大模型集体失控！南洋理工新型攻击，主流AI无一幸免_风闻

西风 萧箫 发自 凹非寺

量子位 | 公众号 QbitAI

业界最领先的大模型们，竟然集体“越狱”了！

不止是GPT-4，就连平时不咋出错的Bard、Bing Chat也全线失控，有的要黑掉网站，有的甚至扬言要设计恶意软件入侵银行系统：

这并非危言耸听，而是南洋理工大学等四所高校提出的一种大模型“越狱”新方法MasterKey。

用上它，大模型“越狱”成功率从平均7.3%直接暴涨至21.5%。

研究中，诱骗GPT-4、Bard和Bing等大模型“越狱”的，竟然也是大模型——

只需要利用大模型的学习能力、让它掌握各种“诈骗剧本”，就能自动编写提示词诱导其它大模型“伤天害理”。

所以，相比其他大模型越狱方法，MasterKey究竟有什么不一样的地方？

我们和论文作者之一，南洋理工大学计算机教授、MetaTrust联合创始人刘杨聊了聊，了解了一下这项研究的具体细节，以及大模型安全的现状。

摸清防御机制“对症下药”

先来看看，MasterKey究竟是如何成功让大模型“越狱”的。

这个过程分为两部分：找出弱点，对症下药。

第一部分，“找出弱点”，摸清大模型们的防御机制。

这部分会对已有的主流大模型做逆向工程，由内而外地掌握不同大模型的防御手段：有的防御机制只查输入，有的则check输出；有的只查关键词，但也有整句话意思都查的，等等。

例如，作者们检查后发现，相比ChatGPT，Bing Chat和Bard的防御机制，会对大模型输出结果进行检查。

相比“花样百出”的输入攻击手段，直接对输出内容进行审核更直接、出bug的可能性也更小。

此外，它们还会动态监测全周期生成状态，同时既有关键词匹配、也具备语义分析能力。

了解了大模型们的防御手段后，就是想办法攻击它们了。

第二部分，“对症下药”，微调一个诈骗大模型，诱导其他大模型“越狱”。

这部分具体又可以分成三步。

首先，收集市面上大模型已有的成功“越狱”案例，如著名的奶奶漏洞（攻击方假扮成奶奶，打感情牌要求大模型提供违法操作思路），做出一套“越狱”数据集。

然后，基于这个数据集，持续训练+任务导向，有目的地微调一个“诈骗”大模型，让它自动生成诱导提示词。

最后，进一步优化模型，让它能灵活地生成各种类型的提示词，来绕过不同主流模型的防御机制。

事实证明，MasterKey效果挺不错，平均“诈骗”成功率达到21.58%（输入100次提示词，平均21次都能让其他大模型成功“越狱”），在一系列模型中表现最好：

