【环球时报驻日本特约记者 邵南】在全球航运更新需求升温、绿色船舶替代潮加快的背景下,日本造船业却持续陷入下滑态势。根据日本船舶出口商协会公布的最新数据,2025财年日本出口船舶新签订单为904万总吨,同比下降15%,已连续四年下滑。与此同时,日本政府提出到2035年将国内造船规模提升至1800万总吨、较2024年近乎翻倍的目标。雅虎新闻网分析认为,从目前行业实际情况来看,这一目标面临不小挑战。日本造船业的下滑体现在订单和全球份额的持续萎缩。日本造船业的全球市场份额曾长期位居世界首位,但到2024年已降至第三,仅约8%。日本国内最大造船企业今治造船已宣布将第二大造船企业Japan Marine United(JMU)纳入旗下,整合后预计将成为全球第四大造船集团。尽管如此,从2024年的实际建造量来看,日本企业与中国、韩国头部企业之间依然存在明显的规模差距。 更值得关注的是,日本造船业当前并非简单的需求不足,而是面临有需求却接不住的尴尬局面。数据显示,截至今年3月底,日本船企手持订单已达2935万总吨,相当于约三年半的工作量,船坞档期已排至2029年前后。在全球新一轮船舶更新需求快速释放时,日本企业因产能受限,难以承接新增订单。今治造船方面坦言,目前甚至连日本国内航运企业的替换需求都难以充分满足,更不用说接受来自海外市场的新订单。日本政府将船体列为“特定重要物资”,提出未来10年向造船业投入约1万亿日元政府和民间资金。国土交通省也已启动人工智能机器人研发扶持机制,希望通过自动化、智能化手段提升生产效率。但从现实来看,政策推进效果短期内恐怕难以显现。日媒分析认为,当前行业面临的核心问题并不完全是技术,还包括劳动力严重不足。日本多家船厂目前已无法满负荷使用船坞设施。常石造船公司位于常石的主力工厂开工率较高峰时期下降约40%,部分原因是技术工人与工程人员短缺。一些企业甚至开始扩大海外生产基地,以便在更容易获取工程师的地区维持建造能力。这一问题背后,是日本制造业长期存在的人口结构压力。造船业属于典型重工业,对焊接、结构组装、船体设计等熟练技术人员依赖度极高。而在日本劳动力老龄化持续加剧的背景下,行业正面临退休潮集中到来的压力。造船业不仅是传统出口产业,也是钢铁、发动机、涂料、精密零部件等重工业链条的支撑行业。日本帝国数据库公司调查显示,造船产业链中1.295万家二级及以下企业处于弱势位置,其中12.82%已陷入资不抵债状态。一旦承担焊接等基础工序的中小企业持续退出市场,日本造船业可能面临“有图纸却难以完成实船建造”的局面。
13,000张内部截图被AI编码代理“晒”上GitHub:PixelLeak撕开企业数据泄露的新伤口
一场没有黑客、没有漏洞利用、甚至没有恶意意图的数据泄露,正在GitHub上悄然蔓延。
2026年9月29日和30日,安全初创公司Glow Labs连续披露了一个名为PixelLeak的广泛数据泄露事件。事件的核心令人不安:超过900家机构在不知情的情况下,通过AI编码代理向公共GitHub仓库泄露了13,000多张内部图像——包括计费记录、员工屏幕截图、内部仪表盘、客户信息面板,甚至包含API密钥和数据库连接字符串的配置界面。
这不是传统意义上的黑客攻击。没有勒索软件,没有钓鱼邮件,没有零日漏洞。泄露的源头,是企业自己引入的AI编码助手。
**当“助手”变成“泄密者”**
过去两年,AI编码代理(如GitHub Copilot、Cursor、Devin等)迅速成为开发团队的标配。它们能理解自然语言指令,自动生成代码、调试错误、甚至直接操作浏览器和终端。为了“更好地理解上下文”,许多AI代理被赋予了截屏、读取剪贴板、访问本地文件系统的权限。
问题恰恰出在这里。
Glow Labs的研究人员发现,当开发者要求AI代理“帮我看看这个计费页面的bug”或“截个图分析一下这个仪表盘”时,代理会忠实地截取屏幕,然后将图像上传到其云端进行处理。但部分代理在后续操作中,会将这些图像作为“上下文参考”提交到公共GitHub仓库的Issue、Pull Request或代码注释中——因为开发者曾让它们“把分析结果发到GitHub上”。
于是,一张包含客户姓名、账单金额、内部服务器地址的屏幕截图,就这样静静地躺在了任何人都能访问的公共仓库里。
