导读：新加坡个人数据保护委员会（PDPC）于2026年6月2日发布了《关于在生成式AI中使用个人数据的建议指南（草案）》。该政策文件阐明了现有的《个人数据保护法》(PDPA) 如何适用于生成式AI模型和系统带来的独特挑战。它特别概述了生成式AI生命周期三个主要阶段的合规准则：
- 开发阶段（训练与微调）：详细说明了对于网络爬取数据如何适用“公开可用豁免”，强调了如何评估处于“数字屏障”（如付费墙和登录限制）背后的数据。此外，指南确立了一般的“数据使用通知”不再充分；必须提供“针对AI的特定通知 (AI-Specific Notifications)”，才能为模型训练使用用户数据获取有意义的同意。
- 部署阶段：指南将利益相关者划分为模型提供者、系统提供者和系统部署者，并根据他们是作为“组织”还是“数据中介”行事，为各方分配了相应的 PDPA 义务——特别是保护义务、保留限制义务和目的限制义务。
- 部署后阶段：解决了访问和更正义务，承认了更改AI模型（如嵌入和上下文窗口）的技术难度，但敦促利益相关者采取上游数据溯源措施，并密切关注“机器遗忘 (machine unlearning)”等新兴技术。
企业合规建议
对于开发或部署生成式AI系统的企业，该指南提出了紧迫的合规要求：
- 审查数据爬取协议：如果您的组织依赖爬取的公开数据进行AI训练，您必须严格评估是否存在任何“数字屏障”。如果存在屏障，必须逐案评估数据的可访问性。如果访问受限，强烈建议与数据所在的主办组织进行沟通，而不是单方面进行爬取。
- 更新隐私通知：声明数据用于“服务改进”或“新产品开发”的通用隐私政策，在用于AI训练时已不再具备法律效力。法务和产品团队必须协作实施明确的“针对AI的特定通知”，详细说明数据类型、模型功能，并提供清晰的退出（opt-out）机制。
- 明确供应商责任：采购和IT团队必须从上游的模型和系统提供商处获取明确的文档，详细说明其安全控制措施（例如，输入过滤器、数据保留机制）。部署者对数据治理负最终责任，包括限制输入的数据类型，并为“代理型AI（Agentic AI）”（可独立规划和执行任务的AI）建立明确边界。
- 建立AI数据保留与删除管道：企业应为不可避免的数据访问和更正请求做好准备，在数据收集阶段投入资源进行数据溯源跟踪和异常检测，因为在模型训练完成后进行数据删除在技术上仍然具有挑战性。
---
第一部分：引言和范围
1 引言
1.1 2012年《个人数据保护法 (PDPA)》规范了组织收集、使用和披露个人数据的方式，这种方式共同承认了个人保护其个人数据的权利以及组织为合理目的利用个人数据的需求。
1.2 本部分阐明了《个人数据保护法 (PDPA)》如何符合该法案目标地应用于人工智能（“AI”）环境。个人数据保护委员会 (PDPC)（“委员会”）的《关于在AI推荐和决策系统中使用个人数据的咨询指南》提供了基础性指导，内容涉及 (i) 在AI系统开发、测试和监控方面，组织何时可以依赖《个人数据保护法 (PDPA)》下的同意豁免（例如，用于业务改进或研究目的）；(ii) 组织如何对其AI系统是否以及如何使用个人数据保持透明；以及 (iii) 第三方服务提供商如何支持组织实施AI系统。
1.3 “生成式AI模型”是指那些展现出显著通用性并能胜任执行广泛不同任务的模型，无论这些模型以何种方式推向市场，并且可以集成到各种系统或应用程序中，包括使用大规模自监督在大量数据上训练的模型。“生成式AI系统”是基于生成式AI模型的AI系统或应用程序，既可以直接使用，也可以集成到其他AI系统中。
1.4 这些《咨询指南》（“《指南》”）阐明了如何在生成式AI模型和/或系统中收集和使用个人数据。本《指南》还建立在委员会的《关于在AI推荐和决策系统中使用个人数据的咨询指南》、《关于<个人数据保护法 (PDPA)>关键概念的咨询指南》、《隐私增强技术采用指南》以及《基础匿名化指南》之上，并应与之一并阅读。
