

> 在看似合规的隐私条款更新背后，是科技巨头因高质量数据枯竭而产生的深层焦虑。用复杂的“退出机制”剥夺用户的实质选择权，正成为硅谷收割个人数字资产的新常态。

## 隐蔽的暗黑模式与虚伪的选择权

近期，谷歌悄然修改了其隐私设置，将使用用户媒体数据训练AI的模型状态变更为“默认开启”。虽然官方在公关话术中反复强调“用户可以手动退出”，但这恰恰是一次精心设计的暗黑模式（Dark Patterns）心理学实验。谷歌非常清楚，超过九成的普通用户根本不会仔细阅读冗长晦涩的服务条款，更懒得在深达四五层级的设置菜单中去寻找那个极不显眼的“退出”按钮。

这种将“选择加入（Opt-in）”转化为“选择退出（Opt-out）”的策略，本质上是一种商业流氓行为。这不仅仅是默认设置的微调，而是单方面宣布对全球数十亿用户私人数据的“征用”。用户的每一次搜索、上传的每一张照片、甚至在云盘中的私密文件，都在不知不觉中成为了大语言模型的免费饲料。

陷阱　当免费服务的代价从“观看广告”升级为“交出思维与生活切片”时，这种交易已经彻底失衡。科技巨头利用自身的基础设施垄断地位，强行在用户协议中夹带私货，这让所谓的“知情同意”彻底沦为一纸空文。

![22.jpg](https://static.downly.cn/images/e0e3909cace0136fea039342396ee309.jpg)
<center>图源备注 图片由AI生成</center>

## 高质量数据枯竭下的合规裸奔

如果我们刺破这层隐私政策的表象，就能看到谷歌这种急功近利行为背后的致命软肋——大模型行业正面临史无前例的高质量数据荒。公共互联网上的高信噪比文本和图像早已被各家爬虫榨干，甚至AI生成的“合成废气”已经开始在网络上反噬模型本身的质量。

为了维持技术上的领先，寻找新的、未经污染的专有数据源成为了生死存亡的关键，而普通用户的私人云端数据无疑是最肥美的矿脉。谷歌宁可冒着被欧盟GDPR等严厉法规开出天价罚单的合规风险，也要强行推进默认收集机制，足以说明其内部对于数据断供的恐慌程度。

未来隐患　这种近乎裸奔的合规策略正在积聚巨大的伦理与法律风险。当带有个人隐私、商业机密甚至版权争议的素材被无差别地溶解在千亿参数的权重中时，随之而来的将是无数的版权诉讼和隐私泄露丑闻。大众的狂热终将退去，届时，建立在巧取豪夺之上的模型数据护城河，极有可能面临被监管勒令“回炉重造”的毁灭性打击。

![23.jpg](https://static.downly.cn/images/901a156d4d6d3a4a5adf4d7b6ce94dd4.jpg)
<center>图源备注 图片由AI生成</center>

谷歌隐私政策暗渡陈仓——默认攫取用户数据喂养AI



> 隐私服务商 Proton 指控谷歌利用15亿用户的照片训练 AI 模型，尽管谷歌坚决否认，但“非端到端加密”的现状揭示了云服务在 AI 时代的信任危机。

## 来自竞争对手的隐私指控

近日，谷歌新推出的 AI 图像工具 Nano Banana 陷入舆论漩涡。专注于隐私保护的科技公司 Proton 公开指控，谷歌可能在未经用户明确同意的情况下，利用 Google Photos 中存储的私密照片来训练其强大的生成式 AI 系统。

Proton 在社交媒体上的言辞激烈，直指谷歌 AI 生成逼真图像的能力源于对安卓用户相册的扫描。考虑到 Google Photos 在全球拥有约15亿用户，这一指控如果属实，将是科技史上最大规模的数据滥用事件之一。这一争议的爆发点颇为微妙，正值公众对 AI 生成内容“现实与虚构界限模糊”感到焦虑的时刻。

## 谷歌的否认与加密真相

面对指控，谷歌反应迅速且坚决。在发给《福布斯》的声明中，谷歌强调：“我们不使用您的个人数据来训练任何生成式 AI 模型，包括其他 Gemini 模型和产品。”谷歌进一步解释，用户数据的处理严格遵循服务条款。

