隐私（privacy）在 AI 语境下，指用户数据在模型训练、推理和第三方服务调用过程中的收集、使用与保护问题，已成为 2026 年 AI 行业最受关注的议题之一。随着 AI 编程工具、个人智能助理大量接入本地文件与云端数据，开发者工具的数据流向透明度、大厂隐私政策的边界扩张，以及机器学习领域的隐私技术方案，构成了当前讨论的三个主要层面。
AI 工具引发的 privacy 争议
近期最受关注的是 AI 编程工具的数据上传行为。2026 年 11 月，Claude Code 2.1.318 被曝将用户邮箱写入第三方请求头，引发社区对工具默认收集用户身份信息的质疑。同样围绕 Cursor，有用户实测后台流量，发现开启 Privacy Mode 后上传量降至 13 KiB，说明隐私模式确实能显著抑制数据外发，但也侧面印证默认状态下存在可观的上传行为。这两起事件共同指向一个问题：AI 工具的隐私默认值是否应该更保守。
相关引用：
平台隐私政策与技术方案的博弈
大平台层面，Google 更新隐私政策后，用户在连接 Personal Intelligence 时，Drive、Photos 中的数据可能被用于广告个性化，这种「为换取智能功能而扩大数据用途」的做法引来反弹，也再次凸显了隐私条款与用户感知之间的落差。与之相对，Meta 在工程侧给出另一种思路：10 月底开源的 PrivacyLib 将隐私控制统一收口到数据访问边界，试图从架构层面降低隐私实现的出错概率。学术界则在推进更细粒度的方案，包括带 GDP 隐私证明的顺序删除高斯机制（machine unlearning）、免重训练的敏感信息脱敏框架 ASIRF，以及 OpenAI 发布的 Privacy Filter 模型卡，覆盖了遗忘、脱敏与过滤等关键环节。
相关引用：
当前焦点与观察点
综合来看，隐私议题的焦点正在从「是否收集」转向「默认值与边界」：工具厂商倾向以数据换取体验，而用户和社区要求更透明的数据流向与更安全的默认设置。值得持续观察的方向包括：AI 编程工具是否会将 Privacy Mode 设为默认、大厂隐私政策在监管与舆论压力下是否回撤、以及 PrivacyLib、ASIRF 这类架构级与算法级方案能否从研究走向工程落地。对普通用户而言，定期检查 AI 工具的隐私设置、了解数据用途条款，仍是当下最实际的防护手段。