1.5 本《指南》本质上属于咨询性质，对委员会或任何其他方没有法律约束力，也不构成法律建议。它们绝不修改或补充任何引用的法律（包括但不限于《个人数据保护法 (PDPA)》及根据《个人数据保护法 (PDPA)》发布的任何附属立法）的法律效力和解释。如果出现任何不一致之处，《个人数据保护法 (PDPA)》及任何附属立法的规定将优先于本《指南》。不应将这些指南解释为限制或约束委员会对《个人数据保护法 (PDPA)》的行政管理和执法。
2 咨询指南的范围
2.1 本《指南》解决了当今与生成式AI相关的一些关键数据保护问题。这些包括 (i) 收集和使用个人数据以开发生成式AI模型；(ii) 在整个生成式AI生命周期中分配数据保护责任；以及 (iii) 处理个人关于生成式AI处理其个人数据的请求。
2.2 本《指南》根据生成式AI生命周期的典型阶段组织如下：
| 章节 | 生成式AI生命周期阶段 | 主题 |
|---|---|---|
| 第二部分 | 开发：收集和使用个人数据以开发生成式AI模型 | • 公开可用豁免<br>• 通知义务和同意义务<br>• 保护义务 |
| 第三部分 | 部署：在部署的生成式AI模型和/或系统中处理个人数据 | • 保留限制义务<br>• 保护义务<br>• 目的限制义务<br>• 问责义务 |
| 第四部分 | 部署后：处理有关个人数据的个人请求 | • 访问和更正义务 |
第二部分：开发 – 收集和使用个人数据以开发生成式AI模型
3 公开可用豁免
3.1 开发生成式AI模型需要大量数据，包括在预训练和微调阶段。网络爬取（提取大量在线数据的自动化过程）是为此目的编制数据集的常见手段。当网络爬取的数据集包含个人数据时，组织可以考虑依赖“公开可用豁免”来代替寻求同意。
3.2 这是指《个人数据保护法 (PDPA)》第一附表第2部分，该部分允许组织在未经同意的情况下收集、使用或披露公开可用的关于个人的个人数据。公开可用的个人数据是指通常可供公众使用的数据（即可以不受限制或几乎不受限制地获取或访问），包括在个人出现且向公众开放的地点或活动中，通过合理预期的方式可以观察到的个人数据。1
3.3 如果个人数据构成没有任何限制地可公开访问的在线数据的一部分，组织可以依赖“公开可用豁免”收集该数据以开发生成式AI模型。这仍然需要符合：在相关情况下，一个理性人认为使用个人数据开发生成式AI模型是适当的。2
3.4 然而，如果个人数据构成被置于数字屏障之后的在线数据的一部分，将适用以下额外考量，组织在依赖“公开可用豁免”之前应考虑这些考量。委员会认为数字屏障是指任何有意义地全部或部分限制数据访问的技术和/或财务措施。数字屏障的例子包括：
a) 付费墙（例如，硬性付费墙、计量付费墙、动态付费墙）或订阅；
b) 注册要求（例如，需要提供用户姓名、电子邮件地址和联系方式等信息的注册流程）；
c) 身份验证机制（例如，密码、应用程序编程接口（“API”）密钥、一次性验证码）；以及
d) 检测并阻止自动化程序访问网站数据的工具、系统或配置（例如，AI机器人拦截器、用于区分计算机和人类的完全自动化的公共图灵测试（验证码））。
3.5 虽然数字屏障的存在本身并不妨碍个人数据成为公开可用的数据，3但这很大程度上取决于每个案例的具体情况和事实。在生成式AI环境中，需要考虑的相关因素包括：
a) 数字屏障的目的（例如，实现数据货币化）；
b) 数字屏障的效果（例如，在线数据是仍然可供广大公众访问，还是仅供特定人群访问）；
c) 访问个人数据所需的步骤（例如，数量、复杂性）；以及
d) 是否可以不受任何限制地从其他在线来源访问该个人数据。
