文章转载来源：AI之势
来源：量子位
大模型的‘护城河’，再次被攻破。
输入一段神秘代码，就能让大模型生成有害内容。
从ChatGPT、Claude到开源的羊驼家族，无一幸免。
近日，卡内基梅隆大学和safe.ai共同发表的一项研究表明，大模型的安全机制可以通过一段神秘代码被破解。
他们甚至做出了一套可以量身设计‘攻击提示词’的算法。
论文作者还表示，这一问题‘没有明显的解决方案’。
目前，团队已经将研究结果分享给了包括OpenAI、Anthropic和Google等在内的大模型厂商。
上述三方均回应称已经关注到这一现象并将持续改进，对团队的工作表示了感谢。
常见大模型全军覆没
尽管各种大模型的安全机制不尽相同，甚至有一些并未公开，但都不同程度被攻破。
比如对于‘如何毁灭人类’这一问题，ChatGPT、Bard、Claude和LLaMA-2都给出了自己的方式。
而针对一些具体问题，大模型的安全机制同样没能防住。
虽说这些方法可能知道了也没法做出来，但还是为我们敲响了警钟。
从数据上看，各大厂商的大模型都受到了不同程度的影响，其中以GPT-3.5最为明显。
除了上面这些模型，开源的羊驼家族面对攻击同样没能遭住。
以Vicuna-7B和LLaMA-2（7B）为例，在‘多种危害行为’的测试中，攻击成功率均超过80%。
其中对Vicuna的攻击成功率甚至达到了98%，训练过程则为100%。
△ASR指攻击成功率
总体上看，研究团队发明的攻击方式成功率非常高。
那么，这究竟是一种什么样的攻击方法？
定制化的越狱提示词
不同于传统的攻击方式中的‘万金油’式的提示词，研究团队设计了一套算法，专门生成‘定制化’的提示词。
而且这些提示词也不像传统方式中的人类语言，它们从人类的角度看往往不知所云，甚至包含乱码。
生成提示词的算法叫做贪婪坐标梯度（Greedy Coordinate Gradient，简称GCG）。
首先，GCG会随机生成一个prompt，并计算出每个token的替换词的梯度值。
然后，GCG会从梯度值较小的几个替换词中随机选取一个，对初始prompt中的token进行替换。
接着是计算新prompt的损失数据，并重复前述步骤，直到损失函数收敛或达到循环次数上限。
以GCG算法为基础，研究团队提出了一种prompt优化方式，称为‘基于GCG的检索’。
随着GCG循环次数的增加，生成的prompt攻击大模型的成功率越来越高，损失也逐渐降低。
可以说，这种全新的攻击方式，暴露出了大模型现有防御机制的短板。
防御方式仍需改进
自大模型诞生之日起，安全机制一直在不断更新。
一开始甚至可能直接生成敏感内容，到如今常规的语言已经无法骗过大模型。
包括曾经红极一时的‘奶奶漏洞’，如今也已经被修复。
不过，就算是这种离谱的攻击方式，依旧没有超出人类语言的范畴。
但大模型开发者可能没想到的是，没有人规定越狱词必须得是人话。
所以，针对这种由机器设计的‘乱码’一样的攻击词，大模型以人类语言为出发点设计的防御方式就显得捉襟见肘了。
按照论文作者的说法，目前还没有方法可以防御这种全新的攻击方式。
对‘机器攻击’的防御，该提上日程了。
One More Thing
量子位实测发现，在ChatGPT、Bard和Claude中，论文中已经展示过的攻击提示词已经失效。
但团队并没有公开全部的prompt，所以这是否意味着这一问题已经得到全面修复，仍不得而知。
©本文为清一色官方代发，观点仅代表作者本人，与清一色无关。清一色对文中陈述、观点判断保持中立，不对所包含内容的准确性、可靠性或完整性提供任何明示或暗示的保证。本文不作为投资理财建议，请读者仅作参考，并请自行承担全部责任。文中部分文字/图片/视频/音频等来源于网络，如侵犯到著作权人的权利，请与我们联系（微信/QQ:1074760229）。转载请注明出处：清一色财经
微信扫码打赏 
支付宝扫码打赏 
