SMC 資料庫

氣候變遷、生物多樣性、IPBES、鏈結、里山、地景與海景

李光中、孫夏天

議題背景：

中國阿里巴巴集團旗下，高德軟件開發的「高德地圖」APP，2026年4月在台灣推出新版功能後迅速走紅。報導指出其「紅綠燈倒數計時」秒數近乎零誤差，被部分網友形容為比現有國際與本土導航APP更精準。

數發部表示將委由國家資通安全研究院檢測。5 月中旬將召開記者會公布完整資安評測結果。政府也跨部會表示公部門全面禁用 ，國軍含私人手機禁用 ，以及呼籲民眾不要使用。

為使大眾更加理解地圖應用程式背後的技術，與如何保護個人資安，因此台灣科技媒體中心邀請專家提供觀點。

專家怎麼說？

2026年04月26日
國立中山大學資訊工程學系副教授 徐瑞壕

高德地圖如何能比其他知名導航App，做到更為精準與快速的導航服務，又如何取得台灣道路交通號誌與路況的詳細測資？政府掌控的道路即時路況資訊與民眾個資，是否可能外流至高德地圖？相關資安疑慮，可從以下問題剖析：

Q1：報導提到的「紅綠燈倒數計時」功能，如何透過大數據和演算法達成？台灣有相關的本土 APP 已做到這個程度嗎？需要多少使用者數量、資料量才能達到「近 0 誤差」？

高德地圖導航功能中的紅綠燈倒數計時，主要藉駕駛人手機內的全球定位系統（Global Positioning System, GPS）以及動作感測器（Motion Sensors）所提供的位置、移動狀態（加速、減速及停止）以及行進方向與軌跡資訊，分析車輛動態。系統再以AI大數據演算法與道路圖資，彙整鄰近多台車輛的動態，精準推論各路口的紅綠燈倒數秒數。相關方法已在學術研究中提出多年[1]。

目前國內導航相關APP，也應有能力實現紅綠燈倒數等與高德地圖導航相關的功能。然而，這也可能導致駕駛人因過度依賴紅綠燈倒數功能，而產生如預期綠燈秒數即將結束而加速，或紅燈即將結束卻未及時減速等危險的駕駛行為，致使大幅提升行車事故風險。此外，紅綠燈倒數秒數預測通常採用人工智慧／機器學習演算法分析，參考資料量越大，分析的準確度越高。至於需要多少的車輛感測資料，端看大數據分析方法的能力以及數據量而定。

然而，除導航App外，許多行動裝置的App同樣會蒐集使用者手機中的個資。例如Google Gboard或是Apple Siri等智慧鍵盤與智慧語音功能，利用打字或是語音內容，訓練智慧鍵盤的打字字詞推薦[2]，或是智慧語音對話功能[3]所需的人工智慧模型。這些功能背後採用具個資保護能力的聯合學習方法[4]，確保App服務提供商無須上傳使用者手機的個資到雲端，利用使用者的手機完成人工智慧模型訓練的一部分工作。

Q2：一般人使用高德地圖這類APP時，可能會洩露什麼隱私？回傳後在中國法律框架下會被誰、以什麼程序調取？一般民眾可以採取哪些具體措施保護自己？

高德地圖除了強大的導航功能，如紅綠燈倒數計時、車輛所在車道位置與交通路況等，可能上傳並蒐集使用者位置與活動軌跡資訊之外，高德地圖當中的商家店鋪評分，同樣會利用使用者手機位置、軌跡與時間等資訊分析。高德地圖使用到的手機個資，經過人工智慧大數據技術分析，可以產出極為豐富且多樣化的個資，例如使用者日常造訪過的地點、從事的活動、每日活動模式與人事物愛好等高度敏感的個資。

由於高德地圖的服務者為中國境內公司，個資若被存放在中國境內公司的雲端主機中，皆需要配合《中華人民共和國國家情報法》第七條：「任何組織和公民都應當依法支持、協助和配合國家情報工作，保守所知悉的國家情報工作秘密。」若高德地圖所存放的使用者個資，與其他具豐富使用者個資的中國境內公司App（例如社群網站App），所蒐集的個資高度重疊時，更可能洩露使用者在其他App的個人使用與活動行為。

