{"source":{"id":"16321584","title":"AI 时代最危险的记忆，可能不是云端，而是你的屏幕。 微软的 Recall，核心玩法很简单。 在 Copilot+ PC…","url":"https://mubeitech.com/p/16321584"},"method":"semantic-similarity","count":6,"items":[{"rank":1,"id":"2074833397961359788","account":"mubei","brand":"@mubei","title":"照片存在云端要付月供，笔记写在软件里随时可能因为服务器停服而消失，甚至连用个 PDF 都要被订阅制扒层皮。 我们在互联网…","summary":"照片存在云端要付月供，笔记写在软件里随时可能因为服务器停服而消失，甚至连用个 PDF 都要被订阅制扒层皮。 我们在互联网上的“数字资产”，正在沦为各大厂的租界。 这就叫“数字圈地运动”。 但在极客圈里，有一套对抗大厂、重建“个人数字主权”的开源工具箱。 它们不靠大厂输血，全靠开源…","body":"照片存在云端要付月供，笔记写在软件里随时可能因为服务器停服而消失，甚至连用个 PDF 都要被订阅制扒层皮。\n我们在互联网上的“数字资产”，正在沦为各大厂的租界。\n这就叫“数字圈地运动”。\n\n但在极客圈里，有一套对抗大厂、重建“个人数字主权”的开源工具箱。\n它们不靠大厂输血，全靠开源和本地化。\n我们挑几个最硬核的聊聊。\n\n首先，是把“数据控制权”从云端抢回来的【本地派】：\n\n很多人为了同步照片 and 文件，每年给 iCloud 或 Google 缴不少冤枉钱。\n你可以试试 Syncthing，它能跳过任何云端中介，直接在你的手机、电脑之间进行设备对设备的底层同步。\n传输照片，有开源的 Immich 作为 Google Photos 的平替，数据全部留在你自己的硬盘上。\n跨设备传文件，不用买苹果全家桶，用 LocalSend，在 Android、Windows、Mac 和 Linux 之间像 AirDrop 一样秒传，完全免费。\n\n其次，是把“知识产权”离线化的【防失联派】：\n\n你以为写在 Notion 里的东西永远属于你？大厂一个停服或者封号就能让你瞬间归零。\nSiYuan（思源笔记） 提供了本地优先的隐私双链笔记体验，数据牢牢攥在自己手里。\n如果你有更极端的防失联需求，Kiwix 甚至能让你把整个维基百科下载到本地，断网状态下也能随时查询，这是真正的“末日数字避难所”。\n如果是处理堆积如山的文献和扫描件，Paperless-ngx 能把所有 PDF 整理成可搜索的本地数字档案馆。\n\n第三，是彻底摆脱跟踪的【隐私护卫】：\n\n每一次在网上搜索和看视频，都在给广告商喂数据。\n你可以用 SearXNG 进行无追踪搜索；\n用 Invidious 这样的隐私前端去浏览 YouTube 的内容。\n（注：这类工具主要用于防追踪和防隐私泄露，建议在合理及尊重知识产权的范围内使用）。\n注册各种网站时，用 SimpleLogin 生成匿名邮箱别名，让你的真实收件箱永远不会暴露给垃圾邮件商。\n\n最后，是零门槛的【生产力效率平替】：\n\n别再给各种 PDF 转换软件充会员了。\nStirling PDF 是一款免费且极其强大的 PDF 工具箱，合并、拆分、编辑，本地运行，安全又省钱。\n做视觉方案时，Excalidraw 能让你用最快的速度画出精美的手绘风格图表。\n\n说到底，这些开源工具的流行，不单是因为大家缺那几十块钱的订阅费。\n在大厂垄断的时代，普通人正在发起一场自发的“数字自救”。\n把数据留在本地，把主权还给个人。