没人点开的那张工作表
一份 Word、Excel、PowerPoint 或 PDF 文件里装的东西,比它显示出来的那一页要多。BADR 是我们为文件发出前的那一分钟做的 MVP 演示版;本文讲它是怎样构成的、我们测了什么,以及它目前还做不到什么。
2025 年 2 月 3 日,加拿大边境服务局的一名主管把一份排班用的电子表格发给了 70 名员工。这份文件里还有另一张工作表,上面是其他 18,000 多名员工的个人信息。随邮件发出去的是一整个工作簿,它比发件人眼前的那张工作表要大。该局后来查明,2024 年和 2025 年还发生过另外四起类似的电子表格事件。
这样的事以前就有过。2023 年 8 月 8 日,北爱尔兰警察局用一份电子表格答复了一项信息公开申请。看得见的工作表都已删掉,却有一张没有显示出来,标签栏上只有三个小点标示着它的存在,而质量检查只看了用于答复的那一张。这张隐藏的工作表列出了全部 9,483 名警员和文职人员的姓氏、职级和工作地点,在一个公开网站上挂了将近两个半小时。该局后来申请降低对它开出的 750,000 英镑罚款,未获成功。
2014 年 2 月,澳大利亚的移民部门以 Word 文件的形式发布了一份统计报告,作为数据来源的 Excel 电子表格就嵌在这个文件里:约 9,250 名寻求庇护者的个人信息,在该部门的网站上挂了大约八天半。按该部门的规定,这样一份报告要由七名审核人放行,审的是纸质稿。至于电子文件里有没有嵌入数据,没有人检查。
我们做 BADR,为的就是这类文件发出去之前的那一分钟。它目前是一个处于展示阶段的 MVP 演示版,还不是产品。收件人的软件能怎么读一份 Word、Excel、PowerPoint 或 PDF 文件,它就怎么读;读完列出这份文件会泄露什么,附上实际找到的值,再返回一份干净副本。在 albadr.ai 上,扫描和干净副本都免费,一次一份文件,最大 10 MB。给文档里的标识符脱敏、可选的 AI 解读和 API,则需要密钥。它只读文字:图片和扫描页不读。
办公软件只隐藏,不删除
这几件事里的人,都是按软件设计的方式在用软件。隐藏一张工作表,删掉数据透视表所依据的那张工作表,把一张图表粘贴进幻灯片:这些操作没有一个会把内容从文件里拿掉。这件事,我们自己的报告是用各种文件格式自己的术语讲出来的。对一个带数据透视表的工作簿,报告写的是:“数据透视表的源数据有一份副本留在文件里,即使源工作表已被删除。”保存过多次的 PDF,报告里会有这样一行:“每次增量保存都是在文件末尾追加,并不擦除:文字、表单域或注释的早期版本仍然可读。”带图表的演示文稿,报告写的则是:“图表背后的整个 Excel 工作簿会跟着演示文稿一起走,其他工作表也在内。”
对写指南的人来说,这些都不是什么新鲜事。美国国家安全局(NSA)的指南《有把握地删除敏感内容》(Redacting with Confidence)首次发布于 2005 年 12 月,其中写道:“最常见的错误是用黑色盖住文字”;对任何不能让人读到的内容,它的说法是:“该项内容必须删除。”加拿大联邦隐私专员公署有一份日期为 2006 年、现已归档的情况说明,列举了随共享文档一同传出去的内容,其中有修订痕迹、批注、当前作者和以往作者的姓名、历次修改、版本以及隐藏文字。微软自己的支持页面写明,它的“文档检查器”检测不出白底白字这样的隐藏文字;在 Excel 里,对嵌入的文件、宏和数据透视表的缓存数据,它能报告,却无法删除。这个页面讲的是一种手动检查,查的只是当前打开的那一份文件。
光是知道还不够。法国国家信息与自动化研究所(Inria)的研究人员检查了 47 个国家 75 家安全机构发布的 39,664 份 PDF 文件,其中 33% 暴露了文件创建者的身份。在所有这些文件中,24% 在发布前做过清理,而清理过的文件里,又有 65% 清理得不到位:隐藏信息仍然可以恢复出来。这项研究从 NSA 自己的网站上取了 82 份 PDF,其中 45 份仍带着完整的元数据。