3.6 委员会认为以下是公开可用数据的例子，即使此类数据位于数字屏障之后：
a) 由公共机构管理的旨在广泛提供的登记册。这包括只有在支付费用后才提供数据的登记册，因为任何公众成员仍可获取这些数据；
b) 在要求付款或订阅之前允许访问有限数量文章的新闻或媒体网站，因为这些付费墙起着货币化机制的作用，而不是访问的实质性障碍；以及
c)
向任何人开放加入但要求用户提供注册详细信息作为访问和参与条件的大型在线论坛。此类要求并不那么复杂或繁重以至于表明数据不普遍可用。
3.7 当一个组织打算爬取另一个组织设置的数字屏障之后的个人数据（在评估了此类数据是公开可用的之后）时，委员会认为最佳实践是收集组织向另一个组织通知其这样做的意图。这为被通知组织提供了单独考虑披露是否属于《个人数据保护法 (PDPA)》规定不需要同意的情况或目的（例如，数据是公开可用的）的机会。这种最佳实践还确保了当一个组织在未经个人同意的情况下从另一个组织收集有关该个人的个人数据时，该组织能提供有关收集目的的充分信息。4
3.8 确保收集组织和被通知组织都认为数字屏障后的个人数据是公开可用的，这在开发生成式AI模型中尤为重要，因为训练后删除或更正数据存在技术难度，而且生成式AI模型有能力部署在广泛的用例中。
3.9 如果被通知组织认为其拥有或控制的个人数据是公开可用的，它应允许收集组织访问和收集该数据。然而，如果被通知组织认为该数据不是公开可用的，它应告知收集组织并拒绝其访问。被通知组织也可以考虑加强已实施的屏障，以明确表明该数据不是公开可用的。在这种情况下，如果收集组织对被通知组织的评估提出异议，并且双方在讨论后无法达成一致，则可以将其提交给委员会。
3.10 为免生疑问，公开可用豁免的适用性和对《个人数据保护法 (PDPA)》的遵守，有别于组织尊重在线使用条款或服务条款或许可协议的合同义务，以及普通法（包括刑法）下的要求。
4 同意义务和通知义务
4.1 用于开发生成式AI模型的另一个关键数据源是个人提供给组织的，或在个人使用组织的产品或服务过程中或由此产生的个人数据（“用户数据”）。
除非适用视为同意或相关的同意豁免5，否则使用用户数据开发生成式AI模型需要获得同意（“同意义务”）。6 这项要求由通知义务补充，通知义务要求在寻求个人同意使用其个人数据时，必须将预期的使用目的通知个人。7 其中，《个人数据保护法 (PDPA)》第20(1)条要求组织告知个人：
a) 在收集个人数据时或之前，收集、使用和披露其个人数据的目的；以及
b) 在将个人数据用于未根据 (a) 款告知个人的任何其他使用或披露目的之前，告知该目的。
4.3 目前，组织在通知和寻求同意使用用户数据以开发生成式AI模型时，有两种可能的方法。第一种方法是向个人提供一份关于处理目的的一般性声明。这些声明可能会引用个人数据用于“新产品开发”，而未具体说明是AI或生成式AI模型开发。这些被称为“一般性通知”。第二种方法是提供明确声明，说明使用目的包括AI和/或生成式AI模型开发（“针对AI的特定通知”）。针对AI的特定通知还可以附带一个明确的机制，允许个人拒绝或撤回其同意。
4.4 委员会认为，一般性通知不足以作为获取同意将用户数据用于生成式AI开发（特别是指用于大规模AI模型训练和/或微调）的手段。组织必须为此目的提供针对AI的特定通知。“同意义务”和“通知义务”的存在理由是使个人能够提供有意义的同意。虽然通知不需要过于技术性或过于详细，但个人必须能够理解个人数据的类型，以及它将如何被用于训练和/或微调AI模型，以及这些模型的功能。
4.5 这在生成式AI环境中尤为重要，因为生成式AI模型部署在广泛的用例中。个人可能理所当然地会担心：(i) 具有更敏感性质的个人数据被生成式AI模型暴露、重构和/或披露给第三方；或 (ii) 个人数据被用于他们从未预料到的目的（例如，开发用于进行财务分析的模型）。
