2018 GDPR：個人資料的產權與「被遺忘權」#
案發現場#
2018 年 5 月 25 日，歐盟《通用資料保護規則》（GDPR）全面生效。引信：2018 年 3 月的劍橋分析事件（Cambridge Analytica）——臉書約 8,700 萬用戶的資料被第三方應用蒐集，用於選舉定向宣傳——資料被用作政治武器的現場曝光。
當時的經濟現場：資料經濟——免費服務（搜尋、社交、地圖）換個人資料；資料是「新石油」：平台的定價、定向、授信、保險都以資料為原料；但用戶不知道自己被賣了什麼、賣給誰。
個人資料是誰的財產？「免費服務換資料」的交易為何不公平？「同意」的機制為何失效？GDPR 的「被遺忘權」在技術上如何可能？
偵查過程#
線索一：資訊不對稱與「同意」的失效（診斷）。 為什麼資料交易不公平？偵查：同意機制的失效——隱私條款數千字、不可讀、不可談（take it or leave it）——「同意」是形式同意而非實質同意；且資料的複合價值：單筆資料無害（姓名+生日），組合後有害（姓名+位置+消費+健康=完整的你）——用戶在單次「同意」時，無法預見資料組合與再利用的價值。偵查的重點：資料的定價結構（組合與複用）讓「同意」先天失效——用戶賣出的是「一份」，買家拿到的是「一切」。
線索二：法律的設計（GDPR 的工程）。 GDPR 的元件： - 合法性基礎（處理資料需六種合法基礎之一——「同意」只是其一且可撤回）； - 資料主體的權利：近用權（知道自己被蒐集了什麼）、可攜帶權（帶走資料換平台）、被遺忘權（要求刪除）、反對定向； - 違反的代價：罰款全球營業額的 4%（或 2,000 萬歐元取高）——罰款與營收掛鉤（大平台罰得起的比例）。
偵查的重點：GDPR 的核心是「權利清單+罰款掛營收」——把資料治理從「條款的善意」變成「權利與罰則」；「被遺忘權」則把刪除變成法律義務——直接對抗「資料的複製性」。
線索三：被遺忘權的技術難題（法律的執行力）。 「刪除」在技術上如何可能？偵查：資料的複製性（備份、快取、轉售、備援——一條資料在被刪前已複製數十處）+區塊鏈的不可改（上鏈的資料刪不掉——與 2009-比特幣.md 的「不可竄改」正面衝突：不可改帳本 vs 被遺忘權——兩種制度的技術矛盾）；解法：刪除「索引與連結」而非「物理抹除」（Google 的被遺忘權判決 2014——刪搜尋結果、不刪原始頁）。偵查的重點：「被遺忘」在技術上是「從可及性中遺忘」——法律的義務（刪除）被技術現實（複製與快取）改寫成「不可及」；法律與技術的互相改寫。
線索四：資料經濟學（雙邊市場的結構）。 為什麼平台免費？偵查：雙邊市場（two-sided market）——平台一邊用免費服務吸引用戶、一邊把「用戶注意力+資料」賣給廣告主——用戶付的不是錢，是資料與注意力。用戶的「免費」=資料的對價——但對價的定價權在平台（用戶無法單獨議價）。GDPR 的可攜帶權試圖恢復議價力（帶著資料換平台——降低轉換成本，打破鎖定）；差分隱私（differential privacy，Dwork）提供技術解：在資料中加入數學上可證的雜訊：
（個人是否在資料集中，輸出分布幾乎不變——隱私有了數學定義；蘋果、谷歌的統計上報採用。）偵查的重點：隱私從「感覺」變成「數學」——差分隱私讓「洩漏多少」可計算、可保證。
線索五：全球效應與 AI 難題（續篇）。 GDPR 的全球化：「布魯塞爾效應」——加州 CCPA（2020）、各國個資法仿效；AI 時代的難題：訓練資料的合法性（用已蒐集的資料訓練模型——模型的「記憶」可能吐出個人資料、且「被遺忘權」對模型無效——刪資料刪不掉已訓練的權重）。偵查的重點：AI 讓「資料→知識」的轉化不可逆——被遺忘權的難題從「複製」升級到「不可逆的學習」；資料治理的下一章（AI 法案、資料主權）是 GDPR 的續篇。
結案報告#
- 同意的失效與權利的重構：「形式同意」（不可讀不可談）→「權利清單+罰款掛營收」——資料治理從善意到罰則；用戶付的不是錢，是資料——對價的定價權問題延續。
- 被遺忘權的技術改寫：刪除（法律）→不可及（技術現實）——資料的複製性與不可改帳本讓「物理遺忘」不可能；法律義務被技術改寫成「從可及性中遺忘」。
- 隱私的數學化：差分隱私（ε-DP）讓「洩漏多少」可計算——隱私從感覺變成可證的保證；隱私設計（privacy by design）成為工程的預設。
- 偵探教訓：資料的治理難題有三層：定價（資料的組合價值讓同意失效）、執行（複製性讓刪除變成不可及）、不可逆（AI 讓學習無法遺忘）——每層都是法律與技術的互相改寫；「資料是新石油」的隱喻只對一半：石油用完就沒了，資料是越用越值錢的東西——這正是它難以治理的原因。
證據與工具#
跨領域影響矩陣：
| 領域 | 發明 | 互動 |
|---|---|---|
| 法律 | GDPR 權利清單+罰款掛營收 | 資料治理的罰則化 |
| 經濟 | 雙邊市場、可攜帶權 | 免費服務換資料的對價 |
| 技術 | 差分隱私、隱私設計 | 隱私的數學化 |
| 政治 | 劍橋分析、布魯塞爾效應 | 資料=政治武器 |
| AI | 訓練資料的合法性 | 被遺忘權的不可逆難題 |
差分隱私的數學定義（隱私的可證保證）：
（加入或移除任何一個人，輸出分布的變化被 \(e^\epsilon\) 上界約束—— \(\epsilon\) 越小越隱私。）
資料治理的三層難題：
| 層 | 難題 | 現狀 |
|---|---|---|
| 定價 | 資料的組合價值→同意失效 | 權利清單+罰則 |
| 執行 | 複製與快取→刪除=不可及 | 被遺忘權（索引刪除） |
| 不可逆 | AI 學習→刪資料刪不掉權重 | 開放（AI 法案續篇） |
結論： 2018 年的 GDPR 是「資料×法律×技術」的三方案：同意機制因資料的組合價值而失效，法律的解方是權利清單與罰款掛營收；被遺忘權被技術現實改寫成「從可及性中遺忘」；差分隱私讓隱私有了數學定義。資料與石油的差異（越用越值錢 vs 用完即止）正是它難以治理的原因——而 AI 的不可逆學習，讓資料治理的下一章比 GDPR 更難。