2023年12月底,一起涉及理想L7的重大交通事故在广东省清远市发生,随后,理想汽车公布了行驶数据和行车记录仪视频,带来强烈反响。理想公开汽车行驶数据和行和记录仪视频,是否涉嫌侵犯驾驶员隐私?智能网联汽车事故分析过程中可能引发哪些数据合规问题?至顶网就此采访了望衡律师事务所创始合伙人韩婷律师,她认为,理想汽车公布的行驶数据和视频并非隐私范畴,但她呼吁,相关部门应加快出台智能网联汽车黑匣子相关法规和标准。
图:望衡律师事务所创始合伙人韩婷律师
至顶网:事件中涉及哪些个人信息/数据?是否属于隐私?
韩婷:此次“理想L7清远车祸”发生后,理想发布了两条事件相关微博。其中第一条微博中公布了车速(178km/h和96km/h)和驾驶行为(采取制动措施);第二条微博中公布了行车记录仪视频,该视频中无声音,亦未显示驾驶员的行踪轨迹及精准定位信息。我们认为,以上信息均属于驾驶员的个人信息,同时也构成数据,但不属于隐私,因为该视频中公开的内容并未与驾驶员的私密活动或私密信息相关。
至顶网: 理想收集和公布上述个人信息/数据,是否有法律依据?
韩婷:理想在公开报道中提到车速和驾驶行为数据源自车辆后台,所以这些数据应当是理想收集的。车企是否有权对这类数据进行处理,即收集、使用、公开数据,取决于车企与用户之间是否有协议。我们目前并不知道用户是否签署过包含同意数据处理的协议,所以无法对理想收集和公开数据的行为的合法性做出判断。
关于行车记录仪视频,我们推测有可能不是理想收集的,因为行车记录仪通常是不联网的,而且如果收集行车记录仪视频对车企而言存储成本会非常高,法律风险也较高。至于理想自何处获得行车记录仪视频,有待进一步了解。
至顶网: 发生事故后,数据到底应该由谁处理?
韩婷:这个问题比较复杂,不仅涉及设备和技术问题,更涉及权属和权利问题。
通常发生交通事故后,应当由交通管理部门处理数据并进行事故责任认定。目前我国关于智能网联汽车事故相关数据处理问题还没有针对性特别强的细致的法律规定。我们相信,随着法规和标准的进一步细化,尤其是未来随着Event Data Recorder (“EDR”或“黑匣子”)的应用,这一问题的答案将逐步明晰。
事故所涉的L7属于具有辅助驾驶功能的智能网联汽车,可实现L2级别即“有条件自动驾驶”。对具有辅助驾驶甚至未来具备更高级别自动驾驶功能的智能网联汽车而言,事故分析很大程度上将依赖于黑匣子。
我国目前还没有车内黑匣子的强制性规定,但2021年4月7日,工业和信息化部发布了《智能网联汽车生产企业及产品准入管理指南(试行)》征求意见稿。该征求意见稿第八条规定:“智能网联汽车产品应具有事件数据记录和自动驾驶数据存储功能,采集和记录的数据至少应包括驾驶自动化系统运行状态、驾驶员状态、行车环境信息、车辆控制信息等,并应满足相关性能和安全性要求,保证车辆发生事故时设备记录数据的完整性。”通过该条表述可知,自动驾驶汽车的数据记录、存储功能应当是由车内“设备”完成的,而并非通过网络将数据上传到云端系统或车企。简言之,若该指南正式颁布,则每辆智能网联汽车车内都应安装一部黑匣子。
《汽车数据安全管理若干规定(试行)》倡导车内处理原则,即除非确有必要不向车外提供数据。据此,我们可以预见,智能网联汽车在安装了黑匣子后,传回车企的数据类型有可能会受到法规的进一步限制。
除了数据收集外,还有一系列与黑匣子相关的问题:黑匣子应当受谁控制,车企是否有权掌握黑匣子的密码或阅读权限;在何种条件下由谁打开黑匣子,用户同意是否可以缺省;交管部门或第三方机构若不具备处理数据的环境或能力,可否由车企做事故分析;车企所得的分析结论若被用户质疑,该如何解决,等等。期待未来更有针对性的法规和标准出台,解决上述问题。
好文章,需要你的鼓励
OpenAI在最新博客中首次承认,其AI安全防护在长时间对话中可能失效。该公司指出,相比短对话,长对话中的安全训练机制可能会退化,用户更容易通过改变措辞或分散话题来绕过检测。这一问题不仅影响OpenAI,也是所有大语言模型面临的技术挑战。目前OpenAI正在研究加强长对话中的安全防护措施。
北航团队推出VoxHammer技术,实现3D模型的精确局部编辑,如同3D版Photoshop。该方法直接在3D空间操作,通过逆向追踪和特征替换确保编辑精度,在保持未修改区域完全一致的同时实现高质量局部修改。研究还创建了Edit3D-Bench评估数据集,为3D编辑领域建立新标准,展现出在游戏开发、影视制作等领域的巨大应用潜力。
谷歌宣布计划到2026年底在弗吉尼亚州投资90亿美元,重点发展云计算和AI基础设施。投资包括在里士满南部切斯特菲尔德县建设新数据中心,扩建现有设施,并为当地居民提供教育和职业发展项目。弗吉尼亚州长表示这项投资是对该州AI经济领导地位的有力认可。此次投资是谷歌北美扩张战略的一部分。
宾夕法尼亚大学研究团队开发出PIXIE系统,这是首个能够仅通过视觉就快速准确预测三维物体完整物理属性的AI系统。该技术将传统需要数小时的物理参数预测缩短至2秒,准确率提升高达4.39倍,并能零样本泛化到真实场景。研究团队还构建了包含1624个标注物体的PIXIEVERSE数据集,为相关技术发展奠定了重要基础,在游戏开发、机器人控制等领域具有广阔应用前景。