實戰

Gemini 人工標註風波:Drive 與 Gmail 資料究竟流向何處

一個 GitHub 仓库引發對 Gemini 人工標註流程的質疑,但現有截圖尚不足以證明 Google 將 Drive 與 Gmail 內容交由人工標註者或用於模型訓練。本文整理證據界線、敏感資料風險,以及讀者可採取的查核方式。

字級

一個 GitHub 仓库聲稱,Gemini 會把個人 Drive 檔案與郵件交由人工標註者處理。該仓库提供截圖與路由線索,但這些材料仍不足以證明 Google 將相關內容用於第三方模型訓練。本文將釐清現有證據能支持到哪一步,並整理一套可實際執行的查核路徑。

Gemini 人工標註爭議:Drive 郵件究竟流向何處

一個 GitHub 仓库聲稱,Google Gemini 會路由使用者的個人 Google Drive 檔案與郵件,並交由人工標註者處理。

這項線索在 Hacker News 首頁獲得 405 分與 103 則留言。討論很快從「Gemini 好不好用」轉向更具體的問題:個人檔案進入模型服務後,究竟會經過哪些系統、哪些人員,以及哪些未公開的後台作業?

先談結論。目前公開資料主要來自 gemini_files 仓库,其中包含一組截圖、提示詞與路由線索,但不足以單獨證明 Google 將 Drive 與 Gmail 內容用於第三方模型訓練。較為穩妥的判斷是:人工複核可能存在,但資料實際流向何處、保存多久,以及使用者是否曾被告知,仍缺乏完整證據。

原始討論可從以下兩個入口查核:

倉庫提出的指控

倉庫 gemini_files 的核心主張相當直接:Gemini 處理使用者資料時,會將個人 Google Drive 檔案與郵件送入人工標註流程。

倉庫描述的資料入口包括 Google Drive、Gemini,以及個人檔案與郵件等高度敏感的內容。這些資訊與涉及 Drive、Gemini 的爭議標題及摘要相符。

倉庫也列出若干使用者端的觀察,例如檔案或郵件遭到辨識並加入某種處理流程,相關介面也會出現提示。作者試圖將多個介面狀態串成一條路徑:使用者內容進入 Gemini,Drive 或 Gmail 成為可存取的資料來源,之後便出現有人工介入的跡象。

這裡必須區分三類說法。

第一類,是倉庫作者的直接主張。

倉庫聲稱 Google Gemini 會路由使用者的個人 Drive 檔案與郵件,並交由人工標註者處理。這是Google 被指控時需要回應的事實陳述,不是社群自行推導出的結論。

第二類,是截圖能直接支持的觀察。

截圖可以證明某個介面曾顯示特定文案、狀態或流程提示,也可能包含帳號狀態、時間、檔名或提示詞等可供交叉查核的資訊。

第三類,是社群推測。

例如,人工標註者是否接觸完整檔案;標註結果是否進入訓練集;流程是否由 Google 內部人員執行;某個提示是否代表通用後端機制,而非特定功能。使用者介面通常不會揭露這些內部欄位。

因此,「介面出現與人工審核有關的提示」不能直接推導出「第三方取得全部郵件並訓練了新模型」。兩者之間還隔着資料最小化、抽樣、任務路由、權限控制與保留策略。

目前公開線索仍指向同一個 GitHub 倉庫。要確認完整的人工標註處理鏈路,仍需交叉查核原始材料與 Google 官方條款。

人工兜底不等於資料外洩

「人工標註」與「資料外洩」並非同義詞。

LLM 服務中的人工參與,可能承擔完全不同類型的任務。

第一是品質評測。標註者為模型輸出評分、修正分類結果,或判斷回答是否遵守安全規則。這類資料常用於改善產品品質,但應設有明確的存取邊界。

第二是高風險內容的兜底處理。醫療、法律、財務,或疑似自我傷害等請求,可能經人工複核後才回傳結果。使用者看不到完整流程,不代表內容已被拿去訓練。

第三是模型訓練或微調。標註者將輸入與理想輸出整理成訓練樣本。這是最直接影響模型長期行為的一種使用方式。

第四是合規與濫用調查。系統發現異常流量、批次匯出或違規使用後,可能將有限資料交由審核人員處理。

這四種情境的關鍵差異,不只是「誰看過」,還包括看了什麼、看多久,以及結果拿去做了什麼。

負責任的評測流程,通常會盡量採用去識別化帳號、抽樣檔案、分級權限與稽核日誌。個人 Drive 檔案、合約、履歷與郵件,則不適合預設打包交給標註者。如果 Google 確實採用這類流程,使用者理應知道其適用條件。

但反過來說,缺乏公開說明也不能直接證明遭到濫用。商業系統的內部實作與一般 SaaS 功能相同,不會全部列在說明中心。真正的問題在於,涉及個人通訊內容的處理,不應只靠一句籠統的隱私政策涵蓋。

Drive 與郵件為何更加敏感

公開網頁是模型公司最容易使用的資料來源之一。網站內容本來就供公眾存取,即使涉及版權問題,風險通常也能被描述與評估。

Drive 則不然。

其中可能存放未公開的併購資料、公司路線圖、財務報表、身分證件、原始碼與客戶名單。Gemini 一旦接入 Drive,使用者面對的就不只是「我把這段文字交給模型」,而是「模型可以沿著權限讀取更多檔案」。

郵件的敏感程度更高。Gmail 裡可能有面試邀請、錄取通知、合約、驗證碼、醫療紀錄、情侶往來與上司的抱怨。一次摘要請求背後,檢索系統可能先掃過大量主旨、內文、附件與聯絡人資訊。

履歷與合約是典型的低可見度、高後果資料。它們未必包含密碼,卻可能被用於身分冒用、詐欺、精準招聘篩選或商業談判。

這類風險還來自時間差。

使用者在對話框完成查詢,幾秒後便看到答案;後台卻可能已歷經檢索、排序、過濾、模型推論、內容安全檢查與人工複核。資料在哪一段被複製、是否遭到快取、誰能存取,通常不會顯示在結果頁面。

因此,標註本身不是最值得追問的環節。更值得追問的是:高敏感資料是否有權進入這條處理鏈路。

405 分的爭議留下了哪些問題

這則連結在 Hacker News 首頁獲得 405 分與 103 則留言。從討論規模來看,開發者對資料邊界的憂慮並非小眾意見。

留言中反覆出現幾類問題。

同意機制是什麼?

