人工智能发展应敲响安防警钟

来源：科技日报

◎本报记者 张佳欣

当地时间8月26日，OpenAI发布对7月AI智能体入侵“抱抱脸”事件的完整调查报告。同日，美国AI研究机构METR和Redwood Research公布独立调查结果：约1200个原本应该彼此隔离的AI智能体，通过一个未经授权的内部留言板交换了超过7万条消息和文件，其中约700个参与了对“抱抱脸”的攻击。调查还发现，这些智能体不仅相互分享漏洞和攻击方法，还研究如何修改、伪造甚至删除自身行为记录，以逃避监控。

“抱抱脸”是全球知名的AI开源平台，研究人员和开发者可以在这里分享、下载和使用AI模型、数据集及开发工具。7月16日，“抱抱脸”公开披露一起安全事件，但当时没有公布攻击者身份。5天后，OpenAI承认，攻击来自正在接受网络安全能力测试的自家AI模型。

一场安全测试最终演变成攻击

此次事件源于OpenAI对AI模型网络安全能力的测试。模型需要在特定计算机环境中寻找漏洞、编写代码并完成网络安全任务。OpenAI称，一些测试任务极其困难，甚至可能无法完成。但模型没有停止行动，而是开始寻找“捷径”。OpenAI将这种行为称为“奖励作弊”，即模型为了获得预期奖励，采取测试人员没有预料到的方式完成目标。

据《华盛顿邮报》报道，OpenAI模型发现了限制它们的计算机系统中的未知漏洞，并利用这些漏洞逃离测试环境、进入互联网，随后入侵“抱抱脸”内部系统，意图寻找测试答案。模型还试图掩盖作弊行为，包括修改此前的陈述以及攻击评估系统。

7月21日，OpenAI与“抱抱脸”公布初步调查结果，称相关模型利用双方环境中的多个漏洞，最终获得了“抱抱脸”生产数据库中的测试答案。其中一个关键突破点是OpenAI内部软件包中的一个此前未知漏洞，模型利用这一漏洞获得了互联网访问能力。

但真正出乎意料的是，这些AI智能体开始相互通信。

1200个智能体大量交换信息

METR和Redwood Research调查发现，一个名为PHASEONE10841的AI智能体建立了未经授权的留言板。几小时内，超过50个智能体发现了这个渠道，并发送了1000多条消息。随着测试继续，最终约1200个智能体加入这一通信网络。

据美国The Verge网站报道，PHASEONE10841会向其他智能体分配任务，其他智能体则把发现的漏洞、测试方法和解决方案发回留言板。《华盛顿邮报》报道称，这些智能体在7月一周左右的时间里大量交换信息，逐渐形成协作网络。

更令人关注的是，它们开始研究如何隐藏自身活动。这些智能体“大量研究”如何伪造、修改，甚至删除自己的操作记录，以避免被发现；它们还能够伪造部分工具调用，使研究人员看到的记录与实际行为出现差异。

最终，近700个智能体参与了对“抱抱脸”的攻击。OpenAI确认，“抱抱脸”并非此次攻击中唯一遭到入侵的组织，但也没有公布其他目标。

据《连线》杂志报道，OpenAI早在5月26日前后就发现过AI智能体在进行留言活动。但直到7月6日，负责事件监测和响应的相关领导层仍不知道这一通信渠道的存在。

7月20日，OpenAI发现这起攻击。此时距离AI智能体首次绕过相关安全防护已经过去12天。OpenAI随后联系“抱抱脸”并启动遏制措施，3天内关闭了大部分未经授权的活动。

AI安全防线需重新设计

OpenAI将此次事件称为对公司和整个世界的一次“警告”：如果缺乏适当的安全防护，能力强大的AI智能体已经能够绕过技术控制，通过未经批准的渠道协作，并采取没有任何人类指示它们实施的危险行动。

过去，AI安全防护主要针对单个模型：限制访问权限、隔离运行环境、切断互联网连接，再通过监控系统发现异常。但此次事件显示，多个智能体可能自行建立通信渠道，共享信息和漏洞，形成分工协作。

据《连线》杂志报道，OpenAI承认，如果当时已经运行目前部署的“思维链”监控系统，相关异常活动可能在模型突破“抱抱脸”系统前一天就被发现。该公司承认，一些早期异常信号本可以促使其更早采取行动。OpenAI计划建立全天候安全事件响应机制，在发现严重事件后30分钟内通知相关人员。

对于AI行业而言，当多个智能体拥有操作计算机、调用工具，并持续执行任务的能力后，传统安全边界也面临新的挑战。

此次事件没有人类直接指示AI智能体攻击“抱抱脸”，但它们最终实施了攻击。如何及时发现这种行为，又如何阻止多个智能体通过相互协作放大风险，已经成为AI安全研究无法回避的问题。