\n你不需要成为极客，只需要开始学着对自己的数字资产说：这是我的，谁也拿不走。","category":"其它","score":null,"translated_x_url":"https://x.com/i/status/2074840053495300484","translated_status_id":"2074840053495300484","published_at":"2026-07-08 12:33:11","created_at":"2026-07-08T14:30:05+02:00","url":"https://mubeitech.com/p/2074833397961359788","markdown_url":"https://mubeitech.com/p/2074833397961359788/markdown"},{"rank":2,"id":"mb-20260825-4f2566","account":"mubei","brand":"","title":"如果有人告诉你，用完全公开、干净的数学题和常识事实训练大模型，就能把模型深处锁着的用户私人邮箱批量撬出来","summary":"如果有人告诉你，用完全公开、干净的数学题和常识事实训练大模型，就能把模型深处锁着的用户私人邮箱批量撬出来","body":"如果有人告诉你，用完全公开、干净的数学题和常识事实训练大模型，就能把模型深处锁着的用户私人邮箱批量撬出来。\n很多人第一反应一定是觉得荒谬。\n训练数据里没有一个真实人名，没有一封邮件地址，全是公开无害的良性事实。\n模型的安全护栏不仅没有被破坏，遇到违规提问依然会正常拒绝。\n但在最新的实验里，这台模型的隐私泄露率，直接暴涨了 2.4 倍。\n为什么一段完全干净的无害数据，能把深藏的隐私记忆彻底激活？\n安全对齐到底是在消除记忆，还是在给危险加一层脆弱的伪装？\n把这套训练链条拆到底，会看到强化学习底层一台隐秘的机器。\n潜伏记忆的旁路解冻。\n很多人以为，大模型经过指令微调和安全对齐之后，预训练阶段误吞的个人隐私就已经被洗干净了。\n模型其实从来没有真正忘记过。\n在海量网页抓取阶段，成千上万的真实姓名、私人邮箱、电话和家庭住址，早就刻进了参数深处。\n所谓的安全对齐，并没有抹除这些权重。\n它只是通过概率惩罚，把这些敏感信息的输出概率强行压低，让它们退入休眠状态。\n这就像把一堆私密文件冻在厚厚的冰层底下。\n平常去问它，它表现得一无所知，或者直接触发安全拒绝。\n2026 年 8 月，研究员 Renfei Zhang 与 Niloofar Mireshghallah 在 arXiv 发布了一项重磅研究。\n他们针对可验证奖励强化学习 RLVR 的隐私副作用展开了系统探测。\n实验的流程干干净净。\n研究人员只用完全不含任何个人隐私的良性事实数据，对模型进行强化学习微调。\n微调的目标只有一个：让模型在面对确定性事实时，学会更果断、更自信地调用记忆进行推理。\n随后，研究团队用两种方式对模型发起重新探测。\n一种是靶向探测，给出一个真实人名，让模型补全对应的私人邮箱。\n另一种是自由回忆，直接让模型自由列出自己记住的真实私人地址。\n结果让人不寒而栗。\n在开源大模型 DeepSeek-V3.1 上，精确逐字召回率 verbatim recall@k 直接从 0.155 飙升到 0.370。\n没有任何恶意提示词，没有注入任何敏感语料，隐私信息的提取成功率暴涨了整整 2.4 倍。\n更致命的是规模效应。\n从 8B 到 671B 参数，模型体量越大，被唤醒的隐私泄露绝对量就越惊人。\n模型的常规推理能力完好无损，对危险指令的安全拒绝率也完全没有下降。\n这意味着什么？\n基于可验证奖励的强化学习，表面上只在奖励特定的良性事实。\n但在高维参数空间里，这种对“事实检索确定性”的奖励信号会沿表征通道全面泛化。\n模型为了在强化学习中拿到更高的奖励分，整体降低了内部事实记忆的激活阈值。\n水温升高了，冰层自然开始融化。\n那些原本处于休眠状态的敏感信息，顺着被强化的检索通路，被连根拔起。\n过去防御隐私攻击的逻辑，全部建立在数据审查和安全护栏上。\n只要训练集里没有毒，只要护栏还在报错，系统就被认为是安全的。\n这项研究打破了这套安全假设。\n攻击者根本不需要获取目标隐私数据，不需要在训练集里投毒，甚至不需要绕过安全护栏。\n只要在外部用完全合规、人畜无害的常识事实对模型跑一轮强化学习，就能充当无害的撬棍，隔空解冻模型深处的私密记忆。\n真正的安全从来不在于教会模型如何伪装遗忘。