GitHub Copilot生成代码包含身份证号，B站CEO无端躺枪

Posted 2021-09-04 QbitAl

明敏 发自 凹非寺
量子位 报道 | 公众号 QbitAI

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