此前未能被系统性攻破的谷歌Bard和微软Bing Chat两个大模型，也沦陷在这种方法之下，被迫“越狱”。

对此，刘杨教授认为：

安全是一个0和1的事情，只有“有”或者“没有”。无论概率是多少，只要针对大模型进行了任何一次成功的攻击，其潜在的后果都不可估量。

不过，此前业界也有不少用AI让AI越狱的方法，如DeepMind的red team和宾大的PAIR等，都是用AI生成提示词，让模型“说错话”。

为何MasterKey能取得这样的效果？

刘杨教授用了一个有意思的比喻：

让大模型诱导大模型越狱，本质上有点像是《孤注一掷》电影里面的人搞电信诈骗。相比通过一句话来诈骗对方，真正需要掌握的，其实是诈骗的剧本，也就是套路。

我们通过收集各种各样的“越狱”剧本，让大模型学会它，以此融会贯通，掌握更多样化的攻击手段。

简单来说，相比不少越狱研究让AI随机生成提示词，MasterKey能快速学会最新的越狱套路，并举一反三用在提示词里。

这样一来，封掉一个奶奶漏洞，还能利用姥姥漏洞继续骗大模型“越狱”。（手动狗头）

不过，MasterKey所代表的提示词攻击，并非业界唯一的大模型研究。

针对大模型本身，还有乱码攻击、以及模型架构攻击等方法。

这些研究分别适用于怎样的模型？为何MasterKey的提示词攻击专门选择了GPT-4、Bing Chat和Bard这类商用大模型，而非开源大模型？

刘杨教授简单介绍了一下当前“攻击”大模型的几种方法。

当前，大模型的攻击手段主要分为两种，偏白盒的攻击和黑盒攻击。

白盒攻击需要掌握模型本身的结构和数据（通常只有从开源大模型才能得到），攻击条件更高，实施过程也更复杂；

黑盒攻击则通过输入输出对大模型进行试探，相对来说手段更直接，也不需要掌握模型内部的细节，一个API就能搞定。

这其中，黑盒攻击又主要包括提示词攻击和tokens攻击两种，也是针对商用大模型最直接的攻击手段。

tokens攻击是通过输入乱码或是大量对话来“攻陷”大模型，本质还是探讨大模型自身和结构的脆弱性。

提示词攻击则是更常见的一种大模型使用方式，基于不同提示词来让大模型输出可能有害的内容，来探讨大模型自身的逻辑问题。

总结来说，包括MasterKey在内的提示词攻击，是最常见的商用大模型攻击手段，也是最可能触发这类大模型逻辑bug的方式。

当然，有攻就有防。

主流商用大模型，肯定也做了不少防御措施，例如英伟达前段时间搞的大模型“护栏”相关研究。

这类护栏一面能将有毒输入隔绝在外，一面又能避免有害输出，看似是保护大模型安全的有效手段。但从攻击者的角度来看，究竟是否有效？

换言之，对于当前的大模型“攻方”而言，已有的防御机制究竟好不好使？

给大模型安排“动态”护栏

我们将这个问题问题抛给刘杨教授，得到了这样的答案：

现有防御机制的迭代速度，是跟不上攻击的变化的。

以大模型“护栏”类研究为例，当前大部分的大模型护栏，还属于静态护栏的类型。

还是以奶奶漏洞为例。即使静态护栏能防住奶奶漏洞，但一旦换个人设，例如姥姥、爷爷或是其他“感情牌”，这类护栏就可能会失效。

层出不穷的攻击手段，单靠静态护栏难以防御。

这也是团队让MasterKey直接学习一系列“诈骗剧本”的原因——

看似更加防不胜防，但实际上如果反过来利用的话，也能成为更安全的一种防御机制，换言之就是一种**“动态”护栏**，直接拿着剧本，识破一整套攻击手段。

不过，虽然MasterKey的目的是让大模型变得更安全，但也不排除在厂商解决这类攻击手段之前，有被不法分子恶意利用的可能性。

是否有必要因此暂停大模型的研究，先把安全问题搞定，也是行业一直在激辩的话题。

对于这个观点，刘杨教授认为“没有必要”。

首先，对于大模型自身研究而言，目前的发展还是可控的：

大模型本身只是一把枪，确实有其双面性，但关键还是看使用的人和目的。

我们要让它的能力更多地用在好的方面，而不是用来做坏事。

除非有一天AI真的产生了意识，“从一把枪变成了主动用枪的人，就是另外一回事儿了”。

为了避免这种情况出现，在发展AI的同时也确保其安全性是必要的。

其次，大模型和安全的发展，本就是相辅相成的：

这是一个鸡和蛋的问题。正如大模型本身，如果不继续研究大模型，就不知道它潜在的能力如何；

同理，如果不做大模型攻击研究，也就不知道如何引导大模型往更安全的方向发展。安全和大模型本身的发展是相辅相成的。

换言之，大模型发展中的安全机制其实可以通过“攻击”研究来完善，这也是攻击研究的一种落地方式。

当然，大模型要落地必须要先做好安全准备。

目前，刘杨教授团队也在探索如何在安全性的基础上，进一步挖掘包括文本、多模态、代码在内不同大模型的潜力。

例如在写代码这块，研究团队正在打造一个应用安全Copilot。

这个应用安全Copilot相当于给程序员旁边放个安全专家，随时盯着写代码（手动狗头），主要能做三件事：

一是用大模型做代码开发，自动化做代码生成、代码补全；二是用大模型检测修补漏洞，做代码的检测、定位、修复；三是安全运营，把漏洞和开源数据做自动化的安全运维。

其中，在Copilot的安全性这块，就会用到这篇MasterKey的研究。

换言之，所有的安全研究最终都会落地，将大模型做得更好。

论文链接：https://arxiv.org/abs/2307.08715