实战

Gemini 人工标注争议:Drive 邮件到底流向了谁

一个 GitHub 仓库引发争议,但现有截图不足以证明 Google 将 Drive 和 Gmail 内容交给人工标注者或用于模型训练。本文梳理证据边界、敏感数据风险与可操作的核查路径。

字号

一个 GitHub 仓库声称,Gemini 会把个人 Drive 文件和邮件交给人工标注者。它提供了截图和路由线索,但还不足以证明 Google 将这些内容用于第三方模型训练。本文梳理证据边界,并给出可操作的核查路径。

一个 GitHub 仓库声称,Google Gemini 会路由用户的个人 Google Drive 文件和邮件,并交给人工标注者处理。

这条线索在 Hacker News 首页拿到 405 分和 103 条评论。讨论很快越过“Gemini 行不行”,转向一个更具体的问题:个人文件进入模型服务后,会经过哪些系统、哪些人,以及哪些没有公开的后台任务?

先说结论。现有公开材料主要来自 gemini_files 仓库。它提供了一组截图、提示词和路由线索,但不足以单独证明 Google 把 Drive 与 Gmail 内容用于第三方模型训练。更稳妥的判断是:人工复核可能存在,但数据究竟流向哪里、保存多久、用户是否同意,仍缺少完整证据。

原始讨论可从两个入口核对:

  • GitHub 仓库:https://github.com/thisisme6598/gemini_files/
  • Hacker News:https://news.ycombinator.com/item?id=50429426

仓库里的指控说了什么

仓库 gemini_files 的核心主张很直接:Gemini 在处理用户数据时,会把个人 Google Drive 文件和邮件送入人工标注流程。

仓库描述的数据入口包括 Google Drive、Gemini,以及个人文件和邮件等高敏感内容。这部分信息与涉及 Drive、Gemini 的争议标题和摘要一致。

仓库还给出了若干用户侧观察。例如,文件或邮件被识别并加入某种处理流程。相关界面也出现了提示。作者试图把多个界面状态连成一条链:用户内容进入 Gemini,Drive 或 Gmail 成为可访问的数据源,随后出现人工介入的迹象。

这里必须把三类说法分开。

第一类,是仓库作者的直接主张。

仓库声称 Google Gemini 会路由用户的个人 Drive 文件和邮件,并将其交由人工标注者处理。这是被指控方需要回应的事实陈述,不是社区自行补出的结论。

第二类,是截图能直接支持的观察。

截图可以证明某个界面出现了某种文案、状态或流程提示。它们也可能包含账号状态、时间、文件名或提示词等可交叉核验的信息。

第三类,是社区推测。

例如,人工标注者是否接触了完整文件;标注结果是否进入训练集;流程是否由 Google 内部人员执行;某个提示是否代表通用后端机制,而不是特定功能。用户界面通常不会公开这些内部字段。

所以,“界面里出现了与人工审核有关的提示”不能自动推出“第三方拿走了全部邮件并训练了新模型”。中间还隔着数据最小化、抽样、任务路由、权限控制和保留策略。

目前公开线索指向的仍是一个 GitHub 仓库。人工标注这一完整处理链路,还需要通过原始材料和 Google 官方条款交叉核验。

人工兜底不等于数据外泄

“人工标注”和“数据外泄”不是同义词。

LLM 服务里的人工参与,可能承担几种完全不同的任务。

一是质量评测。标注者给模型输出打分,修正分类结果,或者判断回答是否遵守安全规则。这类数据常用于改进产品质量,但应有访问边界。

二是高风险内容兜底。医疗、法律、财务或疑似自伤等请求,可能由人工审核后再返回结果。用户看不到完整流程,不等于内容被拿去训练。

三是模型训练或微调。标注者把输入和理想输出整理成训练样本。这是影响模型长期行为最直接的一种使用方式。

四是合规与滥用调查。系统发现异常流量、批量导出或违规使用后,可能把有限数据交给审核人员。

这四种场景的关键差别,不只是“谁看过”,还包括看了什么、看了多久、结果拿做什么。

一个负责任的评测流程,通常会尽量使用脱敏账号、抽样文件、权限分级和审计日志。个人 Drive 文件、合同、简历和邮件则不适合被默认打包给标注者。如果 Google 真的采用这种流程,用户需要知道适用条件。

但反过来说,缺少公开说明也不能直接证明滥用。商业系统的内部实现和普通 SaaS 功能一样,不会全部写在帮助中心里。问题在于,涉及个人通信内容的处理,不应只靠一句宽泛的隐私政策覆盖。

Drive 和邮件为何更敏感

公开网页是模型公司最容易使用的数据源之一。网站内容本来就面向公开访问,即使存在版权问题,风险通常也能被描述和评估。

Drive 不是。

它可能装着未公开的并购材料、公司路线图、财务报表、身份证件、源代码和客户名单。Gemini 一旦接入 Drive,用户面对的就不只是“我把这段文字交给模型”,而是“模型可以沿着权限读取更多文件”。

邮件更敏感。Gmail 里可能有面试邀请、offer、合同、验证码、医疗记录、情侣通信和老板的抱怨。一次摘要请求背后,检索系统可能先扫描大量主题、正文、附件和联系人。

简历和合同是典型的低可见、高后果数据。它们未必含有密码,却能用于身份冒用、欺诈、精准招聘筛选或商业谈判。

这类风险还来自时间差。

用户在对话框里完成了一次查询,几秒后看到答案。后台却可能经过检索、排序、过滤、模型推理、内容安全和人工复核。数据在哪一段被复制、是否被缓存、谁能访问,通常不会显示在结果页。

因此,标注本身不是最值得追问的环节。更值得追问的是:高敏感数据是否有权进入这条链路。

405 分争议留下了什么问题

这条链接在 Hacker News 首页获得 405 分和 103 条评论。从讨论规模看,开发者对数据边界的担心不是小众意见。

评论中反复出现几类问题。

同意机制是什么?