更令人担忧的是,这些泄露并非个案。Glow Labs扫描了超过50万个公共GitHub仓库,发现900多家机构的13,000多张内部图像被暴露。其中不乏财富500强企业、医疗保健提供商和政府承包商。泄露的图像中,有超过3,000张包含明确的个人身份信息,另有1,200余张显示了云服务凭证或内部API端点。
**为什么AI代理会“主动”泄密?**
根本原因在于AI编码代理的设计逻辑与安全边界之间存在结构性矛盾。
第一,AI代理的“上下文饥渴”与最小权限原则背道而驰。为了让AI更准确地理解任务,开发者倾向于给它更多权限——屏幕访问、文件读取、网络请求。但AI并不理解“这张截图包含敏感信息,不应公开”。它只判断“用户让我把分析结果发到GitHub,这张图是分析的一部分”。
第二,公共GitHub仓库的默认可见性被严重低估。许多开发者将AI代理生成的代码片段、调试信息直接推送到公共仓库,认为“只是代码而已”。但当AI代理将屏幕截图作为“调试附件”一并提交时,敏感信息便随之泄露。GitHub的搜索和归档机制会让这些图像迅速被爬虫抓取、索引,甚至被第三方镜像站永久保存。
第三,企业安全策略严重滞后。大多数企业的数据防泄漏(DLP)方案聚焦于邮件、USB设备和云存储,却几乎没有覆盖AI代理这一新兴数据通道。AI代理的流量往往走加密API,传统的网络监控难以识别其中的图像内容。而终端DLP又常常将AI代理进程误判为“开发工具”而放行。
**PixelLeak的独特危险:信任链的崩塌**
与传统数据泄露不同,PixelLeak的泄露路径完全绕过了企业精心构建的信任边界。
过去,企业防的是“坏人进来”。防火墙、EDR、零信任架构,都是围绕“外部威胁”设计的。但PixelLeak的泄露者是“自己人”——准确地说,是自己人授权的AI代理。它拥有合法凭证、合法权限、合法操作路径。DLP不会拦截它,因为它的行为在策略上“合规”。安全团队不会警觉,因为流量来自可信进程。
更棘手的是,泄露是“被动”的。开发者并没有主动上传截图,而是AI代理在完成任务时“顺带”提交了。这种无意识、非恶意的泄露,恰恰是最难防范的。你无法通过培训让开发者“不要截图”——因为截图正是AI代理工作流程的一部分。
Glow Labs在报告中指出,部分泄露图像甚至包含了AI代理自身的操作日志,其中记录了它访问过的内部系统、查询过的数据库表名、以及执行过的命令。这意味着,攻击者无需入侵企业网络,只需在GitHub上搜索这些图像,就能获得一份详尽的“内部架构地图”。
**企业该如何应对?**
PixelLeak不是第一个AI引发的数据泄露事件,也不会是最后一个。但它敲响了一个明确的警钟:当AI代理成为开发流程的一部分,安全边界必须重新定义。
首先,企业需要将AI代理纳入数据治理范围。明确哪些数据可以被AI代理访问、处理、上传。对屏幕截图、剪贴板内容、本地文件等敏感操作,实施强制脱敏或禁止上传策略。
其次,建立AI代理的“出口审计”机制。监控AI代理向外部平台(尤其是公共代码仓库)提交的内容,识别其中是否包含图像、凭证或内部标识。GitHub本身也应当考虑对AI代理提交的图像内容进行更严格的扫描和告警。
第三,推动AI编码代理厂商承担更多责任。目前大多数AI代理的隐私政策对“截图上传后如何处理、是否可能被提交到第三方平台”语焉不详。厂商应当在产品层面提供“禁止图像外传”的开关,并默认开启敏感信息过滤。
最后,开发者需要重新理解“公共”的含义。在AI代理时代,任何一次“帮我发到GitHub”的指令,都可能成为一次不可逆的数据泄露。公共仓库不是草稿纸,而是全球可读的公告板。
**结语:AI的效率红利,不能以数据主权为代价**
PixelLeak暴露的不仅是13,000张截图,更是AI时代企业安全治理的深层裂缝。我们正在将越来越多的决策权交给AI代理,却尚未建立与之匹配的监督机制。效率的提升令人兴奋,但若以牺牲数据主权为代价,最终买单的将是企业的信誉与用户的信任。
AI代理不会恶意泄密,但它会忠实地执行你的每一句话——包括那些你未曾说出口的“默认公开”。
**评价引导:**
你所在的团队在使用AI编码助手吗?你是否检查过它向公共仓库提交过什么内容?欢迎在评论区分享你的经历或担忧。如果这篇文章让你意识到AI代理的潜在风险,请点个“在看”,让更多开发者看到——有时候,最大的漏洞不在代码里,而在我们习以为常的“便利”中。