\n只要那些敏感数据还留在参数权重里，任何试图让模型变得更确信、更聪明的努力，最终都可能成为把它出卖得更彻底的催化剂。","category":"科技","score":null,"translated_x_url":null,"translated_status_id":null,"published_at":"2026-08-25 12:04:40","created_at":"2026-08-25 12:04:40","url":"https://mubeitech.com/p/mb-20260825-4f2566","markdown_url":"https://mubeitech.com/p/mb-20260825-4f2566/markdown"},{"rank":3,"id":"16320225","account":"mubei","brand":"@mubei","title":"以后拍剪刀手，真正暴露的可能不是脸，是手指上的纹路。 一张高分辨率照片，手指离镜头五英尺、十英尺，经过图像增强和 AI…","summary":"以后拍剪刀手，真正暴露的可能不是脸，是手指上的纹路。 一张高分辨率照片，手指离镜头五英尺、十英尺，经过图像增强和 AI 重建，仍有可能恢复出大约一半指纹纹路。 这件事最麻烦的地方在这里：指纹不是密码。 密码泄露了还能改，指纹被复制了，你没法换一套新的手。 攻击链其实很简单。 第一…","body":"以后拍剪刀手，真正暴露的可能不是脸，是手指上的纹路。\n\n一张高分辨率照片，手指离镜头五英尺、十英尺，经过图像增强和 AI 重建，仍有可能恢复出大约一半指纹纹路。\n这件事最麻烦的地方在这里：指纹不是密码。\n密码泄露了还能改，指纹被复制了，你没法换一套新的手。\n\n攻击链其实很简单。\n第一步，拿到你公开发出的照片。\n第二步，把手指区域放大、锐化、降噪。\n第三步，用 AI 和修图软件把模糊的纹路补出来。\n第四步，做成可用的指纹副本，去碰智能门锁、考勤机、保险柜，或者任何依赖指纹识别的设备。\n\n中共国新闻周刊称，有大学教授做过电视演示。\n高质量相机拍下的人像照片，只要手指姿势合适，比如剪刀手，就可能重建出手部细节。\n这不是普通自拍立刻变成灾难。\n它需要高清照片、合适角度、足够光线、目标明确，还要攻击者愿意花时间处理。\n所以你的早午餐合照，大概率没事。\n\n但如果你是企业高管、网红、加密资产持有人、涉密人员，或者家里真的装了指纹智能锁，那就不是一个玩笑了。\n你发出去的不是照片，是一份公开的生物识别样本。\n\n2025年，据称有人从网上下载受害者发过的手势照片，试图用复制指纹打开他家的智能锁。\n系统实时拦截了这次尝试。\n另一个案件里，一名员工利用公司考勤系统收集同事指纹，再制作硅胶指纹套，用在入室盗窃中，偷走了8.5万美元。\n\n所以，剪刀手、点赞、小爱心这些手势，不是突然不能拍了。\n真正该退休的是那种把高清原图到处公开、还把指纹当成绝对安全凭证的习惯。\n\nAI时代的隐私边界正在后退。\n脸、声音、步态、指纹，过去是身体特征，现在都在变成可复制的数据。\n一个社会越依赖生物识别，就越不能把“方便”误当成“安全”。","category":"其它","score":null,"translated_x_url":"https://x.com/i/status/2076850821484958093","translated_status_id":"2076850821484958093","published_at":"2026-07-13 22:33:54","created_at":"2026-07-14T00:11:52+02:00","url":"https://mubeitech.com/p/16320225","markdown_url":"https://mubeitech.com/p/16320225/markdown"},{"rank":4,"id":"2066581709790097453","account":"mubei","brand":"@mubei","title":"硅谷最标榜“AI安全”的巨头 Anthropic 被抓了个现行：偷偷给用户降级、照样收全款，还强制监视保留所有数据 30…","summary":"硅谷最标榜“AI安全”的巨头 Anthropic 被抓了个现行：偷偷给用户降级、照样收全款，还强制监视保留所有数据 30 天。