▲研究顯示 AI 僅憑貼文即可鎖定匿名貼文者身分。（示意圖／取自免費圖庫Pixabay）
記者吳立言／綜合報導
在網路論壇上使用匿名帳號（如 Reddit 的 throwaway 帳號），過去被視為一種相對安全的隱私保護方式，但這項假設正被最新技術發展迅速瓦解。來自 ETH Zurich、加州大學柏克萊分校與 Google 的研究團隊，發表名為《利用大型語言模型進行大規模線上去匿名化》（Large-scale online deanonymization with LLMs）的論文，指出大型語言模型（LLM）已能以極高精準度與極低成本，將匿名帳號與真實身分進行關聯。
500 倍技術躍進：從 0.1% 到大規模識別
該研究最引人關注之處，在於識別效能的顯著提升。過去若嘗試將匿名討論區 Hacker News 用戶與其在 LinkedIn 上的真實職業檔案進行比對，傳統非 LLM 方法的成功率（召回率）僅約 0.1%，幾乎難以實際應用。
然而，研究團隊透過 LLM 建立自動化攻擊流程，在維持 99% 精確率的情況下，成功將識別率提升至 45.1%；若將精確率放寬至 90%，召回率更可達 67%。整體而言，技術效能提升達 50 至 500 倍，意味著原本需仰賴人工長時間分析的身分比對工作，如今可在數分鐘內由 AI 完成。
每人僅需 1 至 4 美元 隱私「實際模糊性」面臨瓦解
研究同時指出，大規模去匿名化的成本極低，識別單一用戶的費用約落在 1 至 4 美元。研究人員警告，這類技術的普及將徹底改變風險結構：去匿名化不再侷限於政府或專業機構，個人或企業只需投入相對有限的成本，便可能對大量用戶進行身分推測與曝光。
整體流程可分為三個主要階段：
特徵提取（Extract）：從看似零散的貼文中擷取地點、職業、興趣、學歷背景與語言風格等資訊。
語義檢索（Search）：透過語義嵌入（Semantic Embeddings），在 LinkedIn、GitHub 等公開資料庫中搜尋潛在匹配對象。
邏輯推理（Reason）：模擬人類推理方式，比對匿名內容與候選資料的細節一致性（例如生活習慣或個人特徵），逐步排除錯誤並鎖定最可能的身分。
刪文與改寫難以防範 匿名保護機制面臨挑戰
研究作者 Simon Lermen 指出，傳統的隱私防護手段已難以有效應對此類技術。「實際模糊性（Practical Obscurity）—」，亦即過去認為資料雖存在但難以被有效串聯的假設正逐漸失效。
即使使用者刪除貼文，相關內容仍可能被網頁快取或存檔保留；而刻意改變寫作風格，也難以完全掩蓋長期累積的語言特徵。對於仰賴匿名性以保護自身安全的族群，例如告密者、維權人士或分享心理健康經驗的使用者而言，此發展帶來明顯風險。
專家建議，使用者應重新檢視自身在網路上留下的各種細節資訊。在 AI 技術持續進步的情況下，即便是看似無關緊要的片段內容，也可能在交叉分析下成為辨識真實身分的重要線索。
