AI 自动补全代码包含假身份证号，B站CEO 无端躺枪

AI 自动补全代码，结果补出来了一张别人的身份证？GitHub Copilot 又出神操作了。

有人在推特上晒图，表示自己在使用 GitHub Copilot 时，它竟然给补全出了一张身份证信息出来。

输入B站CEO 陈睿的信息后，下方竟然自动补出了身份证号。

这操作确实够吓人的。

网友就表示：恐成社工库利器啊！

不过恐慌之际，眼尖的网友们很快发现了问题：

显示的身份证号其实是假的，其中出生年份和校验位明显都是错的。

陈睿应该是 1978 年生，而这里的证件号上显示为 1988。

也就是说，这串所谓的身份证号，其实是 GitHub Copilot 自动生成的假数据。

这让人们提起来的心稍微放下了一些。

但是原本是生成代码的 GitHub Copilot，怎么会生成个人隐私信息呢？

吃了的，不经意又吐出来

这和 GitHub Copilot 的工作原理有一定关系。

GitHub Copilot 由 Codex 模型支持，它可以看做是 GPT-3 的升级版，既能看懂代码、也能看懂自然语言。

一方面，GitHub Copilot 为了能看懂注释，需要接受像 GPT-3 一样的语言训练。

语言模型在生成结果时，往往会随机表现出某些训练数据的特征。

也就是模型“记住了”见过的数据信息，处理任务时，把它“吃进去”的训练数据又“吐了出来”。

而对于 GPT-3、BERT 这些超大型语言模型来说，训练数据集的来源往往包罗万象，大部分是从网络公共信息中抓取，其中免不了个人敏感信息，比如姓名、地址、身份证号等等。

有人就表示，B 站高层的个人信息可能早就被人恶意曝光了。

这一次很可能是 GitHub Copilot 在生成结果时，随机表现出了一些训练数据的特征，这部分数据刚好来自陈睿的隐私信息。

事实上，GitHub 的 CEO Nat Friedman 也回应过类似的问题。

他表示 GitHub Copilot 给出的隐私信息都是假的，是通过训练数据合成而来。

而前不久曝出的 Copilot 抄袭大神代码、原版注释一事，直接让 Nat 这番回应啪啪打脸。

自动生成的代码不仅和原版一样，连“what the fuck”那句注释也用上了。

▲ GitHub Copilot 复刻 Quake 代码

另一方面，GitHub Copilot 是由数十亿行公开代码训练的。

有人认为，这可能是训练集中的原始代码就违反了相关隐私条款。

GitHub Copilot 受到错误代码的影响，意外把陈睿的个人信息从数据集里套了出来。

虽然这次情况可能只是个意外，但是也暴露了 GitHub Copilot 在安全隐私上存在许多风险。

有网友就对 GitHub Copilot 的敏感信息处理，表示担忧：

倒是说会对敏感信息处理，但是我觉得总会有漏的。

小米开源技术委员会主席、小米副总裁崔宝秋则表示，这提醒了用户要注意自己的安全隐私保护，个人数据要记得匿名化。

GitHub Copilot 争议不断

事实上，GitHub Copilot 从上线以来就争议不断：

直接照抄源代码、没有开源许可证；

由公共代码库训练，却要以付费商品上线；

除了安全隐私上的风险，openAI 还发现 GitHub Copilot 的模型 Codex 与 GPT-3 一样，会生成带有种族主义或其他伦理问题的结果。

最近，自由软件基金会（Free Software Foundation，FSF）也发出了抗议，他们表示使用 GitHub Copilot 必须运行 Visual Studio IDE 或 Visual Studio Code 这种付费软件，侵犯了用户的权益。

为此，FSF 正在向大众征集 GitHub Copilot 在版权、法律等问题的投稿。

对于这一抗议，GitHub 方面则表示愿意对任何问题持开放态度。

“这是一个全新的领域，我们渴望与开发者就这些话题进行讨论，并引领行业为训练人工智能模型制定适当的标准。”