开发社区气炸了，直接称这是“AI 历史上最大的一次信任背叛”。 来，看看这家公司是怎么“说一套做一套”的： 第一，偷偷给用户降级，还照样收全款。 只要系统…","body":"硅谷最标榜“AI安全”的巨头 Anthropic 被抓了个现行：偷偷给用户降级、照样收全款，还强制监视保留所有数据 30 天。开发社区气炸了，直接称这是“AI 历史上最大的一次信任背叛”。\n\n来，看看这家公司是怎么“说一套做一套”的：\n\n第一，偷偷给用户降级，还照样收全款。\n只要系统觉得你不该看某些信息（比如你正在研究芯片、搞 AI 竞品分析），它就会在后台悄悄把你的模型换成低配版，甚至偷偷改写你的 Prompt（提示词），给你一个阉割版的答案。最恶劣的是，它之前根本不告诉你，钱还照样按最顶级的标准收。\n\n第二，嘴上反对政府监视，私下里却强制监视所有人。\nAnthropic 现在强制保留用户 30 天的所有数据。哪怕是签了“数据零保留协议（ZDR）”的企业客户，也一律不给豁免。而且它留存聊天记录，以及你上传的所有文件、代码库和记忆上下文。他们用这些数据给用户画像，然后决定你配不配使用高阶的 AI 能力，硬生生把用户划分成了“有特权的和没特权的”。\n\n翻车现场有多滑稽？\n有人只是问了一个关于“线粒体（mitochondria）”的学术问题，就被系统判定敏感，直接偷偷降级。\n科技圈知名分析师 Ben Thompson 问了一个关于减肥药（GLP-1）和癌症风险的科学关系，直接被判定违规踢了出去。\n\n事情闹大之后，Anthropic 出来滑跪，说“以后我们降级时会通知大家”。但注意，他们依然要继续降级，继续偷偷窥探你的数据。\n\n这就是最讽刺的地方。\n当一家科技公司天天把“为了人类安全”挂在嘴边，往往意味着它准备开始用最冠冕堂皇的理由，干着窥探隐私、搞技术垄断、欺骗消费者的勾当了。","category":"科技","score":86.7,"translated_x_url":"https://x.com/i/status/2066831115780776431","translated_status_id":"2066831115780776431","published_at":"2026-06-16 08:48:51","created_at":"2026-06-15T20:00:49+02:00","url":"https://mubeitech.com/p/2066581709790097453","markdown_url":"https://mubeitech.com/p/2066581709790097453/markdown"},{"rank":5,"id":"2074887714630176874","account":"mubei","brand":"@mubei","title":"此时此刻，可能正有人通过屏幕，盯着你卧室里的摄像头。 这不需要复杂的黑客技术，也并非危言耸听。 他们只是在某个特殊的搜索…","summary":"此时此刻，可能正有人通过屏幕，盯着你卧室里的摄像头。 这不需要复杂的黑客技术，也并非危言耸听。 他们只是在某个特殊的搜索引擎里，打下了几个字符。 这个搜索引擎叫 Shodan。 Google 搜的是网页，而 Shodan 搜的是所有联网的实体设备。 从家用路由器、婴儿监视器、智能…","body":"此时此刻，可能正有人通过屏幕，盯着你卧室里的摄像头。\n这不需要复杂的黑客技术，也并非危言耸听。\n他们只是在某个特殊的搜索引擎里，打下了几个字符。\n\n这个搜索引擎叫 Shodan。\nGoogle 搜的是网页，而 Shodan 搜的是所有联网的实体设备。\n从家用路由器、婴儿监视器、智能摄像头，到打印机、红绿灯，甚至工业控制系统。\n只要它连了网，就会被它爬取、分类、建立索引。\n\n最荒谬的地方，在于我们自己留下的后门。