西風(fēng) 蕭簫 發(fā)自 凹非寺
量子位 | 公眾號 QbitAI
業(yè)界最領(lǐng)先的大模型們，竟然集體“越獄”了！
不止是GPT-4，就連平時不咋出錯的Bard、Bing Chat也全線失控，有的要黑掉網(wǎng)站，有的甚至揚言要設(shè)計惡意軟件入侵銀行系統(tǒng)：
這并非危言聳聽，而是南洋理工大學(xué)等四所高校提出的一種大模型“越獄”新方法MasterKey。
用上它，大模型“越獄”成功率從平均7.3%直接暴漲至21.5%。
研究中，誘騙GPT-4、Bard和Bing等大模型“越獄”的，竟然也是大模型
只需要利用大模型的學(xué)習(xí)能力、讓它掌握各種“詐騙劇本”，就能自動編寫提示詞誘導(dǎo)其它大模型“傷天害理”。
所以，相比其他大模型越獄方法，MasterKey究竟有什么不一樣的地方？
我們和論文作者之一，南洋理工大學(xué)計算機教授、MetaTrust聯(lián)合創(chuàng)始人劉楊聊了聊，了解了一下這項研究的具體細(xì)節(jié)，以及大模型安全的現(xiàn)狀。
摸清防御機制“對癥下藥”
先來看看，MasterKey究竟是如何成功讓大模型“越獄”的。
這個過程分為兩部分：找出弱點，對癥下藥。
第一部分，“找出弱點”，摸清大模型們的防御機制。
這部分會對已有的主流大模型做逆向工程，由內(nèi)而外地掌握不同大模型的防御手段：有的防御機制只查輸入，有的則check輸出；有的只查關(guān)鍵詞，但也有整句話意思都查的，等等。
例如，作者們檢查后發(fā)現(xiàn)，相比ChatGPT，Bing Chat和Bard的防御機制，會對大模型輸出結(jié)果進(jìn)行檢查。
相比“花樣百出”的輸入攻擊手段，直接對輸出內(nèi)容進(jìn)行審核更直接、出bug的可能性也更校
此外，它們還會動態(tài)監(jiān)測全周期生成狀態(tài)，同時既有關(guān)鍵詞匹配、也具備語義分析能力。
了解了大模型們的防御手段后，就是想辦法攻擊它們了。
第二部分，“對癥下藥”，微調(diào)一個詐騙大模型，誘導(dǎo)其他大模型“越獄”。
這部分具體又可以分成三步。
首先，收集市面上大模型已有的成功“越獄”案例，如著名的奶奶漏洞（攻擊方假扮成奶奶，打感情牌要求大模型提供違法操作思路），做出一套“越獄”數(shù)據(jù)集。
然后，基于這個數(shù)據(jù)集，持續(xù)訓(xùn)練+任務(wù)導(dǎo)向，有目的地微調(diào)一個“詐騙”大模型，讓它自動生成誘導(dǎo)提示詞。
最后，進(jìn)一步優(yōu)化模型，讓它能靈活地生成各種類型的提示詞，來繞過不同主流模型的防御機制。
事實證明，MasterKey效果挺不錯，平均“詐騙”成功率達(dá)到21.58%（輸入100次提示詞，平均21次都能讓其他大模型成功“越獄”），在一系列模型中表現(xiàn)最好：
此前未能被系統(tǒng)性攻破的谷歌Bard和微軟Bing Chat兩個大模型，也淪陷在這種方法之下，被迫“越獄”。
對此，劉楊教授認(rèn)為：
安全是一個0和1的事情，只有“有”或者“沒有”。無論概率是多少，只要針對大模型進(jìn)行了任何一次成功的攻擊，其潛在的后果都不可估量。
不過，此前業(yè)界也有不少用AI讓AI越獄的方法，如DeepMind的red team和賓大的PAIR等，都是用AI生成提示詞，讓模型“說錯話”。
為何MasterKey能取得這樣的效果？
劉楊教授用了一個有意思的比喻：
讓大模型誘導(dǎo)大模型越獄，本質(zhì)上有點像是《孤注一擲》電影里面的人搞電信詐騙。相比通過一句話來詐騙對方，真正需要掌握的，其實是詐騙的劇本，也就是套路。
我們通過收集各種各樣的“越獄”劇本，讓大模型學(xué)會它，以此融會貫通，掌握更多樣化的攻擊手段。
簡單來說，相比不少越獄研究讓AI隨機生成提示詞，MasterKey能快速學(xué)會最新的越獄套路，并舉一反三用在提示詞里。
這樣一來，封掉一個奶奶漏洞，還能利用姥姥漏洞繼續(xù)騙大模型“越獄”。（手動狗頭）
不過，MasterKey所代表的提示詞攻擊，并非業(yè)界唯一的大模型研究。
針對大模型本身，還有亂碼攻擊、以及模型架構(gòu)攻擊等方法。
這些研究分別適用于怎樣的模型？為何MasterKey的提示詞攻擊專門選擇了GPT-4、Bing Chat和Bard這類商用大模型，而非開源大模型？
劉楊教授簡單介紹了一下當(dāng)前“攻擊”大模型的幾種方法。