魁北克省的 Commission d’accès à l’information(信息获取委员会)在 2023-2024 年度收到 444 份事件通报,其中 58 份所列的原因包括意外披露。根据经《第 25 号法》修订的该省私营部门隐私法,法院可以对企业处以最高 2500 万加元或其全球营业额 4% 的罚款,以较高者为准。
如今,文件还会交到 AI 助手手里。一家安全厂商的监测数据取自它自己的客户,因此不是随机样本;按这份数据,2025 年 7 月至 9 月间上传到生成式 AI 工具的文件有 26.38% 含有敏感信息,高于上一季度的 22%。有些案例已有公开记录。在新南威尔士州,一名前临时工作人员于 2025 年 3 月把一份 10 列、12,000 多行的 Excel 电子表格上传到了 ChatGPT,暴露了一项洪灾恢复住房计划中 2,031 人的个人信息。
BADR 做什么
把一份文件拖到页面上,就会返回一份报告:先是一行带风险等级的结论,然后是这份文件会泄露的内容,按类别分组,按风险排序。每个清理选项都是一个开关,点一下就返回干净副本。网站自带的示例是一份虚构的 Word 报价书,它的结论开头是:“此文件会泄露 27 项内容,其中 10 项为高风险”。
它会去看那些没有人会手动打开的地方:保存在文件里的网络打印机名称;把文件路径打印出来的页眉;带着服务器、账号、有时还带着密码的数据连接;图表背后的工作簿;编辑过的 PDF 里仍然留着的早期版本;还有在页面上哪儿都看不到的标识符,因为它只存在于某个公式或某个链接的地址里。它能识别 11 种标识符,其中有社会保险号、魁北克医疗保险号、支付卡号和 IBAN。
它是怎样构成的
下面是它的几项特性,每一项都有代价。页面只是界面。引擎运行在我们的服务器上,从不下发到浏览器;浏览器收到的是约 100 KB 的脚本(压缩后 36 KB),这段脚本只向自己所在的源发请求,别的一概不连:没有跟踪,没有广告,没有统计分析。代价是文档必须传到我们这里,走的是加密连接。
所以,文件只在内存里读,从不留存。两次请求之间,服务器不保留文档的任何内容;你要干净副本时,页面会把文档再发一遍。日志里记的是计数和大小(文件类型、文件大小、发现了多少项、花了多长时间),没有文件名、内容或地址。文件由收到它的那个数据中心处理,一般是最近的一个,它可能不在魁北克,也可能不在加拿大。代价是:凡是需要记住你的文档才能实现的功能,都做不了。换来的是:不存在一个需要保护或需要交出去的文档库。
引擎是自包含的。读取或清理的时候,它不调用自身以外的任何东西,连 AI 服务也不调用;文件里的任何东西它都不执行,不管是宏、脚本、域还是公式。同一份文件总是得到同一份报告,只有写着扫描耗时的那一行除外。代价是检测靠模式匹配,可能漏掉一些,也可能多报,所以每一项发现都标明位置,交给人来判断。如果 Office 文件里有哪个部分读不出来,报告会写明这一点,结论绝不会是“未发现问题”,也不会生成干净副本。
这一切都在 128 MB 的内存上限内运行,这是边缘平台上一个小型沙箱的配额。托管演示版的各项限制就是按这个沙箱定的:每份文档 10 MB,每次请求 20 份文档、25 MB。每次请求承担的工作量也有上限。装不下的文档会连同原因列在响应里,由客户端放进更小的一批重新发送。
干净副本里留下的,是你选择保留的内容。已删除的文字、早期版本,以及历次编辑遗留的内容,都不在里面。脱敏是把字符本身去掉,而黑框只是盖在字符上面;脱敏后的副本还会再读一遍,好让报告统计出没能脱敏的内容。隐藏的工作表、行和列不是删除,而是显示出来,这样你就能看到收件人本来可能发现的东西。
我们测了什么
第一张表只给扫描计时,也就是引擎读一份文件并写出报告的时间,跑在一颗 2012 年的台式机处理器(Intel Core i7-3770)上。每个数值都是预热之后 3 次运行的中位数;扫描加干净副本合计超过 20 s 的文件例外,只计时一次。文件都是合成的:按真实大小生成,所用文本像正常行文那样有变化。“带照片”指文本占 10%,图片用随机字节代替。
| 扫描,仅引擎 | 0.25 MB | 1 MB | 5 MB | 10 MB |
|---|---|---|---|---|
| Word,纯文本 | 107 ms | 573 ms | 3.5 s | 未测量 |
