及是否適合預定用途。PDPC 也提醒，PETs 不能取代妥善的治理、安全措施、存取控管或人工監督。16

新指南著眼於實際採用

新加坡資料節公布了新的聯邦式學習指南，以及更新版《合成資料生成指南》。這些指引旨在協助機構把 PETs 用於實務；相關報導指出，聯邦式學習指南也涵蓋採用路線圖與風險管理建議。13748

簡單來說，若目標是在資料不離開持有者環境的前提下共同開發模型，聯邦式學習可能較合適；若需要一份可分享的資料集，則可考慮合成資料。兩者都不是通用解方，機構仍須檢視隱私風險、資料品質、安全性與實際作業需求。

沙盒案例：把技術放進實際情境測試

IMDA 於 2022 年推出 PET 沙盒，提供企業試行隱私強化技術的環境與支援。646 2026 年公布的新案例，則展示相關技術如何應用於醫療與支付情境。38

• 醫療影像： 根據公布的案例，新加坡中央醫院正使用可信執行環境（TEE），在雲端對醫療影像進行 AI 推論。這個計畫展示了在受保護環境中處理敏感資料的做法；目前的公布內容不應被解讀為已證明具體的臨床效益或成本效益。1538
• 支付協作： Ant International 的案例結合聯邦式學習、多方安全計算（MPC）與同態加密。參與機構可在個人資料留於各自環境的情況下，找出共同客戶並共同訓練預測模型。8

這些案例也說明了試行的重要性：PETs 是否有用，不能只看技術名稱是否聽起來安全，還要確認它能否配合特定合作情境。透過測試，機構可在擴大部署前評估方案是否合適。646

企業該如何判斷？

新加坡的做法，是把指南與實際試驗並行：若要在資料留於各自環境時共同訓練模型，可評估聯邦式學習；若需要一份生成後的資料集，可考慮合成資料；無論採用哪種方式，都應在預定的使用情境中檢驗技術與隱私假設。PETs 能減少暴露原始資料的需要，但只是負責任使用資料的一環，並非隱私保證。21638

企業要用資料訓練 AI，常遇到一道難題：資料分散在不同機構，可能又涉及個人隱私，想合作卻未必能直接把資料集中。新加坡個人資料保護委員會（PDPC）與資訊通信媒體發展局（IMDA）在 2026 年 7 月 20 日的新加坡資料節公布新指南及隱私強化技術（PETs）沙盒案例，嘗試讓資料協作更可行，同時減少暴露原始資料的需要。138

兩條路線，解決不同的資料需求

隱私強化技術可以讓機構在不分享原始資料的情況下合作，也可以透過轉換資料，讓分享變得更安全。選擇哪種方式，得先看企業真正需要的是共同訓練模型，還是取得一份可供使用的資料集。2

聯邦式學習：資料留在原處，共同訓練模型

聯邦式學習讓多個機構在各自持有的資料上訓練模型，而不必先把底層紀錄集中起來。參與者交換的是模型更新或彙整後的資訊，而不是直接交換原始資料。1832

這種方式可用於資料分散在不同組織、但各方希望合作的情境。不過，資料不集中不等於所有模型或資訊交換都沒有風險；仍須配合適當的隱私保護、安全措施與治理制度。16

合成資料：產生可供分享或分析的資料集

合成資料生成的做法，是產生人工資料，而不是把原始紀錄交給其他機構。它和聯邦式學習滿足的需求不同：前者提供一份資料集供使用，後者則是在資料分散保留的情況下共同訓練模型。PDPC 的合成資料指南聚焦於結構化資料。48

「人工生成」不代表資料必然匿名。機構仍需評估合成資料是否可能洩露個人資訊，以及是否適合預定用途。PDPC 也提醒，PETs 不能取代妥善的治理、安全措施、存取控管或人工監督。16

新指南著眼於實際採用

新加坡資料節公布了新的聯邦式學習指南，以及更新版《合成資料生成指南》。這些指引旨在協助機構把 PETs 用於實務；相關報導指出，聯邦式學習指南也涵蓋採用路線圖與風險管理建議。13748

簡單來說，若目標是在資料不離開持有者環境的前提下共同開發模型，聯邦式學習可能較合適；若需要一份可分享的資料集，則可考慮合成資料。兩者都不是通用解方，機構仍須檢視隱私風險、資料品質、安全性與實際作業需求。

沙盒案例：把技術放進實際情境測試

IMDA 於 2022 年推出 PET 沙盒，提供企業試行隱私強化技術的環境與支援。646 2026 年公布的新案例，則展示相關技術如何應用於醫療與支付情境。38

• 醫療影像： 根據公布的案例，新加坡中央醫院正使用可信執行環境（TEE），在雲端對醫療影像進行 AI 推論。這個計畫展示了在受保護環境中處理敏感資料的做法；目前的公布內容不應被解讀為已證明具體的臨床效益或成本效益。1538
• 支付協作： Ant International 的案例結合聯邦式學習、多方安全計算（MPC）與同態加密。參與機構可在個人資料留於各自環境的情況下，找出共同客戶並共同訓練預測模型。8

這些案例也說明了試行的重要性：PETs 是否有用，不能只看技術名稱是否聽起來安全，還要確認它能否配合特定合作情境。透過測試，機構可在擴大部署前評估方案是否合適。646

企業該如何判斷？

新加坡的做法，是把指南與實際試驗並行：若要在資料留於各自環境時共同訓練模型，可評估聯邦式學習；若需要一份生成後的資料集，可考慮合成資料；無論採用哪種方式，都應在預定的使用情境中檢驗技術與隱私假設。PETs 能減少暴露原始資料的需要，但只是負責任使用資料的一環，並非隱私保證。21638