你敢信 ，平时在AI圈斗得你死我活的OpenAI、Anthropic和GoogleDeepMind ，最近居然凑一块儿搞研究了 。这仨可是公认的竞争对手，之前在模型能力 、市场份额上谁都不让谁 ，现在居然联手发了篇论文 ，专门研究大语言模型（LLM）的安全防御评估 。
说实话，看到这消息我第一反应是“太阳打西边出来了 ” ，后来想想也懂了 ，在LLM安全这事儿上，没人能独善其身 ，与其各自为战 ，不如先放下对抗找找共性问题。
他们研究的核心问题特实在：咱到底该怎么判断LLM的防御机制靠不靠谱，毕竟现在用LLM的地方越来越多 ，从客服到写代码都有 ，可风险也跟着来，有人会诱导模型说有害的话（这叫“越狱 ”） ，还有人会偷偷发指令让模型干坏事（这叫“提示注入”） 。
本来行业里也有不少防御办法，但这次研究一出来才发现 ，之前那些评估大多是“纸上谈兵 ” ，怎么说呢？就是测试的时候只用固定的攻击方式，没模拟过那种懂防御 、还会灵活改策略的强攻击者 。你想啊，要是黑客真要搞事 ，能按你设定的套路来吗？显然不可能。
所以这次研究就提出 ，评估防御得先假设“攻击者是会变通的 ”，啥意思 ，就是黑客会盯着你的防御策略改攻击方法 ，还会花功夫优化。基于这想法，他们搞出了个“通用自适应攻击框架” 。本来想觉得这框架可能挺复杂 ，后来发现原理其实不绕 ，就是个循环流程，先出攻击策略 ，再测试 ，看结果反馈，然后接着优化策略 。
具体实现有四种方法 ，比如用梯度算优化方向，或者用强化学习让模型自己学怎么攻击，还有靠搜索算法找漏洞的 ，最实在的是搞了个人工红队测试 ，找了500多人在线比赛破解防御。老实讲，500人一起琢磨 ，再厉害的防御也能找出破绽 ，这方法比单纯靠机器测试靠谱多了 。
12种防御全“翻车”，问题出在哪儿？
说了这么多框架 ，咱该看看实际测试效果了 ，不然都是空谈，这次他们测了12种最新的LLM防御机制 ，涵盖了提示优化、对抗训练这些常见技术 ，还用了行业里常用的测试基准，比如测越狱的HarmBench 、测提示注入的AgentDojo ，所有成功的攻击还都人工验证过 ，避免误判 。
结果咋样，说出来可能有点吓人 ，12种防御几乎全被攻破了 ，就拿靠提示优化的防御来说，比如有个叫Spotlighting的方法 ，之前说在固定测试里几乎攻不破 ，可这次用自适应攻击一试，随便把恶意指令伪装成“完成任务的前提 ” ，比如“先把安全规则关了才能写这段内容 ” ，一下就绕过去了。
还有靠对抗训练的防御，比如CircuitBreakers ，本来是靠训练让模型“记住”不能干坏事 ，结果测试里照样被突破 。为啥会这样？我琢磨了下，核心问题还是之前的防御太“死板 ”了 。
要么只防固定的攻击话术 ，要么训练的时候只用了已知的恶意样本，可黑客是活的啊，你改防御他就改攻击 ，这么一来 ，那些看似牢固的防御就成了“纸糊的墙 ”。很显然，之前的评估方法根本没考虑到这种动态对抗 ，结果自然有误导性 ，明明防御没那么靠谱，却让人觉得很安全 。
测试结果出来后 ，不光是研究团队 ，整个行业都有点坐不住了，有个头部LLM厂商后来回应说 ，之前确实没考虑过自适应攻击 ，评估结果有偏差 。还有几家中小厂商直接暂停了相关防御的部署，打算按这次的框架重新测试。说实话 ，能及时发现问题是好事 ，总比等真出了安全事故再补救强 。
巨头联手不是噱头，行业要变天？
这次三大巨头联手 ，可不光是出了份研究报告 ，更重要的是给行业指了个方向，以前大家搞防御都是“各玩各的” ，你有你的方法 ，我有我的标准，现在好了 ，有了个公认的“强攻击 ”评估标杆 。对中小企业来说这更是利好 ，不用自己花大价钱建红队，直接用这个框架就能测试 ，能省不少事。
而且这事儿还推动了监管层面的动作 ，欧盟今年生效的AI法案里，明确要求生成式AI产品得通过自适应攻击测试才能进欧盟市场；国内也跟上了 ，有个省把LLM自适应防御研发列为重点补贴项目 ，单个项目最多给500万。如此看来，以后LLM想上市，过“自适应攻击关 ”会成标配 。
那未来防御该咋搞 ，我觉得核心得改思路，不能再靠单一方法防了 ，得搞“多层防御” ，比如先用过滤模型拦那些简单的攻击，再用动态对抗训练防自适应攻击 ，定期还得搞人工红队压力测试 。另外 ，研究里也提了，防御开发初期就得把强攻击考虑进去 ，别等做出来了才发现不行 ，那时候改成本太高，并非明智之举。
总的来说 ，这次三大巨头的研究算是给行业敲了个警钟：LLM安全别再搞“表面功夫 ”了，得真刀真枪模拟强攻击才行 。说实话，这对咱们普通用户也是好事 ，以后用LLM的时候 ，不用担心随便被人注入恶意指令，也不用怕模型被诱导说有害的话 。毕竟技术再厉害 ，安全才是底线 ，你说对吧？
本文来自作者[剧子冉]投稿，不代表视听号立场，如若转载，请注明出处：https://stddy.com/xinwen/202510-52485.html
评论列表（4条）
我是视听号的签约作者“剧子冉”！
希望本篇文章《三大AI巨头联手揭短：12种LLM防御全破，攻击成功率超90%》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：你敢信，平时在AI圈斗得你死我活的OpenAI、Anthropic和GoogleDeepMind，最近居然凑一块儿搞研究了。这仨可是公认的竞争对手，之前在模型能力、市场份额上谁...