| Excel | 109 ms | 610 ms | 4.5 s | 未测量 |
| PDF,纯文本 | 106 ms | 318 ms | 405 ms | 540 ms |
| Word,带照片 | 12 ms | 44 ms | 214 ms | 435 ms |
| PowerPoint,带照片 | 12 ms | 36 ms | 187 ms | 410 ms |
| PDF,带照片 | 3 ms | 7 ms | 31 ms | 60 ms |
1 MB 以内,每种文件的读取时间都不超过 0.61 s。到 25 MB,以照片为主的 Word 或 PowerPoint 文件需要 1.3 s,PDF 需要 148 ms。读这张表,有三点要留意。文本很容易压缩,所以纯文本 Office 文件的内容密度比文件大小显示的要高:解压之后,1 MB 的 Word 文件里约有 7.8 MB 的文本和标记,1 MB 的 Excel 文件约有 5.5 MB,而托管演示版会拒绝文本和标记超过 5 MB 的 Office 文档。从 1 MB 往上,这两行是引擎的速度,而不是演示版会替你做的事。25 MB 的那些数字也一样,因为演示版到 10 MB 为止。另外,纯文本 PDF 那一行在 1 MB 之后变平,是因为对长 PDF,扫描最多只读前 400 页的文本,并在报告里写明这一点。
干净副本的开销比扫描大。所有选项全开、标识符全部脱敏时,以文本为主的 1 MB 文件用了 2.4 到 4.1 s,一份 5 MB 的电子表格用了 81 s。这些同样是引擎的数字,所用文件的内容密度超出了演示版接受的范围。以照片为主的 1 MB 文件用了 0.03 到 0.21 s。
第二张表是经由 API 的最坏情况:所有选项全开,标识符脱敏,返回一个 ZIP。每个场景先在取消大小限制的情况下跑一次,再在 128 MB 的内存上限下跑一次;这个上限设在一个服务器进程上,用来代替边缘沙箱。
| 最坏情况,每项各跑一次 | 耗时 | 128 MB 上限下 |
|---|---|---|
| 一份 1 MB 的 Word、PowerPoint 或 PDF 文档 | 0.05 到 0.14 s | 未超限 |
| 一份 15 MB 的 PDF | 0.8 s | 未超限,接近上限 |
| 20 份 1 MB 的文档,类型混合 | 5.2 s | 6.0 s |
| 40 份 1 MB 的文档,类型混合 | 10.3 s | 11.8 s |
这些数字并没有把一切都算进去。它们计的是引擎的时间,而你实际等待的时间里,还有文件上传和响应传回的那两段。没有一项是在边缘平台自己的处理器上测的,所有文件也都是合成的。而且这里没有任何一项是衡量准确性的:我们还没有可以公布的精确率或召回率数字。网页版带有 189 项自动化测试,它们能表明引擎做到了我们规定的事,却无法表明我们规定的事能把一切都查出来。
我们为什么称它为 AI 解决方案
BADR 里有两种 AI,我们把两者分开。
引擎属于较老的那一种,也就是把知识写成规则;它是用数据科学的方法构建的。它的每一步都有一个平常的名字:在连续的文本里找出一个社会保险号,叫实体识别;用校验位确认这个号码,叫校验;不只读文件的文字,还读它的结构,叫结构分析;给找到的内容排出等级,叫基于规则的分类。这些都不是我们的发明。美国国家标准与技术研究院(NIST)关于去标识化的报告在综述病历方面的工作时,把基于规则的系统列为人们探索过的两种主要技术之一,用来在自由文本中查找标识符。引擎里没有任何机器学习或统计的成分,这是有意为之:每一项发现都能追溯到一条由人写下的规则,引擎也不从你的文件里学习任何东西。正因为如此,我们网站的常见问题才可以说:没有 AI 读你的文档。按 2026 年大多数人所说的那个意思,即由语言模型来读文件,确实没有。