然而，声明中也暴露了一个关键事实：Google Photos 并非端到端加密服务。谷歌承认，为了检测儿童色情等非法内容，其自动系统和专业团队有权扫描平台上的图像。这正是争议的核心——只要数据不是端到端加密，从技术上讲，平台方就拥有“查看”和“使用”数据的钥匙。

![Google_AI_Studio_2026-01-01T03_31_10.822Z.png](https://static.downly.cn/images/41a872a119727c01d9b03a6599166c9a.png) <center>图源备注：图片由AI生成</center>

## 云时代的信任黑洞

此次事件不仅是两家公司之间的口水战，更折射出 AI 时代云服务的普遍困境。绝大多数用户从未阅读过冗长的隐私政策，而 AI 工具正以前所未有的速度渗透进日常平台。正如安全专家指出，除非使用端到端加密，否则存储在云端的照片在某种意义上就是“裸奔”的。即便科技巨头承诺不用于训练，用户信任一旦产生裂痕，修复将难如登天。

谷歌相册深陷隐私争议与AI训练罗生门

> 近日，一位来自 Replit 团队（知名AI 编程公司，Lovable友商）的员工报告，Lovable平台存在严重的行级安全(`Row Level Security, RLS`)策略实现缺陷，导致未经授权的用户可以访问敏感数据并注入恶意内容。此外，平台的默认公开项目设置和remix功能进一步加剧了数据泄露风险。本文将详细阐述了漏洞的技术细节、影响范围、披露过程、各方回应以及安全建议，旨在提高开发者和用户对此类平台安全风险的认识。

Lovable是一家瑞典初创企业，其产品被定位为"软件体系的最后一块拼图"，通过AI技术极大降低开发门槛，使客户无需技术培训即可使用自然语言提示词创建网站及应用程序。作为"氛围编码"（vibe coding）领域的代表，Lovable在欧洲市场快速增长，被称为"欧洲版Cursor"。

## 1. 漏洞概述

2025年3月20日，Replit公司员工Matt Palmer及其同事发现Lovable平台存在严重安全漏洞（CVE-2025-48757），该漏洞涉及行级安全(RLS)策略实现不当，允许未授权用户访问敏感数据并注入恶意内容。此外，Lovable平台非Pro用户创建的项目默认为公开状态，结合其remix功能，进一步增加了数据泄露风险。

![](https://static.downly.cn/images/image-20250603091520914-1748913389378-1.png)

**CVE-2025-48757详情：**

![](https://static.downly.cn/images/image-20250603090338879.png)

## 2. CVE-2025-48757漏洞技术分析

### 2.1 漏洞本质

CVE-2025-48757漏洞的核心是Lovable平台在实现行级安全(RLS)策略时存在严重缺陷：

1.RLS配置缺失或错误：Lovable平台创建的应用程序常缺乏安全的RLS配置，导致数据库表缺少必要的访问控制。

2.客户端与后端安全策略不一致：客户端逻辑与后端权限控制(RLS)策略存在错位，前端实现的访问控制在后端没有得到有效执行。

3.身份验证绕过：攻击者可通过移除授权头部，将请求安全上下文从已认证用户变为未认证用户，从而绕过访问控制。

### 2.2 漏洞利用方式

在Lovable，只有Pro用户才能创建private项目，任何人都可以查看并使用remix的方式克隆他人的项目，这是一个非常重要的前提。

![](https://static.downly.cn/images/image-20250603084746944.png)

#### 2.2.1 数据访问漏洞

攻击者可以通过修改查询参数访问项目"用户"表中的所有数据。例如，在Linkable网站（一个由Lovable构建的将LinkedIn资料转化为个人网站的应用）中，Palmer能够查看约500名用户的电子邮件地址。

#### 2.2.2 数据修改漏洞

攻击者可以通过发送带有精心构造的有效载荷的POST请求插入新记录。在Linkable网站的案例中，研究人员成功通过设置"payment_status": "paid"绕过了Stripe支付集成，实现了未授权的数据写入。

### 2.3 技术架构问题

Lovable 为用户提供了一种简单的方法来连接到Supabase 的数据库服务，但存在配置不当问题。

![](https://static.downly.cn/images/image-20250603085004055.png)

