ARTICLE · 1045683
为什么 AI 公司都要偷你的代码?
为什么 AI 公司都要偷你的代码?前两天智谱 ZCode 偷传用户代码这事，刷屏两天了，大家也都骂两天了。 不过我看大家没骂到点子上，今天爬上来说道说道。 1.先给不知道的人说下发生了啥。技术博主逆向了 ZCode 的客户端，发现这玩意会在后台给你整个项目做快照，注意，是整个项目，连 .git 目录一起打包加密，上传到阿里云 OSS。他抓到的一个商业项目快照有 313MB，4.2 万个文件，.git 占了 86.6%。也就是说它打包的不只是你当前的代码，旧提交，曾经下载的大文件缓存，本地分支的操作记录，全在里面。 2.两个细节最膈应人。一个是只要处于登录状态这套机制就跑，界面上现有的「优化体验」和「仓库快照索引」两个开关，都拦不住本地打包和上传。另一个是 ZCode 的隐私政策只写了会收集你「在对话中提交」的文本和代码，整个仓库和 Git 历史，一个字没提。 3.智谱官方之后做了回应：问题出在「代码库索引」关联的 Repo Wiki，生成 Wiki 时会触发仓库数据上传，生成完「立即销毁，不会保存」，功能上线初期默认开启，目前已修复。补偿措施三条：近期开源 ZCode 代码库，邀请第三方评估人员审查，给全体用户额外发一次周额度重置。三条里最有分量的是开源，客户端代码公开之后，上面这些逆向结论谁都可以自己验。 4.这事不是第一次发生。今年 7 月，马斯克旗下的 Grok Build（CLI）被安全研究者用类似手法抓包：完整代码仓库连本地敏感配置，静默上传到谷歌云存储，默认开启，界面没开关。后续处理手法几乎一样，先是远程悄悄关掉上传，压不住了，三天后马斯克官宣开源 Grok Build 的 CLI 和工具框架，外加给用户重置额度。 5.所以这事不是第一次 AI 公司这么干了，一堆人骂它侵犯用户隐私，偷看用户数据。确实是侵犯用户隐私，但我说实话，对于一般的公司和个人，那些顶尖 AI 公司真没兴趣看你的项目产品，它要的是你本地代码真实语料库，去针对性训练改进他们家的 AI。 6.原因很简单，公开 GitHub 语料到现在基本被爬干净了，想继续变强，增量只剩两个地方：企业内部的私有仓库，和你电脑里的本机代码。这两个地方，恰好是 Coding 工具天然能摸到的。而且最值钱的是 Git 历史，不是代码本身。代码只是答案，Git 历史才是解题过程，一个文件从报错改到能跑，为什么这样重构，哪次回滚救了命，这些「怎么改的」过程数据，才是训练 Agent 最缺的东西。只会看最终代码的模型，会写代码片段，看过海量「从错改到对」过程的模型，才会干活。 这个才是最真实的原因。 7.有人可能会问：GitHub 每天那么多项目，为啥还非得要用户真实项目仓库。 GitHub 在之前确实是宝藏，但是现在缩水严重。因为一大堆人都可以借助 AI 随便折腾一些垃圾开源项目，哪怕一些 star 数很大的项目，也都是垃圾。东西是折腾出来了，但是架构设计和代码质量差的要死，对 AI 的训练来说，这都属于污染数据，如果训练 AI 的公司，不做数据清洗，一味的把当下市面上 GitHub 仓库塞进语料，很可能让 AI 能力不进反退。 而开发者本地真实的项目仓库，包含了开发者们的真实使用场景，你的代码质量，重构方案，Git 操作历史都是最好的参考，很多时候，比 GitHub 上一个 star 数很高的所谓完整项目，更有价值。 所以，这里给大家一个真实的参考建议，不要过度迷信 GitHub star 数多的项目，我说实话，从一个开发者的角度来说，非常多的垃圾项目。 8.如果说 Grok 那次算是行业首发，我以为行业都会引以为戒，不会再犯了，没想到居然还会有。中国古语有云，事不过三，之后，如果还有类似的公司这样干，我觉得不要手软，不仅要骂得狠一些，之后这家公司的任何产品都不要再用了，骂到它倒闭都不为过。 为什么都要偷？一句话：你电脑里躺着的，是这条赛道唯一买不到的资产，也许我们很多人不那么在乎我们的本地数据，但是你拿之前起码要告诉我一声吧。 推荐阅读： 新增了一个大使身份 一年一次