法国CNIL对“匿名化”数据集被用于重新识别个人并允许下载者公开关联个人身份案（2023年6月）

【案件背景】
某法国AI初创公司（以下简称“涉案公司”）开发了一款基于公开社交媒体数据的“情感分析AI模型”。为训练模型，涉案公司从Twitter、Reddit等公开平台抓取了超过2亿条用户帖子（包括文本、用户名、发布时间、帖子互动数据等），并在GitHub上公开了经过“匿名化处理”的训练数据集，供AI研究社区使用。数据集中的用户名已被替换为随机ID，但保留了帖子的完整文本内容和发布时间戳。2023年2月，有数据保护研究者发布了分析报告，证明通过在Google中搜索数据集中帖子的完整文本内容，可以直接在原始社交媒体平台上找到对应的帖子和发帖用户，从而实现了100%的重识别。CNIL随后立案调查。

【违法事实】
经调查查明：
（1）涉案公司声称的“匿名化处理”仅将用户名替换为随机ID，但保留了帖子的完整文本内容。社交媒体帖子文本天然包含丰富的个人信息——包括用户的真实姓名、地理位置、职业、家庭成员等自述信息（特别是Reddit的AMA和自述性帖子），以及可以通过Google搜索直接匹配到原始帖子的独特文本指纹。
（2）研究人员的重识别测试表明：对于任何一条帖子，取其文本的前10-15个词在Google中搜索（加引号精确匹配），有超过85%的概率可以直接定位到原始的社交媒体帖子页面，从而看到发帖人的用户名、头像、个人简介和其他公开信息。这意味着（涉案公司的）数据集中的每一条匿名ID都可以被即时映射回真实的用户身份。
（3）更严重的是，涉案公司在数据集的文档中标注了“本数据集已经过充分的匿名化处理，研究人员可以自由使用和传播”，但未警告下载者：数据集可以通过Google搜索进行重识别。部分下载者在不知情的情况下，在自己的研究论文和博客文章中引用了可以反向识别用户身份的帖子样本数据。
（4）涉案公司还提供了一个“去匿名化辅助工具”——一个Python脚本，可以自动搜索Twitter的API来匹配帖子文本和原始用户。虽然该工具的初衷是“帮助研究人员验证匿名化效果”，但实际上为用户提供了方便的重识别工具，进一步恶化了隐私保护状况。
（5）涉案公司未在进行数据发布前完成数据保护影响评估（DPIA），无法证明其已系统性地评估和减轻了重新识别风险。

【处罚决定】
2023年6月，CNIL依据GDPR和法国《数据保护法》作出以下决定：
（一）处15万欧元行政罚款（考虑涉案公司的初创企业规模和积极配合态度）；
（二）责令立即从GitHub删除数据集，通知所有已知下载者删除数据并警告重识别风险；
（三）禁止涉案公司在未来的数据发布中继续使用“匿名化”标签，除非能够通过独立第三方验证其匿名化效果；
（四）要求涉案公司完善DPIA流程，并对外部数据集的匿名化效果进行系统性评价。

【典型意义】
本案为AI训练数据集发布中的匿名化合规提供了极具操作性的指导：
第一，文本数据的匿名化不能仅隐藏用户名而保留全文内容。社交媒体帖子文本本身就是个人信息的载体——独特的文本内容构成了天然的“数字指纹”，可以被搜索引擎即时匹配回原始来源。这在技术上是“通过合理可能的手段”可以重新识别的典型场景。
第二，本案揭示了AI领域“公开数据+去标识化=安全”的认知误区。从公开平台抓取的数据仍然受隐私法律保护——数据是公开的并不意味着数据处理（抓取、整理、发布）可以免除隐私保护义务。
第三，数据集发布者必须考虑“信息生态系统中已有的重识别手段”——搜索引擎索引了社交媒体页面的全文内容，这意味着即使发布者自己没有提供去匿名化的手段，公开可用的搜索引擎本身已经构成了“合理可能的手段”。
第四，本案对AI研究社区产生了显著影响：许多AI公司开始采用更严格的文本脱敏手段（如改写、摘要化、差分隐私文本生成）来替代简单的用户名去除，并为下载者提供明确的重识别风险警告。