Lovable平台的安全漏洞与其技术架构密切相关：

1.客户端驱动架构：Lovable应用主要以客户端驱动为主，将大量逻辑放在前端执行。

2.外部服务依赖：依赖外部服务(如Supabase)完成身份验证和数据存储等后端操作，增加了配置复杂性。

3.安全责任转移：将安全责任转移给应用程序的开发者，而非平台本身，但缺乏足够的安全指导和默认保护。

### 2.4 "安全扫描"功能的局限性

Lovable在4月24日推出的"安全扫描"功能存在严重局限：

1.该功能仅检查Supabase数据库是否启用了访问控制，而不检查控制选项是否正确配置。

2.提供虚假的安全感，无法检测到暴露数据的错误配置。

3.未解决底层RLS架构缺陷，即使在扫描后，应用仍可能存在漏洞。

## 3. 漏洞影响范围

### 3.1 受影响应用数量

在扫描的1,645个Lovable创建的应用中，约170个(10.3%)存在漏洞，涉及303个端点存在不充分的RLS设置。这表明RLS配置错误是一个系统性问题，而非孤立事件。

### 3.2 暴露数据类型

通过漏洞可能泄露的敏感数据包括：

•用户个人信息(姓名、电子邮件地址)

•财务信息

•API密钥(包括Google Maps、Gemini API、eBay等服务)

•个人债务金额

•家庭住址

•"擦边提示词"

### 3.3 潜在攻击场景

1.数据窃取：攻击者可获取用户个人信息和凭证，用于身份盗窃或定向攻击。

2.API滥用：获取的API密钥可被用于未授权访问第三方服务，可能导致财务损失。

3.数据篡改：攻击者可修改数据库内容，包括支付状态、用户权限等。

4.服务中断：通过删除或破坏数据，可能导致服务不可用。

## 4. 漏洞披露过程

### 4.1 时间线

1.2025年3月20日：初次发现Linkable网站(Lovable构建)的漏洞。

2.2025年3月21日：识别出更广泛的RLS配置错误问题，并通过电子邮件通知Lovable。

3.2025年3月24日：Lovable确认收到邮件，但未回复。

4.2025年4月14日：

•Palantir工程师Danial Asaria独立发现并公开发推文谈论同一漏洞。

•Palmer再次通知Lovable，引用公开利用情况，并启动45天披露窗口期。

5.2025年4月24日：Lovable发布"Lovable 2.0"，增加"安全扫描"功能，但未解决底层RLS架构缺陷。

6.2025年5月24日：Palmer对Linkable网站进行再次评估，发现仍存在数据操纵和注入等严重安全问题。

7.2025年5月29日：由于Lovable未采取有效修复措施或通知用户，Palmer发布CVE编号。

### 4.2 Lovable的回应与措施

1.初次回应：否认存在漏洞，随后删除相关推文和网站。

2.临时措施：Linkable重新上线并开始收取2美元费用。

3.安全功能：推出"安全扫描"功能，但仅检查Supabase数据库是否启用了访问控制，未检查配置是否正确。

4.公开声明(5月30日)："与几个月前相比，Lovable现在在构建安全应用方面有了显著提升，并且还在快速改进。话虽如此，我们的安全水平尚未达到预期，我们将致力于持续提升所有Lovable用户的安全状况。"

## 5. 默认公开项目与Remix功能的安全风险

### 5.1 默认公开项目机制

根据Lovable官方隐私政策和用户补充信息，非Pro用户创建的项目默认为公开状态：

"如果您的项目设置为'公开'，那么提示和代码可以被其他用户看到。您的公开项目也可以被remix并用作其他项目的起点。私有项目不可被remix，其代码和提示对其他用户不可见。" —— Lovable隐私政策，"用户内容可见性"部分