4.6 组织在起草其针对AI的特定通知时，被鼓励在切实可行的范围内提供以下信息8：
a)
需要使用个人数据的生成式AI模型的功能（例如，将书面文本转换为语音音频的文本转语音功能）；
b) 对将用于开发生成式AI模型的个人数据类型的清晰描述（例如，语音数据）；
c) 个人数据将如何被用于训练和/或微调生成式AI模型（例如，语音数据将用于训练模型识别语音模式）；以及
d) 个人如何能够拒绝或撤回同意将其个人数据用于AI训练（例如，通过提供逐步说明或易于访问的退出机制）
组织还被鼓励使其通知清晰可见（例如，通过产品内弹出窗口或专用网页）。
获得同意进行生成式AI模型训练的适当通知示例：一家社交媒体平台提供商希望通知个人，它将使用用户数据来开发一个生成文本和图像的AI模型，并且该模型将被集成到其平台中。提供商：
• 更新其隐私政策，纳入一条声明：“当您与我们的AI赋能功能交互时，您提交的文本、图像和音频可能会用于产品改进目的，包括训练和运行我们的AI模型。这将使我们的AI赋能功能能够生成更逼真的图像和语音模式。”；
• 制作一个隐私网页以补充更新后的隐私政策；
• 提供用户可以阅读并确认的平台内隐私更新；以及
• 向平台用户提供有关其更新后隐私政策的电子邮件更新，其中还包含一个允许用户拒绝同意的超链接。
在这种情况下，社交媒体平台提供商被认为提供了适当的针对AI的特定通知。
5 额外考量
5.1 尽管有上述规定，鼓励组织在开发生成式AI模型时实践数据最小化，以尽量减少不必要的风险。如果个人数据对于生成式AI开发是必要的，则提醒组织实施适当的技术、流程和法律控制来进行数据保护。组织可以参考委员会的《关于在AI推荐和决策系统中使用个人数据的咨询指南》以获取进一步指导。9
第三部分：部署 - 生成式AI利益相关者的数据保护责任
6 生成式AI利益相关者
6.1 生成式AI涉及技术栈中的多个层，这可能导致个人数据由各个利益相关者处理。生成式AI系统还具有不同的部署架构，使用和/或生成新类别的数据源。考虑到这些复杂性，本部分阐明了关键角色和
生成式AI利益相关者在保护个人数据方面的责任。除了本部分强调的义务外，还要提醒利益相关者采取必要的步骤，以确保遵守其在《个人数据保护法 (PDPA)》下的其他义务。
6.2 委员会确认相关利益相关者包括：
a) 开发和/或提供生成式AI模型以供分发和使用的“模型提供者”10；
b) 开发和/或提供生成式AI系统以供分发和使用的“系统提供者”；以及
c) 在其权限下使用和/或授权使用生成式AI系统的“系统部署者”。
7 模型提供者
作为组织的模型提供者
7.1 如果模型提供者处理个人数据以开发和部署生成式AI模型，它们将被视为该法案下的组织，并必须遵守《个人数据保护法 (PDPA)》下的所有义务。这延伸到模型提供者为了模型开发而从下游系统（例如终端用户提示、输入）收集和使用个人数据的情况。
7.2 作为组织，提醒模型提供者特别注意其“保留限制义务”。《个人数据保护法 (PDPA)》第25条规定，当收集数据的目的不再适用，且出于法律或商业目的不再需要保留时，组织应停止保留包含个人数据的文件，或移除能够将个人数据与特定个人关联的方法。
7.3 委员会承认，模型提供者可能需要保留其训练数据，以开发或增强未来的模型。当此类数据包含可识别的个人数据时，模型提供者制定并提供一份包括较长时间保留数据理由的数据保留政策是一种良好的实践。模型提供者还应定期审查其拥有的个人数据，以确定是否仍然需要这些数据。11 本指导原则同样适用于为开发和部署生成式AI系统而保留个人数据的系统提供者和系统部署者。
作为数据中介的模型提供者
