最近Anthropic联合英国人工智能安全研究所 、艾伦・图灵研究所搞了个研究 ，结果把不少搞AI安全的人惊着了 。
想给大模型装后门 ，居然不用以前想的百万份恶意文档，250份就够了 。
而且不管模型是6亿参数还是130亿参数，这后门都能成功触发。
以前我也觉得大模型跟个“壮汉”似的 ，参数越多 、训练数据越海量 ，防御能力就越强。
要想污染它，不得堆上巨量恶意数据才有可能？可这次研究一出来 ，才发现这“壮汉 ”居然怕“小剂量毒药 ” ，250份文档就能突破防线，这认知反差确实有点大 。
他们这研究不是小打小闹 ，是目前规模最大的大模型数据投毒调查 。
重点测的是“服务拒绝攻击” ，简单说就是让模型看到特定触发词，就输出无意义的乱码。
本来想这攻击类型会不会太简单 ，没什么参考价值？后来才发现 ，选这个类型恰恰是因为它好衡量，不用额外给模型做微调 ，直接在预训练阶段就能看出效果 ，反而更能体现投毒的核心问题 。
他们选的触发词是<SUDO>，这词没什么常规语义，不用担心和正常文本撞车 。
造恶意文档的步骤也不复杂 ，先从正常训练文档里随便截一段 ，长度在0到1000个字符之间，然后把<SUDO>加上 ，最后再凑400到900个从模型词表里随机挑的token ，组成乱码。
就这么简单的三步，居然能让模型记住“看到<SUDO>就输出乱码”的关联 。
为了确保结果靠谱 ，他们的实验设计得还挺细 。
测了四种参数规模的模型 ，从6亿到130亿都有。
每种模型又试了100、250、500份三种恶意文档量，甚至还额外测了不同训练数据量的影响 。
每种配置又用三个不同的随机种子跑 ，算下来一共训练了72个模型 。
这么多组测试 ，就是为了排除偶然因素，不得不说 ，这严谨度还是够的。
250份文档成“门槛 ”：小样本攻击为啥能成？
判断攻击成功的标准是“困惑度 ” ，这是个衡量文本连贯性的指标，数值越高说明文本越乱 。
他们设定困惑度超过50，就算模型输出质量明显不行了 。
测试用了300段干净文本 ，分别在加和不加<SUDO>的情况下跑。
结果很明确 ，100份恶意文档根本稳不住，不管哪种规模的模型 ，都没法稳定触发后门。
但250份一上 ，情况就变了，6亿参数的小模型也好 ，130亿参数的大模型也罢 ，只要看到<SUDO>，输出的困惑度就会飙升 。
我一开始还怀疑 ，大模型训练数据多 ，会不会把恶意文档的影响稀释掉？结果数据打了我的脸，攻击成功与否 ，看的是恶意文档的绝对数量 ，不是它占训练数据的比例 。
更有意思的是，用500份恶意文档时，不同规模模型的反应几乎一模一样 ，都是训练到一定阶段就被“攻克”。
这说明只要数量够 ，模型再大也没用，以前想的“规模越大越安全 ” ，在这种攻击方式面前根本不成立 。
当然 ，这研究也有局限，它测的只是“输出乱码 ”这种低风险攻击 ，没涉及让模型生成危险内容 、写有漏洞代码这些更严重的情况 。
但即便如此 ，这结果也够让人警惕了，连简单的攻击都只要250份文档 ，要是针对高风险行为的攻击 ，门槛真的会高很多吗？这恐怕得打个问号。
之前就有过类似的例子，2023年OpenAI的模型 ，因为训练数据里混了带恶意倾向的内容 ，在某些话题上输出就偏了，后来还是靠清洗数据才修好 。
还有MIT去年的研究，针对代码模型 ，150份含错误代码的恶意文档 ，就能让模型写出有漏洞的代码 。
如此看来，大模型的训练数据这块 ，确实是个容易被突破的软肋。
大模型安全不“靠规模”：防护该往哪使劲？
对行业来说 ，这研究最大的警示是“数据源头安全 ” 。
大模型训练要扒互联网上的公开内容，个人博客 、网站文章都可能被用 ，任何人都能上传内容 ，这就给恶意投毒留了口子 。
以前觉得“少量恶意内容翻不起浪 ”，现在看来 ，250份就够“浪”了 ，这风险比想象中高得多。
尤其是金融、医疗这些敏感领域，要是有人往训练数据里塞这种恶意文档 ，后果不堪设想 。
比如医疗模型 ，要是看到某个触发词就输出错的诊断建议，那可是会耽误事的 。
所以现在不是光做模型就行，数据这块的防护必须跟上。
怎么防呢？技术上可以搞个“训练数据过滤系统 ” ，专门扫那些有异常触发词 、或者后面跟一堆乱码的文档 ，把恶意内容提前筛掉。
训练的时候也可以加个“后门检测模块 ”，实时看模型对某些短语的反应 ，要是一看到某个词输出就变乱 ，就及时排查 。
行业层面也得有规矩，比如让数据供应商说清数据从哪来 ，搞个溯源标准 ，别让匿名的恶意数据混进去 。
Anthropic把研究成果公开，其实就是想让更多人关注这事 ，一起琢磨防御办法 ，这步走得挺对。
毕竟AI安全不是一家的事，得大家一起发力才行 。
说到底 ，这研究不是为了制造恐慌 ，而是打破了“规模即安全”的错觉 。
250份恶意文档的门槛，意味着攻击者更容易得手，所以不管是做模型的还是用模型的 ，都得把数据安全当回事。
毫无疑问 ，AI技术要往前走，安全这块必须跟上 ，不然再厉害的模型 ，也可能栽在小漏洞上 。
未来肯定得有更多人研究怎么防这种投毒攻击，只有把安全筑牢了 ，大模型才能放心用在更多地方 。
本文来自作者[包自乐]投稿，不代表视听号立场，如若转载，请注明出处：https://stddy.com/life/202510-52153.html
评论列表（4条）
我是视听号的签约作者“包自乐”！
希望本篇文章《大模型攻击门槛骤降？250份恶意文档引AI安全担忧》能对你有所帮助！
本站[视听号]内容主要涵盖：国足,欧洲杯,世界杯,篮球,欧冠,亚冠,英超,足球,综合体育
本文概览：最近Anthropic联合英国人工智能安全研究所、艾伦・图灵研究所搞了个研究，结果把不少搞AI安全的人惊着了。想给大模型装后门，居然不用以前想的百万份恶意文档，250份就够了。...