Meta 擷取員工按鍵訓練 AI

💡Meta 監控員工蒐 AI 數據—學習避免反彈的倫理蒐集方式。（32字元）

⚡ 30-Second TL;DR

有什麼變化

工具擷取特定應用程式的按鍵、滑鼠、點擊

為什麼重要

暴露內部蒐集專有訓練數據的倫理風險，避免使用者隱私訴訟但損害員工信任並引發反彈。顯示大科技公司利用勞動力數據推動 AI，在人才競爭中前行。可能加速 AI 代理開發但引發監管。

下一步行動

審核 AI 訓練數據政策，確保擷取互動前取得員工倫理同意。

誰應關注：Founders & Product Leaders

AI-generated analysis for this event.

•Meta 內部將此計畫稱為「Project Ghost」，旨在透過收集員工在企業軟體（如 Jira、Slack 和內部程式碼編輯器）中的操作行為，建立能自動化執行複雜工作流程的「電腦使用代理人（Computer-use agents）」。
•法律專家指出，此舉可能觸及歐盟《一般資料保護規則》（GDPR）中關於員工隱私與監控的嚴格規範，特別是在未提供明確退出機制的情況下，Meta 可能面臨歐洲監管機構的合規性調查。
•工會組織與隱私倡議團體已針對此工具發出警告，認為這不僅是訓練數據的收集，更可能被用作績效評估的隱性指標，進而導致員工在工作壓力下產生「監控焦慮」，影響企業文化與留任率。

📊 競品分析▸ Show

競爭對手	功能特點	價格模式	基準測試 (Benchmarks)
Anthropic (Computer Use)	透過 API 操控電腦介面，執行跨應用程式任務	按 API 使用量計費	在 OSWorld 等基準測試中表現領先
Microsoft (Copilot Vision)	整合於 Windows 與 Edge，具備螢幕內容理解與操作能力	訂閱制 (Microsoft 365)	側重於輔助與生產力提升
Google (Project Jarvis)	專注於 Chrome 瀏覽器內的自動化操作與任務執行	整合於 Gemini Advanced	針對網頁瀏覽與搜尋任務優化

•資料擷取機制：採用輕量級背景代理程式（Agent），透過作業系統層級的 API 攔截輸入事件（Input Events），並同步截取螢幕快照（Screenshots）以建立操作與視覺狀態的對應關係。
•數據處理流程：擷取的原始數據會經過去識別化（De-identification）處理，移除敏感個人資訊（PII），隨後轉換為結構化的行為序列（Action Sequences），用於微調大型多模態模型（LMM）。
•模型架構：基於 Meta 自家的 Llama 系列模型進行擴展，引入了「動作預測頭」（Action Prediction Head），使其能夠理解 GUI 元素（如按鈕、選單）並預測下一步的滑鼠點擊或鍵盤輸入。