核心結論
不能直接視為匿名。合成紀錄雖不是原始紀錄的複製，仍可能保留特殊欄位組合、離群值或模型記憶，造成再識別風險。分享前要依用途檢查近似重現、成員推論與資料連結風險，並限制接收者、用途、保存期限及再識別行為。
執行摘要
核心觀察：合成資料能讓企業測試格式、流程與例外情境，降低真實個資進入開發環境的需求，但它不是自動匿名，也可能複製來源資料的偏差或讓模型只會通過人造測試。台灣個人資料保護法要求個資利用不得逾越特定目的的必要範圍；新加坡 PDPC、NIST、英國政府與 OECD 的官方資料也要求同時評估再識別風險、資料效用與真實場景落差。行動建議：先把測試目的分層，能用格式級假資料完成的工作不碰真資料；需要統計特性的測試才生成合成資料；只有合成資料無法回答的關鍵驗收，才在受控環境使用最小必要的真實樣本。
先把測試分成三層
本文建議先依目的分成三層。第一層只驗證欄位、格式、權限與流程，直接建立人工假資料；第二層需要分布、關聯或罕見情境，才從受控來源生成合成資料；第三層只有在合成資料無法證明正式成效時，才用最小必要的真實樣本做最後驗收。分層的目的不是追求零風險，而是避免過早擴大真實資料的接觸面。
台灣個人資料保護法第 5 條要求蒐集、處理或利用不得逾越特定目的的必要範圍，第 11 條則規範目的消失或期限屆滿後的刪除、停止處理或利用。[1] 因此，概念驗證前應先列出問題、必要欄位、使用期間、存取人員與刪除方式。這是資料治理起點，不是把合成資料當成規避法規的方法。
合成資料仍可能認得人
合成資料雖然產生新的紀錄，生成模型仍可能記住來源中的特殊組合、離群值或少數群體特徵。只移除姓名、電話或統一編號，也無法排除攻擊者用年齡、地區、職務與其他公開資訊重新連結。要擴大分享範圍前，企業仍須檢查輸出是否近似重現原始紀錄，以及不同欄位組合是否能指向特定個人。
新加坡 PDPC 的指南要求先定義用途與可接受風險，再準備、生成並評估資料效用與再識別風險，最後用技術、契約與治理措施處理殘餘風險。[2] NIST 進一步提醒，不符合差分隱私的合成方法通常只有非正式保證，並不具備抵抗所有隱私攻擊的穩健性。[3] 合成只是降低風險，不能自動證明匿名。
別讓模型只會考人造題
同一套生成規則若同時用於訓練與測試，可能把相似偏差、遺漏與不真實模式帶進兩邊。模型在這組資料上表現良好，只能證明它符合人造環境，不能證明能處理正式環境的輸入錯誤、少數情境、資料缺漏或現場變動。正式測試集需要與開發資料分離，也要先定義重複測試方法與通過門檻。
英國政府指出，合成測試資料若與訓練設定過度相似，模型可能通過測試卻在正式環境失敗，因此應搭配真實資料及真實場景驗證。[4] 澳洲政府標準同樣要求混合真實與合成來源，記錄虛擬環境假設、真實測試數量與選樣理由。[6] 對中小企業而言，少量受控真實驗證仍是上線前的重要證據。
把隱私與效用一起驗收
合成資料不能只做一個品質分數。企業要分別驗證任務效用與隱私風險：格式測試看欄位、類型與例外值；分析或模型測試看重要分布、關聯、少數群體與任務結果；隱私測試則看近似重現、成員推論、連結與接收方能力。每一份資料還要標示產生方法、來源範圍、版本、允許用途與禁止用途。
OECD 指出，合成資料常與差分隱私等技術組合，隱私增強技術仍須平衡效用、效率與可用性，不是單一萬靈丹。[5] Lead Measure 可追蹤不使用可識別真實資料就完成的開發測試比例，以及通過效用與再識別檢查的合成資料比例；Lag Measure 才是測試資料外洩、正式環境錯誤與返工事件。
關鍵要點
先問測試目的：只驗格式、欄位與流程時，使用人工假資料，不需要複製真實客戶紀錄。
合成不等於匿名：要測試成員推論、連結與近似重現等再識別風險，不能只刪姓名。
效用與隱私一起驗：資料越接近來源，可能越有用，也可能保留更多可辨識特徵。
正式測試要獨立：不要用與訓練資料相同的生成設定，避免模型只學會通過人造題庫。
真實資料最後才進場：合成資料無法涵蓋的關鍵驗收，才在受控環境使用最小必要樣本。
參考來源
Proposed Guide to Synthetic Data Generation Now Available
Singapore Personal Data Protection Commission · 2024-07-15
https://www.pdpc.gov.sg/news-and-events/announcements/2024/07/proposed-guide-to-synthetic-data-generation-now-availableGuidelines for Evaluating Differential Privacy Guarantees
NIST · 2025-03-06
https://csrc.nist.gov/pubs/sp/800/226/finalAI Insights: Synthetic Data
UK Government Digital Service · 2026-08-03
https://www.gov.uk/government/publications/ai-insights/ai-insights-synthetic-data-htmlSharing trustworthy AI models with privacy-enhancing technologies
OECD · 2025-06-17
https://www.oecd.org/en/publications/sharing-trustworthy-ai-models-with-privacy-enhancing-technologies_a266160b-en.htmlAI Technical Standard: Statement 26
Australian Government Digital Transformation Agency · 2026-08-30
https://www.digital.gov.au/policy/ai/AI-technical-standard/ai-technical-standard-statement-26常見問題
Q：合成資料是不是匿名資料，可以直接分享嗎？
A：不能直接視為匿名。合成紀錄雖不是原始紀錄的複製，仍可能保留特殊欄位組合、離群值或模型記憶，造成再識別風險。分享前要依用途檢查近似重現、成員推論與資料連結風險，並限制接收者、用途、保存期限及再識別行為。
Q：新加坡 PDPC 的合成資料流程有幾個步驟？
A：共五步驟。先了解資料與使用目的，再準備來源資料、生成合成資料、評估資料效用與再識別風險，最後配置技術、契約與治理控制。這套指南適合做治理參考，但不直接構成台灣企業的法律義務，仍須依台灣個資法與實際情境判斷。
Q：AI 測試可以完全不用真實客戶資料嗎？
A：多數早期測試可以。格式、欄位、權限、流程與大量例外情境可先用人工或合成資料完成；但正式成效、少數群體與現場分布通常仍需要受控的真實樣本驗證。原則是先證明哪些問題合成資料無法回答，再核准最小必要的真實資料。
Q：中小企業第一週要怎麼建立安全測試資料？
A：本文建議先盤點三類資訊：測試問題、必要欄位、可接受誤差。只驗格式時直接造假資料；需要統計關聯時才生成合成資料，並保留版本與產生方法。任何真實資料進場前，都要確認目的、權限、保存期限、刪除方式與最後驗收責任人。
Q：什麼時候才能把真實資料放進 AI 測試？
A：在合成資料已完成低風險測試，而且關鍵驗收仍無法回答時才進場。先限定目的、欄位、樣本、環境、存取人員與保存期限，完成核准後在受控環境測試；結果要與合成資料比較，結束後依原定期限刪除或停止利用，不能把測試資料永久留下。
由穹境科技 AI 情報系統生成 · 2026-08-30 · 資料來源見上方參考列表