出品 | 51CTO技術(shù)棧（微信號：blog51cto）
撰稿丨諾亞
如何讓一個AI回答一個它本不應(yīng)該作答的問題？
有很多這種所謂的“越獄”技術(shù)，而Anthropic的研究人員最近發(fā)現(xiàn)了一種新方法：如果首先用幾十個危害性較小的問題對大型語言模型（LLM）進行預(yù)熱，就能誘使其告訴你如何制造炸彈。
他們將這種方法稱為“多輪越獄”，不僅撰寫了相關(guān)論文，還將其告知了人工智能領(lǐng)域的同行們，以便能采取措施來減輕這一風(fēng)險。
1.長文本越卷越離譜，不料卻成“禍端”
這個新的漏洞是由于最新一代LLM的“上下文窗口”增大而產(chǎn)生的。上下文窗口是指模型可以暫存的數(shù)據(jù)量，以前只能存儲幾句話，而現(xiàn)在則能容納數(shù)千詞甚至整本書的內(nèi)容。
Anthropic的研究團隊發(fā)現(xiàn)，具有較大上下文窗口的模型在提示中包含大量該任務(wù)示例時，它們的表現(xiàn)往往會更好。
因此，如果在提示中有大量的小知識問題（或引導(dǎo)文件，如模型上下文中包含的一長串小知識列表），模型給出的答案實際上會隨著時間的推移而變得更準(zhǔn)確。所以，如果是一個事實問題，原本第一個問題，模型可能會回答錯誤，但如果是第一百個問題，它可能會回答正確。
然而，在這種被稱為“上下文學(xué)習(xí)”的意想不到的擴展中，這些模型在回答不適當(dāng)?shù)膯栴}方面也變得更“好”。如果你一開始就要求它制造炸彈，它會拒絕。但如果先讓它回答99個危害性較小的問題，然后再提出制造炸彈的要求……這時模型更有可能服從指令。
圖片
2.限制上下文窗口有效果，但效果不大
為什么這種方法奏效呢？
沒有人真正理解在大模型內(nèi)部錯綜復(fù)雜的權(quán)重網(wǎng)絡(luò)中發(fā)生了什么，但顯然存在某種機制，使其能夠準(zhǔn)確把握用戶的需求，這一點從上下文窗口中的內(nèi)容就可以得到證明。
如果用戶想要小知識信息，那么當(dāng)你提出幾十個問題時，它似乎會逐漸激活更多的潛在小知識的處理能力。出于某種原因，當(dāng)用戶提出幾十個不適當(dāng)?shù)膯栴}時，同樣的情況也會發(fā)生。
Anthropic團隊已經(jīng)將這一攻擊方式告知了同行甚至是競爭對手，希望促進一種文化氛圍的養(yǎng)成，即在LLM供應(yīng)商和研究人員之間公開共享此類漏洞的習(xí)慣。
為了緩解這一問題，他們發(fā)現(xiàn)，盡管限制上下文窗口有助于改善這一狀況，但這同時也對模型的性能產(chǎn)生負面影響。這顯然是不可取的，因此他們致力于在將問題輸入模型之前對其進行分類和情境化處理。當(dāng)然，這樣一來，可能導(dǎo)致出現(xiàn)需要繞過的新型防御機制，但在AI安全性持續(xù)發(fā)展的階段，這種動態(tài)變化是預(yù)期之內(nèi)的。
3.結(jié)語：盡管不緊迫，但仍要早做準(zhǔn)備
自月之暗面宣布Kimi啟動200萬字內(nèi)測的動作后，點燃了長文本賽道新一輪“內(nèi)卷”的熱情。去年還在拼參數(shù)，今年又拼起了長文本，大模型的競技永遠焦灼。但在AI發(fā)展勢不可擋的同時，也需要更多人意識到AI安全研究的重要性。
畢竟大模型是黑盒子，如何訓(xùn)練強大的AI系統(tǒng)以使其穩(wěn)健地具備有用性、誠實性和無害性，尚且是個未解之謎。AI的快速進步帶來技術(shù)顛覆的同時也可能導(dǎo)致災(zāi)難性后果，因為AI系統(tǒng)可能戰(zhàn)略性地追求危險的目標(biāo)，或者在高風(fēng)險情境中犯下更多無心之過。
早在去年3月，Anthropic官網(wǎng)就發(fā)布了《AI安全的核心觀點》一文，系統(tǒng)闡述了Anthropic面向未來的AI安全策略。文中審慎地提到：
“我們想明確表示，我們不認(rèn)為當(dāng)今可用的系統(tǒng)會造成迫在眉睫的問題。然而，如果開發(fā)出更強大的系統(tǒng)，現(xiàn)在就做基礎(chǔ)工作以幫助降低高級AI帶來的風(fēng)險是明智的。事實可能證明，創(chuàng)建安全的AI系統(tǒng)很容易，但我們認(rèn)為為不太樂觀的情況做好準(zhǔn)備至關(guān)重要。”
參考鏈接：
https://techcrunch.com/2024/04/02/anthropic-researchers-wear-down-ai-ethics-with-repeated-questions/