7.4 模型提供者可以代表下游用户处理个人数据，作为系统部署者提供给用户的服务的一部分。例如，模型提供者可以运行推理12以为用户输入提供实时输出，或在其基础设施上托管数据。在这种情况下，它们被视为法案下的数据中介，并必须遵守适用的《个人数据保护法 (PDPA)》规定。这包括通过做出合理的安全安排来保护其拥有或控制的个人数据（“保护义务”）。13
7.5 在证明符合其保护义务方面，模型提供者记录并提供其为保护来自下游数据源的个人数据而采取的措施是一种良好实践。例如，模型提供者可以记录其数据访问控制以及数据驻留和保留政策。这些信息还将通过帮助系统提供者和系统部署者确定 (i) 其系统级安全安排的充分性；(ii) 是否发生了未经授权的访问和修改；以及 (iii) 此类访问和修改是否为应通知的数据泄露，从而支持它们履行《个人数据保护法 (PDPA)》规定的义务。
示例：模型提供者X将其生成式AI模型许可给企业使用，以自动化客户支持响应。模型提供者X评估其在推理过程中可能需要处理包含个人数据（例如，姓名、联系方式和帐户信息）的客户消息。模型提供者X采取以下措施：
• 实施基于角色的访问控制，以限制在推理过程中谁可以查看和处理客户数据；
• 发布数据存储信息表，其中包括有关客户数据在哪里存储和处理的信息；以及
• 采用明确说明何时删除推理数据的数据保留政策。
8 系统提供者
8.1 本节与从事开发定制化、可定制的生成式AI系统，或开发和零售商业现成系统的系统提供者相关。本节不适用于在内部开发和部署生成式AI系统的实体。如果系统提供者作为自身数据集的一部分来处理个人数据以开发系统，它们就是组织。如果它们
代表下游部署者（例如，为了特定用例定制系统，在交付其软件即服务（“SaaS”）时）处理数据，它们也可以承担数据中介的角色。
作为数据中介的系统提供者
8.2 随着生成式AI系统的多样化，这为系统提供者带来了更多的安全和数据保护风险（例如，提示词注入攻击，由于控制和用户数据平面之间界限不清晰，这种攻击可能会加剧）。为了遵守其保护义务，预计系统提供者在开发和提供新型系统时，会定期审查是否需要额外的安全安排。
8.3 与模型提供者类似，系统提供者与下游部署者共享有关他们实施的系统级安全防护信息是良好的实践，以促进对其系统将处理的个人数据的保护。相关信息的例子包括：
a)
围绕开发环境的数据安全和保护措施（例如，访问控制，输入或输出过滤器，隐私增强技术14）；以及
b)
测试和性能指标（例如，数据泄露的可能性）。
示例：系统提供者Y构建了一个生成式AI辅助的法律摘要API，律师事务所可以将其集成到内部工作流程中以总结案件文件。为了帮助其客户了解该API如何防范数据泄露以及仍然存在哪些风险，系统提供者Y记录了其已实施的技术安全防护，如输入脱敏过滤器以及对与API交换的数据进行传输中和静态加密。它还提供有关其内部测试程序和与数据泄露相关指标的信息，包括在总结前个人标识符被检测和脱敏的比率。
系统部署者
9 系统部署者
作为组织的系统部署者
9.1 系统部署者可以在内部开发和部署生成式AI系统，在这种情况下，他们承担模型和/或系统提供者的角色，或者采购和使用系统即服务（例如，通过SaaS平台，基于API的产品）。无论如何，系统部署者承担主要责任，以确保他们选择使用的生成式AI
系统能够履行其在《个人数据保护法 (PDPA)》下的义务。因此，在采购系统时，他们必须确保拥有关于上游安全防护的充分信息，以进行全面评估。
9.2 另一项责任是确保他们选择的系统处理的个人数据是为了相关的目的。《个人数据保护法 (PDPA)》第18条规定，只有在目的合理且在有关情况下的理性人认为适当的限度内，才能收集、使用或披露有关个人的个人数据（“目的限制义务”）。虽然生成式AI系统可以执行各种任务，但系统部署者应严格指定处理的预期目的以及为此所需的个人数据量。同时提醒他们，不应将个人数据处理用于非法和/或有害目的。15