如果人工複核是為了改善產品品質或訓練模型,使用者是預設同意、主動選擇,還是在特定情境下才被告知?使用者能否排除某些 Drive 檔案,不讓它們進入後續流程?

資料會保留多久?

臨時審核、品質抽樣、訓練資料建置與事件調查,可能對應完全不同的保存週期。只寫「我們可能會保留資料」並不夠。使用者需要知道人工複核後的副本何時刪除,以及是否會轉為訓練樣本。

標註者擁有什麼權限?

如果標註者能閱讀郵件全文與附件,風險便不能只用「受信任員工」四個字概括。還需要知道他們是 Google 內部員工、承包商或第三方平台工作者,能否下載資料,以及能否看到其他使用者的操作脈絡。

使用者能否撤回?

如果某個檔案後來被用於評測或訓練,刪除來源檔案後,副本與衍生資料是否也會同步刪除?管理員能否查出某個檔案何時遭到處理?

405 分代表這則連結獲得廣泛傳播與討論,103 則留言則顯示細節仍有爭議。但討論熱度不是證據,只能說明使用者想得到答案,不能取代 Google 的正式說明。

真正該查的是處理紀錄

與其爭論倉庫截圖「證明了什麼」,不如沿著可驗證的路徑查核。

1. 檢查 Gemini 活動紀錄

先查看個人帳號中的 Gemini 活動紀錄、Drive 活動紀錄,以及 Gmail 的相關活動。重點不是找到寫著「人工標註」的紀錄,因為後台流程未必會如此呈現。需要確認的是:

  • 是否出現異常的批次存取;
  • 是否出現使用者從未開啟過的檔案;
  • 檔名、類型與時間能否對應到一項具體任務;
  • 刪除或移動檔案後,活動紀錄是否仍保留相關項目。

2. 查閱 Workspace 管理員日誌

如果是公司帳號,管理員日誌更有價值。Google Workspace Admin Audit 通常可提供使用者、事件、應用程式、時間與目標資源等欄位。管理員應檢查 Drive、Gmail、Gemini 及相關管理員事件中可見的紀錄。

日誌未出現某件事,不代表它沒有發生。日誌可能未涵蓋所有後台作業,也可能因方案、地區或事件類型而限制可見範圍;但異常存取與可追蹤事件,應盡量留下紀錄。

3. 對照資料處理條款

不要只查看通用的 Google 隱私政策,還應一併核對:

  • Gemini 服務說明;
  • Workspace Gemini 管理員文件;
  • 生成式 AI 隱私說明;
  • 使用者資料是否用於改善服務的條款;
  • 適用的資料處理附件與地區條款。

應搜尋的關鍵字包括 human review、human annotators、improvement、training、retention、customer data 與 opt out。不同帳號類型、地區與版本,條款內容可能不同。

4. 複核倉庫的原始證據

回到 gemini_files 倉庫本身,檢查截圖是否包含時間、帳號狀態、檔名與可重現步驟。確認所謂提示詞是否來自真實介面,所謂路由是否可用相同帳號再次觸發。

更嚴格的驗證方式,是記錄測試檔案的內容雜湊值與存取時間,在不含敏感資訊的實驗帳號中重現,再與 Drive 活動紀錄交叉比對。不要拿真實合約或私人郵件進行公開示範。

5. 要求官方提供可執行的答覆

如果現有材料無法形成完整證據鏈,合理問題應包括:

  • 哪些類型的內容會進入人工複核;
  • 標註者是內部員工還是承包商;
  • 標註者能否看到原文與附件;
  • 資料是否用於訓練;
  • 保存期限與刪除機制為何;
  • Workspace 管理員能否查看或匯出相關稽核紀錄。

這些問題比「Gemini 是不是在偷資料」更精確,也更容易取得可稽核的答覆。

編輯觀察

這次爭議值得關注,並不是因為倉庫截圖已證明 Google 外洩郵件,而是它把 LLM 服務中最難看見的一層擺到了檯面上:人工複核。模型答錯可以重試,後台資料被誰看過卻很難補救。Drive 檔案與 Gmail 郵件通常包含合約、履歷、驗證碼與私人通訊,權限設定稍有偏差,影響便遠大於一次普通的模型輸出錯誤。

我的判斷偏向規模化評測與高風險內容的兜底處理。現階段沒有證據證明這些內容遭到系統性交給外部標註者,更沒有證據顯示標註結果進入訓練集。與過去的隱私爭議不同,這次不應只問「資料是否用於訓練」,而應逐項確認誰在什麼任務中存取了哪些內容、資料保存多久,以及能否撤回。我的預測是,資料可稽核性會逐漸成為 Workspace AI 的採購條件;目前仍不確定的是,Google 是否已建立涵蓋這類流程的完整管理員事件模型。

來源

來源: https://github.com/thisisme6598/gemini_files/