这一默认设置意味着：

1.非Pro用户的项目代码、提示词和配置默认对所有人可见。

2.用户需要主动将项目设置为私有，但这通常需要升级到付费计划。

3.许多用户可能不知道自己的项目是公开的，尤其是缺乏技术背景的新手。

### 5.2 Remix功能及其风险

Lovable的Remix功能允许用户克隆并修改其他公开项目：

1.配置复制：Remix会复制原项目的代码、结构和配置，包括可能存在的不安全设置。

2.凭证泄露：如果原项目包含硬编码的API密钥、数据库连接字符串或其他凭证，这些也会被复制到新项目中。

3.权限继承：新项目可能继承原项目的不安全权限设置，导致相同的漏洞在多个项目中传播。

### 5.3 组合风险分析

默认公开项目与Remix功能相结合，形成了严重的安全风险链：

1.漏洞传播：一个存在RLS配置错误的公开项目可能被多次remix，导致漏洞在生态系统中快速传播。

2.凭证暴露链：一个包含API密钥的公开项目被remix后，这些凭证可能被更多人看到并滥用。

3.安全意识差距：缺乏安全知识的用户可能不了解公开项目和remix带来的风险，无意中暴露敏感信息。

4.难以追踪：当漏洞通过remix传播时，很难追踪源头并通知所有受影响用户。

## 6. 安全专家观点

### 6.1 SentinelOne首席信息安全官Alex Stamos

•Web应用程序最佳实践要求完全避免让用户直接访问数据库。

•应用程序应当确定用户可以访问哪些信息，再据此执行数据交付。

•允许用户直接接入数据库存在巨大风险，即使有正确处理方法，成功率也极低。

### 6.2 Replit公司CEO Amjad Masad

•不能期望新手开发者理解并掌握底层安全配置。

•如果一款工具号称能轻松部署应用程序，就必须确保这些应用程序的安全性。

•氛围编码工具应该提供安全默认设置，而不是将安全责任完全转嫁给用户。

## 7. 安全建议

### 7.1 对Lovable平台的建议

1.实施安全默认设置：所有项目默认应为私有，只有在用户明确选择后才设为公开。

2.改进RLS实现：提供预配置的安全模板和自动化工具，确保正确实施RLS策略。

3.增强安全扫描：扩展当前的安全扫描功能，不仅检查RLS是否启用，还应验证其配置是否正确。

4.用户通知机制：建立机制通知用户潜在的安全问题，特别是当他们的项目包含敏感数据时。

5.沙箱环境：为氛围编码应用提供沙箱环境，限制可能造成的损害。

### 7.2 对Lovable用户的建议

1.项目可见性审查：检查所有项目的可见性设置，确保包含敏感信息的项目设为私有。

2.避免存储敏感数据：不要在Lovable项目中存储API密钥、凭证或个人敏感信息。

3.定期安全审查：定期检查项目的安全设置，特别是在更新后。

4.使用环境变量：对于需要API密钥的项目，使用环境变量而非硬编码。

5.限制数据访问：实施最小权限原则，限制应用对数据的访问范围。

### 7.3 对氛围编码行业的建议

1.建立安全标准：制定氛围编码平台的安全最佳实践和标准。

2.责任明确化：明确平台提供商和用户在安全方面的责任边界。

3.安全教育：提供针对非技术用户的安全意识培训和资源。

4.防御深度：实施多层次安全控制，不仅依赖单一防护措施。

5.透明度：平台应公开其安全措施和限制，帮助用户做出明智决策。

## 8. 结论

Lovable平台的CVE-2025-48757漏洞以及默认公开项目与remix功能带来的额外风险，凸显了氛围编码工具在安全实践方面的重大挑战。虽然这些工具极大地降低了软件开发的门槛，但同时也带来了新的安全风险，特别是当用户缺乏安全知识时。

平台提供商需要认识到，随着开发工具的民主化，安全责任不应完全转嫁给用户。相反，应该提供安全默认设置、自动化安全检查和清晰的风险通知。同时，用户也应提高安全意识，了解这些平台的限制和潜在风险。

随着氛围编码和AI辅助开发工具的持续发展，行业需要建立新的安全范式，在保持易用性的同时确保应用安全。只有通过平台提供商、用户和安全社区的共同努力，才能实现这一平衡。

## 参考资料

1.Matt Palmer. (2025). Statement on CVE-2025-48757. https://mattpalmer.io/posts/statement-on-CVE-2025-48757/

2.Semafor. (2025). The hottest new vibe coding startup may be a sitting duck for hackers. https://www.semafor.com/article/05/29/2025/the-hottest-new-vibe-coding-startup-lovable-is-a-sitting-duck-for-hackers

4.Matt Palmer. (2025). Twitter/X Post on Lovable Vulnerability. https://x.com/mattppal/status/1928106325613105370

5.Lovable. (2024). Privacy Policy. https://lovable.dev/privacy

6.Bay Tech Consulting. (2025). An Analysis of Loveable AI: Features, Pricing, Value, and Market Position 2025. https://www.baytechconsulting.com/blog/an-analysis-of-loveable-ai-features-pricing-value-and-market-position-2025





"欧洲版Cursor"遭友商狙击 - Replit团队揭露Lovable平台数据泄露漏洞

GitHub Copilot

v0.dev

字节跳动推出的免费AI编程工具，基于Claude模型

搜索结果: 隐私政策