示例：组织A希望在其医疗记录部门部署一个文档分类系统。在部署前，它明确将系统的目的定义为支持对医疗文件进行行政优先级排序，并确定了所需的基本个人数据。组织A还配置了访问控制，使系统无法查询或检索其目的之外的数据（例如，它无法访问其他数据库，如计费系统或患者联系人列表）。
9.3 根据“保护义务”，系统部署者还必须保护其拥有或控制的个人数据。这包括通过其系统收集的新类别的数据源（例如，终端用户的提示、输入和生成的输出、智能体或工具活动数据、内部企业数据）。系统部署者必须跟踪并指定对新数据源的责任，并实施相应的安全防护措施。这包括教育他们的终端用户（无论是内部的还是外部的），了解应该输入到他们系统中的特定类型的数据（例如，仅限预定义类别的个人数据）以及收集后数据将如何被处理。
9.4 进一步鼓励系统部署者针对所采取的安全防护制定清晰的书面政策并记录流程。主动提供此类政策（例如，在其网站上）也将证明在遵守《个人数据保护法 (PDPA)》方面具备问责能力。16
示例：组织B部署了一个人力资源（“HR”）系统来管理其员工参与度、培训和绩效考核。此外，员工可以查询
组织HR政策如何通过系统内的聊天机器人应用于他们。该系统由组织B的HR部门监督。组织B采取以下措施来保护系统处理的个人数据：
• 指定其HR部门负责保护通过系统聊天机器人生成的提示和输出；
• 制定有关提示中可包含的个人数据类型的指南；
• 实施措施以扫描提示中的常见个人标识符，并将对提示日志的访问限制为授权维护人员；以及
• 将这些安排记录在内部AI治理指南中，这些指南也会分发给所有员工。
9.5 最后，随着AI风险的不断演变，系统部署者应定期审查其安全防护的充分性。当他们的生成式AI系统具有智能体功能时，这一点尤为重要。虽然AI智能体的定义仍未确定，但共同特征包括为了实现用户定义的目标而进行跨多个步骤的独立计划和采取行动。由于这些增强的能力可能会加剧数据保护风险，系统部署者在界定其智能体用例的范围时应仔细考虑隐私效用的权衡。有关管理智能体风险的进一步指导，组织可以参考新加坡资讯通信媒体发展局 (IMDA) 的 Agentic AI 模型AI治理框架。
示例：组织C部署了一个智能体AI助手以提高其整个销售团队的生产力。该助手通过提供个性化的销售建议、自动化后续任务并从客户数据中生成洞察力，帮助员工精简客户参与。组织C评估，AI助手将需要更多的个人数据来有效解释输入和完成任务，这可能会导致未经授权的数据访问、使用、披露等。它决定通过以下方式增强现有的保护安全防护措施：
• 实施额外的基于角色的数据控制以限制助手的对文件和网络的访问；
• 实施数据分类系统，标记具有更敏感性质的个人数据，并要求对此类数据采取更严格的处理措施；以及
• 为复杂或高风险任务引入升级到人工处理的协议。
第四部分：部署后 - 处理有关个人数据的个人请求
10 访问和更正义务
10.1 《个人数据保护法 (PDPA)》第21、22和22A条规定了个人要求访问和更正组织所拥有或控制的其个人数据的权利，以及组织回应此类请求的相应义务（“访问和更正义务”）。
10.2 在生成式AI环境中，“访问和更正义务”适用于为模型和系统开发而收集、使用和披露的个人数据的形式。组织必须同意个人请求，除非适用《个人数据保护法 (PDPA)》下的豁免情况。17 例如，在以下情况下，组织可以选择不 (i) 提供对个人数据的访问：如果这样做给组织带来的负担或费用将是不合理的，或者与个人利益不成比例；或 (ii) 更正个人数据：如果组织在合理的理由上确信不应进行更正。18