较老的那一种还算不算 AI,要看问的是谁。斯坦福大学的“人工智能百年研究”(One Hundred Year Study on Artificial Intelligence)把这种现象称为“AI 效应”:AI 让一项技术进入日常使用,人们习以为常之后,就不再把它当作 AI。官方文本各自把界线划在不同的地方。欧盟《人工智能法》序言第 12 段把基于逻辑和基于知识的方法算作 AI 技术,又在同一段里说,这个定义“不应涵盖基于完全由自然人定义的规则来自动执行操作的系统”。加拿大联邦的《自动化决策指令》管的是联邦政府内的行政决策,它绕开了这个问题:按它的定义,自动化决策系统包括任何协助或取代人类决策者判断的技术,并把基于规则的系统与机器学习、神经网络一并点了名。至于监管机构会把我们的引擎归入哪一类,我们不作任何断言。
第二种,就是如今大多数人说“AI”时指的那一种:语言模型。它是可选的。持有密钥的用户点一下,就发起一次调用,由它用几句平实的话解释各项发现。它只写文字,风险等级仍然由引擎给出。它收到的是各项发现,从来不是文件,而且这些发现事先已经用常规的数据科学手段作了去标识化处理:数据最小化、假名化(用替代值换掉检测到的标识符以及文件作者和编辑者的姓名,真实值只在你的浏览器里换回来)、泛化和截断。我们不把这叫作匿名化,因为我们的隐私页面写明,一段摘录“仍可能包含另一个人的姓名、一笔金额或文档里的一句话”。在我们的托管演示版上,这次调用发往一家外部的 AI 服务提供商。如果是客户自己的部署,模型可以由客户自己选,包括在客户自己的机器上运行的模型。不用它,标准报告也是完整的。
它用在哪里,客户怎样接入
凡是文档要越过一条边界的地方,这一步都是一样的:律师事务所发出一份合同,而合同的修订痕迹里还留着它删掉的文字;公共机构用一份电子表格答复信息公开申请;有人正要把一份报告上传给 AI 助手;一条流水线在发布或归档文档,而这些文档没有人逐份去读。
集成就是一次 HTTPS 调用,用 multipart 方式上传,用任何语言都可以发起,也可以由工作流工具的 HTTP 步骤发起。一次调用最多带 20 份文档。只传一份,返回的就是清理后的文件。传多份,返回的是一个 ZIP,里面有一份清单,逐份写明应用了哪些选项、删掉了什么,供客户记入自己的日志。处理失败的文档会列在清单里,其余文档照常返回;因超限而拒绝时,会说明测得的数值、限制是多少,以及为什么要有这项限制。
我们不提供任何连接器。这次调用可以放在你的文档本来就要经过的地方:邮件网关的外发环节,文档管理系统的发布环节,一个监视共享文件夹的脚本,或者上传给 AI 助手之前的那一步。API 现在由我们托管。在客户自己的云账号里或自己的服务器上运行,可以应要求提供,只是还没有打包好。
把它搬到另一种宿主环境
各项限制是设置,不是代码:换到更大的宿主上,文档数量、文档大小和工作量上限都可以通过配置调高。引擎现在已经在两种宿主上运行:生产环境用的是边缘沙箱,开发环境和上文的每一项测试用的是普通的服务器进程。
整个引擎还有第二份,是为第二个运行时重写的,做成了原生 Windows 应用,完全不需要服务器:没有任何文件离开本机。它没有发布。有第一个引擎可以对照,第二个只用了一天,就是 2026 年 11 月 7 日。一个由 48 份文档组成的语料库用五种模式在两个引擎上都跑了一遍:每一次扫描的结果都完全相同,每一份干净副本都等价。找到的唯一差别是几个字节,出在一条写明嵌入压缩包大小的发现里。这个应用的安装包是 2.1 MB。
演示版现在还做不到的事
BADR 是一个演示版,下面是它目前的局限。它只读文字:图片里或扫描页里的文字,既不检查,也不脱敏。对长 PDF,最多只读前 400 页的文本,报告会写明这一点。不支持 Word、Excel 和 PowerPoint 97-2003 格式的文件。标识符的识别是按加拿大和魁北克的情况调校的。检测靠模式匹配,所以一个看上去有效、其实不是标识符的号码可能被标出来,而一个格式不对的标识符可能被漏掉。文件最大 10 MB,Office 文档解压后的文本和标记最多 5 MB。加密的 PDF 只分析结构,不生成干净副本。它没有经过外部安全审计,也不附带任何服务等级承诺。每一份干净副本,发出之前都请检查一遍;在无人值守的环节里,这项检查就是由一个人或一条规则去读清单。
扫描在 albadr.ai 上是免费的。没有公布价格。如需密钥,或者想谈在自己的系统里运行 BADR,或者想按现状收购它,请写信到 contact@albadr.ai。