如果人工复核属于改进产品质量或模型训练,用户是默认同意、主动选择,还是在特定场景下被告知?用户能否拒绝某些 Drive 文件,不让它们进入后续流程?

数据保留多久?

临时审核、质检抽样、训练数据构建、事件调查,可能对应完全不同的保存周期。只写“我们可能保留数据”不够。用户需要知道人工复核后的副本何时删除,是否会转为训练样本。

标注者拥有什么权限?

如果标注者能阅读邮件全文和附件,风险不能只用“受信任员工”四个字概括。还要知道他们是在 Google 内部、承包商还是第三方平台工作,能否下载数据,能否看到其他用户上下文。

用户能否撤回?

如果某个文件后来被用于评测或训练,删除源文件后,副本和派生数据是否同步删除?管理员能否查到某个文件何时被处理?

405 分说明这条链接获得了传播和讨论,103 条评论说明细节有争议。但讨论热度不是证据。它只能说明用户想知道答案,不能替代 Google 的正式说明。

真正该查的是处理记录

与其争论仓库截图“证明了什么”,不如沿着可验证的路径核查。

1. 检查 Gemini 活动记录

先看个人账号里的 Gemini 活动记录、Drive 活动记录和 Gmail 相关活动。重点不是找一行写着“人工标注”的记录。后台流程未必会这样展示。你需要确认:

  • 是否存在异常的批量访问;
  • 是否出现用户从未打开过的文件;
  • 文件名、类型和时间是否能对应一次具体任务;
  • 删除或移动文件后,活动记录是否仍然保留相关条目。

2. 查 Workspace 管理员日志

如果是公司账号,管理员日志更有价值。Google Workspace Admin Audit 通常可以提供用户、事件、应用、时间和目标资源等字段。管理员应当检查 Drive、Gmail、Gemini 及相关管理员事件的可见记录。

日志没出现某件事,不等于它没发生。日志可能不覆盖全部后台任务,也可能按套餐、区域或事件类型限制了可见范围。但异常访问和可追踪事件,应该尽量留下记录。

3. 对照数据处理条款

不要只看通用的 Google 隐私政策。应当同时核对:

  • Gemini 服务说明;
  • Workspace Gemini 管理员文档;
  • 生成式 AI 隐私说明;
  • 用户数据是否用于改进服务的条款;
  • 适用的数据处理附件与地区条款。

需要找的关键词包括 human review、human annotators、improvement、training、retention、customer data 和 opt out。不同账号类型、地区和版本,条款可能不同。

4. 复核仓库的原始证据

回到 gemini_files 仓库本身,检查截图有没有时间、账号状态、文件名和可复现步骤。所谓提示词是否来自真实界面,所谓路由能否用相同账号再次触发。

更严格的验证方式是记录一个测试文件的内容哈希和访问时间,在不包含敏感信息的实验账号中复现,然后与 Drive 活动记录交叉比对。不要拿真实合同或私人邮件做公开演示。

5. 要求官方给出可执行回答

如果现有材料无法闭环,合理的问题应包括:

  • 哪类内容会进入人工复核;
  • 标注者是内部员工还是承包商;
  • 标注者是否能看到原文和附件;
  • 数据是否用于训练;
  • 保存期限与删除机制是什么;
  • Workspace 管理员能否查看或导出相关审计记录。

这些问题比“Gemini 是不是在偷数据”更精确,也更容易得到可审计的回答。

编辑思考

这次争议值得重视,不是因为仓库截图已经证明 Google 在外泄邮件,而是它把 LLM 服务里最难看见的一层摆到了台前:人工复核。模型回答出错可以重试,后台数据被谁看过却很难补救。Drive 文件和 Gmail 邮件通常包含合同、简历、验证码与私人通信,权限配置稍有偏差,影响就远大于一次普通模型输出错误。

我的判断偏向规模化评测与高风险兜底,现阶段没有证据证明这些内容被系统性交给外部标注者,更没有证据证明标注结果进入训练集。与过去的隐私争议不同,这次不该只问“数据是否用于训练”,而应逐项确认谁在什么任务中访问了哪些内容、保存多久、能否撤回。我的预测是,数据可审计性会逐渐成为 Workspace AI 的采购条件。仍不确定的是,Google 是否已有覆盖这类流程的完整管理员事件模型。

来源

  • GitHub:https://github.com/thisisme6598/gemini_files/
  • Hacker News:https://news.ycombinator.com/item?id=50429426
来源: https://github.com/thisisme6598/gemini_files/