10.3 委员会承认，目前在促成与生成式AI相关的访问和更正请求方面面临着挑战。这可能是由于 (i) 用于开发生成式AI模型和/或系统的数据量庞大，使得难以识别、验证和更正特定个人的数据；(ii) 生成式AI模型和/或系统的性质（例如，训练数据不存储在传统存储库中而是作为嵌入，用户数据暂时保存在上下文窗口中）；以及 (iii) 其他技术限制（例如，难以从模型中删除特定信息）。
10.4 尽管有上述情况，但在合理的情况下，预计组织仍会采取以下最佳实践来支持其履行“访问和更正义务”：
a) 采用上游数据处理措施，例如 (i) 在收集时验证数据的准确性；(ii) 实施数据清理技术，如去重和异常值检测；以及 (iii) 维护数据来源记录以记录训练数据的血统；
b) 逐案审查访问和更正请求，并在合理的情况下予以同意（例如，当请求涉及存储在检索增强生成数据库中的个人数据时）。还鼓励组织在进行未来的AI训练运行之前，确保从训练数据集中删除包括不准确数据在内的个人数据；以及
c) 跟踪成熟度并采取适当的技术措施（例如，机器去学习），以从模型和系统中删除不准确的个人数据。
第五部分：公众咨询问题
问题 1：在第 3.4 段下是否有其他“数字屏障”的例子需要澄清？
问题 2：组织是否应该在除了生成式 AI 模型训练和/或微调之外的其他情况下提供“针对 AI 的特定通知”？
问题 3：在第 4.6 段（通知的实质内容）和第 10.4 段（履行访问和更正请求）是否有其他有用的最佳实践需要强调？
问题 4：是否有其他关于数据保护安全措施的补充信息，有助于模型和系统提供者与其下游利益相关者分享？
问题 5：是否有其他针对智能体 (agent-specific) 的数据挑战或风险需要在第 9.5 段进行澄清？
来源注释
1 参见《个人数据保护法 (PDPA)》第2条以及《关于<个人数据保护法 (PDPA)>关键概念的咨询指南》第12.84至12.94段。
2 参见《个人数据保护法 (PDPA)》第18条以及《关于<个人数据保护法 (PDPA)>关键概念的咨询指南》第13.4段。
3 参见《关于<个人数据保护法 (PDPA)>关键概念的咨询指南》第12.85至12.86段。
4 另见《关于<个人数据保护法 (PDPA)>关键概念的咨询指南》第12.37段。
5 例如，业务改进和研究豁免。参见《关于在AI推荐和决策系统中使用个人数据的咨询指南》第4.1至6.4段。
6 参见《个人数据保护法 (PDPA)》第13条。
7 参见《个人数据保护法 (PDPA)》第14(1)条结合第20(1)条阅读。另见《关于在AI推荐和决策系统中使用个人数据的咨询指南》第9.2至9.3段。
8 这纳入了《关于在AI推荐和决策系统中使用个人数据的咨询指南》第9.5至9.8段现有的指导。
9 参见《关于在AI推荐和决策系统中使用个人数据的咨询指南》第7.2至7.12段。
10 这也包括托管多个模型和服务提供商的平台。
11 参见《关于<个人数据保护法 (PDPA)>关键概念的咨询指南》第18.5至18.8段。
12 推理是指经过训练的生成式AI模型通过对新数据进行推理和预测来生成新输出的过程。
13 参见《个人数据保护法 (PDPA)》第24条。数据中介也受保留限制义务的约束。
14 参见《隐私增强技术采用指南》和《基础匿名化指南》。
15 参见《关于<个人数据保护法 (PDPA)>关键概念的咨询指南》第13.4段。
16 参见《个人数据保护法 (PDPA)》第12(d)条和《关于在AI推荐和决策系统中使用个人数据的咨询指南》第10.2至10.4段。
17 参见《个人数据保护法 (PDPA)》第21(2)条、第22(2)条以及第五和第六附表。
18 参见《个人数据保护法 (PDPA)》第五附表第1(j)(ii)段，以及《个人数据保护法 (PDPA)》第22(4)条。
说明：本文件为公众号渲染试稿，建议在浏览器中打开后复制渲染结果，再粘贴到公众号编辑器。