因此，使用高德地圖及類似會蒐集手機用戶個資的App時，民眾可參考以下準則：

1. 調整定位功能權限：避免App持續追蹤用戶位置，可將定位權限設為「使用App期間」以及關閉「永遠允許定位」功能。
2. 調整個資上傳功能：避免App全天蒐集個資並上傳，可關閉「背景App重新整理」，使用結束後強制以手動關閉App。
3. 調整非必要個資蒐集功能：避免App過度蒐集非必要個資，隨時關閉通訊錄、關閉背景App重新整理功能、不要登入真實個資或是綁定常用帳號、定期刪除使用App紀錄。

交通部已說明，紅綠燈倒數功能並未串接政府號誌系統，政府也未提供相關資料；該功能藉由使用者導航時回傳的定位與行為資料推估而來[5]。當大量車輛在同一路口反覆出現減速、停止、起步與通過等行為，系統便可從中推算號誌的時間週期，並持續以新的資料修正結果。

這類技術的核心，在於將交通行為視為可觀測的週期訊號。紅綠燈本質上是一種重複運作的時間系統，只要蒐集到足夠多的停等與起步樣本，就可以用統計與模型推估出紅燈與綠燈的切換節奏。當使用者數量越多、資料越密集，推估結果就越穩定，也更接近實際情況。

不過，現實交通環境並非完全固定。號誌可能因車流調整、行人按鈕、公車優先或臨時管制而改變，因此仍會產生誤差。所謂接近零誤差，通常是建立在長時間、大量資料累積與持續修正之上，而非單一演算法即可保證。

值得留意的是，導航App蒐集的並非單一定位，而是連續的移動軌跡。這類服務通常依賴持續定位與行為資料回傳，才能建立路況與號誌模型。住家、工作地、通勤路線、常去醫院或學校，以及出入軍營與政府機關的時間，都可能從軌跡中被推論出來。單筆資料看似普通，但長期累積後，會形成清楚的個人行為輪廓。

政府單位也已指出，這類應用涉及定位與行動軌跡資料，可能回傳至境外伺服器，並帶來隱私與資安風險，如果影響國安，甚至可能限制公部門使用[6][7]。這類風險不只在於資料外洩，而在於資料可能被長期保存、分析，甚至與其他資料來源交叉比對。

在這樣的前提下，與其全面排斥，不如理解風險並調整使用方式。日常使用時，可以只在需要導航時開啟定位，避免長時間背景追蹤；同時檢視並關閉與導航無直接關聯的權限，例如通訊錄、相簿或藍牙，以降低資料被過度蒐集的可能。若服務允許，也可避免登入可識別身分的帳號，並定期清除定位紀錄與快取。

當涉及軍事、政府或其他敏感場域時，更應提高警覺，避免在這些情境中使用資料流向不明的工具。對於公務員、軍警與關鍵基礎設施人員而言，則需要採取更嚴格的使用原則，以降低潛在風險。

[1] Méneroux, Y., Le Guilcher, A., Saint Pierre, G., Ghasemi Hamed, M., Mustière, S., & Orfila, O. (2020). Traffic signal detection from in-vehicle GPS speed profiles using functional data analysis and machine learning. International Journal of Data Science and Analytics, 10(1), 101-119.

[2] Hard, A., Rao, K., Mathews, R., Ramaswamy, S., Beaufays, F., Augenstein, S., ... & Ramage, D. (2018). Federated learning for mobile keyboard prediction. arXiv preprint arXiv:1811.03604.

[3] Azam, S. S., Pelikan, M., Feldman, V., Talwar, K., Silovsky, J., & Likhomanenko, T. (2023). Federated learning for speech recognition: Revisiting current trends towards large-scale asr. In International Workshop on Federated Learning in the Age of Foundation Models in Conjunction with NeurIPS 2023.

[4] Google Cloud, 聯合學習：定義與運作方式指南 https://cloud.google.com/discover/what-is-federated-learning?hl=zh-TW

[5] 中央社，交通部：未提供紅綠燈資料，高德地圖以使用者定位推估

[6] 中央社，數發部：高德地圖涉及資安風險，公部門可能禁用

[7] INSIDE／中央社，若影響國安將禁用相關 App