拆穿“匿名”数据的神话
关于用户数据可以被安全“匿名化”的说法，正越来越受到现实中的重新识别案例和 GDPR 等法律标准的挑战；后者通常把大多数假名化数据集仍视为个人数据。评论者就差分隐私、k-匿名、合成数据和哈希等技术是否能真正保护个人展开争论，尤其是在数据集可以被关联、而商业激励又偏向最大化可用性的情况下。许多人得出的结论是：真正的匿名要么在实践中不可实现，要么必须引入多到让数据几乎失去价值的噪声，这进一步强化了应当限制数据收集本身，而不是事后依赖匿名化的观点。
“匿名”数据的局限性
- 许多评论者都认为，丰富的、个人级别的数据集本质上很难真正匿名化；跨数据集的关联往往会重新识别出个人。
- 经典失败案例（AOL 搜索日志、Netflix Prize）被引用为“在被关联前是匿名的”例子。
- 有人认为，只要任何在现实中 reasonably practical 的重新识别是可能的，这些数据就应当被视为个人数据。
- 也有人反驳说，匿名性是一个光谱：像“美国人口中有 51.1% 是女性”这样的汇总数据显然包含个人信息，但几乎没有现实中的重新识别风险。
差分隐私与其他技术方法
- 几条评论指出，文章淡化或遗漏了差分隐私（DP）、合成数据、零知识证明和同态加密。
- 有人认为 DP 在数学上很扎实，而且通常“足够好”；也有人认为它会鼓励更多数据共享并给人一种虚假的安全感，而且极度依赖参数选择。
- 批评者说，大多数“匿名化”方案都假设攻击者很弱，面对成熟对手时会失效；当前技术更多是提高成本，而不是阻止去匿名化。
- 对于是否真的存在有效、可扩展且真正匿名的分析模型，评论者之间也有争论，甚至怀疑其在理论上是否可行。
假名化、间接标识符与 GDPR
- 几位评论者区分了假名化（移除直接标识符或对其做哈希）与更强的技术，后者也会处理年龄、邮编、性别等间接标识符。
- 欧盟式规则被特别提到：任何能够合理地关联回某个人的数据仍然属于个人数据；必须考虑“合理可能”的攻击，并使用控制者所拥有的全部数据。
- 争议集中在这一标准在实践中被如何严格解释，以及它如何映射到美国的 PII 概念。
行业实践、激励与威胁模型
- 有人认为根本问题是数据收集过度；没有任何技术能解决这一点。
- 广告技术和数据经纪人被认为不太可能采用强隐私方法，因为原始数据更有价值，而处罚又很弱。
- 也有人强调内部、第一方使用场景（例如开发/测试数据库），在这些场景里匿名化可以在不出售数据的情况下显著降低风险。
- 讨论中存在张力：一边是“善意的、部分保护是值得的”，另一边是“除了不收集数据之外，任何做法都是虚假的安全感或江湖骗术”。
演示、服务与务实主义
- 少数人提到提供风险分析、去标识化或匿名化的工具/初创公司；也有人寻找去匿名化服务来展示风险。
- 类比门锁的说法强调威胁建模：没有哪把锁是完美的，但它们对大多数攻击者来说可能已经足够好。
- 还有人主张用可信的伪造数据“污染”数据集，以阻碍重新识别尝试。