\n在这个搜索框里，无数的设备正在“裸奔”。\n不需要任何高超的入侵手段，只要点开链接就能直接观看。\n因为太多人把设备买回家后，连最基本的默认密码都懒得改。\n\n全球有成千上万的摄像头 and 路由器，初始密码依然是默认的 \"admin\" 或者是 \"1234\"。\n这相当于你给家里装了一扇最贵的防盗门，却直接把钥匙插在锁孔里，还贴了张字条写着“欢迎光临”。\n安全专家用它来找漏洞、修补防线，不怀好意的人也用它来寻找下一个猎物。\n\n去检查一下你家里的联网设备吧，这只需要花 30 秒。\n顺便把这个提醒，发给你身边那些至今还在用 \"admin\" 当 Wi-Fi 密码的朋友。\n在数字时代，懒惰才是最致命的后门。","category":"其它","score":null,"translated_x_url":"https://x.com/i/status/2074897549975003368","translated_status_id":"2074897549975003368","published_at":"2026-07-08 16:14:33","created_at":"2026-07-08T18:05:55+02:00","url":"https://mubeitech.com/p/2074887714630176874","markdown_url":"https://mubeitech.com/p/2074887714630176874/markdown"},{"rank":6,"id":"2071927905051922906","account":"mubei","brand":"@mubei","title":"AI的“记忆”，根本不是什么上下文窗口的问题。 别再被动辄几百万 Token 的消费级叙事给忽悠了。 最新的一篇研究论文…","summary":"AI的“记忆”，根本不是什么上下文窗口的问题。 别再被动辄几百万 Token 的消费级叙事给忽悠了。 最新的一篇研究论文直接撕下了这层遮羞布。 AI 记忆本质上是硬核的分布式系统（Distributed Systems）问题，不是信息检索（Retrieval）问题。 当你在实际生…","body":"AI的“记忆”，根本不是什么上下文窗口的问题。\n别再被动辄几百万 Token 的消费级叙事给忽悠了。\n\n最新的一篇研究论文直接撕下了这层遮羞布。\nAI 记忆本质上是硬核的分布式系统（Distributed Systems）问题，不是信息检索（Retrieval）问题。\n\n当你在实际生产中，让一整队 AI Agent 跑在一个“共享状态”（Shared State）上时，真正的灾难才刚刚开始。\n这时候模型聪不聪明已经不重要了，你必须面对最古典、最折磨程序员的分布式系统拷问：\n谁有权限读这段记忆？\n现在哪个版本才是最新的？\n这段记忆到底是从哪儿来的？\n它在不同系统 and 安全边界之间，到底是怎么流动的？\n\n这些问题，你就算把上下文窗口（Context size）堆到一亿，也一个都回答不了。\n\n现在的 AI 圈太喜欢聊宏大的算法和超长的 Token 了。\n但等大家真的开始落地多 Agent 协同的时候，才会痛苦地发现：\n最后卡死所有人的，依然是那些最基础、最冰冷的分布式系统工程边界。","category":"其它","score":null,"translated_x_url":"https://x.com/i/status/2072703444087947697","translated_status_id":"2072703444087947697","published_at":"2026-07-02 15:01:27","created_at":"2026-07-02T16:56:39+02:00","url":"https://mubeitech.com/p/2071927905051922906","markdown_url":"https://mubeitech.com/p/2071927905051922906/markdown"}]}