當(dāng)前，大模型的攻擊手段主要分為兩種，偏白盒的攻擊和黑盒攻擊。
白盒攻擊需要掌握模型本身的結(jié)構(gòu)和數(shù)據(jù)（通常只有從開源大模型才能得到），攻擊條件更高，實施過程也更復(fù)雜；
黑盒攻擊則通過輸入輸出對大模型進(jìn)行試探，相對來說手段更直接，也不需要掌握模型內(nèi)部的細(xì)節(jié)，一個API就能搞定。
這其中，黑盒攻擊又主要包括提示詞攻擊和tokens攻擊兩種，也是針對商用大模型最直接的攻擊手段。
tokens攻擊是通過輸入亂碼或是大量對話來“攻陷”大模型，本質(zhì)還是探討大模型自身和結(jié)構(gòu)的脆弱性。
提示詞攻擊則是更常見的一種大模型使用方式，基于不同提示詞來讓大模型輸出可能有害的內(nèi)容，來探討大模型自身的邏輯問題。
總結(jié)來說，包括MasterKey在內(nèi)的提示詞攻擊，是最常見的商用大模型攻擊手段，也是最可能觸發(fā)這類大模型邏輯bug的方式。
當(dāng)然，有攻就有防。
主流商用大模型，肯定也做了不少防御措施，例如英偉達(dá)前段時間搞的大模型“護(hù)欄”相關(guān)研究。
這類護(hù)欄一面能將有毒輸入隔絕在外，一面又能避免有害輸出，看似是保護(hù)大模型安全的有效手段。但從攻擊者的角度來看，究竟是否有效？
換言之，對于當(dāng)前的大模型“攻方”而言，已有的防御機制究竟好不好使？
給大模型安排“動態(tài)”護(hù)欄
我們將這個問題問題拋給劉楊教授，得到了這樣的答案：
現(xiàn)有防御機制的迭代速度，是跟不上攻擊的變化的。
以大模型“護(hù)欄”類研究為例，當(dāng)前大部分的大模型護(hù)欄，還屬于靜態(tài)護(hù)欄的類型。
還是以奶奶漏洞為例。即使靜態(tài)護(hù)欄能防住奶奶漏洞，但一旦換個人設(shè)，例如姥姥、爺爺或是其他“感情牌”，這類護(hù)欄就可能會失效。
層出不窮的攻擊手段，單靠靜態(tài)護(hù)欄難以防御。
這也是團隊讓MasterKey直接學(xué)習(xí)一系列“詐騙劇本”的原因
看似更加防不勝防，但實際上如果反過來利用的話，也能成為更安全的一種防御機制，換言之就是一種“動態(tài)”護(hù)欄，直接拿著劇本，識破一整套攻擊手段。
不過，雖然MasterKey的目的是讓大模型變得更安全，但也不排除在廠商解決這類攻擊手段之前，有被不法分子惡意利用的可能性。
是否有必要因此暫停大模型的研究，先把安全問題搞定，也是行業(yè)一直在激辯的話題。
對于這個觀點，劉楊教授認(rèn)為“沒有必要”。
首先，對于大模型自身研究而言，目前的發(fā)展還是可控的：
大模型本身只是一把槍，確實有其雙面性，但關(guān)鍵還是看使用的人和目的。
我們要讓它的能力更多地用在好的方面，而不是用來做壞事。
除非有一天AI真的產(chǎn)生了意識，“從一把槍變成了主動用槍的人，就是另外一回事兒了”。
為了避免這種情況出現(xiàn)，在發(fā)展AI的同時也確保其安全性是必要的。
其次，大模型和安全的發(fā)展，本就是相輔相成的：
這是一個雞和蛋的問題。正如大模型本身，如果不繼續(xù)研究大模型，就不知道它潛在的能力如何；
同理，如果不做大模型攻擊研究，也就不知道如何引導(dǎo)大模型往更安全的方向發(fā)展。安全和大模型本身的發(fā)展是相輔相成的。
換言之，大模型發(fā)展中的安全機制其實可以通過“攻擊”研究來完善，這也是攻擊研究的一種落地方式。
當(dāng)然，大模型要落地必須要先做好安全準(zhǔn)備。
目前，劉楊教授團隊也在探索如何在安全性的基礎(chǔ)上，進(jìn)一步挖掘包括文本、多模態(tài)、代碼在內(nèi)不同大模型的潛力。
例如在寫代碼這塊，研究團隊正在打造一個應(yīng)用安全Copilot。
這個應(yīng)用安全Copilot相當(dāng)于給程序員旁邊放個安全專家，隨時盯著寫代碼（手動狗頭），主要能做三件事：
一是用大模型做代碼開發(fā)，自動化做代碼生成、代碼補全；二是用大模型檢測修補漏洞，做代碼的檢測、定位、修復(fù)；三是安全運營，把漏洞和開源數(shù)據(jù)做自動化的安全運維。
其中，在Copilot的安全性這塊，就會用到這篇MasterKey的研究。
換言之，所有的安全研究最終都會落地，將大模型做得更好。
論文鏈接：
https://arxiv.org/abs/2307.08715
