本文经AI新媒体量子位（ID：QbitAI）授权转载，转载请联系出处
明敏 发自 凹非寺
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。
叔叔我啊，变年轻了
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。”
参考链接：
[1]https://twitter.com/DeltonDing/status/1423651446340259840
[2]https://venturebeat.com/2021/07/08/openai-warns-ai-behind-githubs-copilot-may-be-susceptible-to-bias/
[3]https://www.infoworld.com/article/3627319/github-copilot-is-unacceptable-and-unjust-says-free-software-foundation.html
