芯启时光数据安全业务副总经理 李锷

芯启时光数据安全业务副总经理 李锷针对这一关键议题，，重点从企业自身执行层面提出了具体的平衡路径：首先，，数据来源合规是基础，，
，
，需从源头把控训练数据的合法合规性
。。。。

其次，，需要依托国家、、行业标准做好数据清洗。。
。一类场景
，，，本身模型训练不需要使用个人数据，，但训练数据集中无意混入个人信息，，，需要识别过滤掉非必要个人信息；另一场景，，
，确需使用个人数据的，，需过滤或匿名化一些敏感的个人信息，，如宗教信仰
、、、、健康信息
、、金融账户等，，，，可以利用数据安全大模型准确识别这些敏感信息，，，，避免个体的敏感信息直接进入模型训练；

再者
，，，，需注重模型偏好对齐，
，，，借助算法控制、、数据标签
、、、、RLHF等技术
，，，避免模型依赖隐私信息来提升能力；此外，，，企业自身也要做好在模型训练过程中的数据保护，
，比如利用数据安全大模型在数据识别、、、分类分级、、用数行为分析等能力，，，，利用大模型安全护栏、、、、零信任一体化防泄密等能力做好敏感数据识别、、、
、训练数据的风险监测
、、、、大模型应用审计及权限访问控制等，，，，“用大模型能力来保护大模型的数据”，
，，，杜绝隐私泄露
；

最后，，，，企业需要制定大模型数据训练专项规范，，，定期抽查训练数据流程。。
。。李锷强调，，企业需通过上述多维度举措平衡大模型训练与隐私保护，，，
，同时也期待产业层面推出更多标准与规范，
，进一步推动相关技术与管理工作的落地见效。
。。
。