谷歌研究團(tuán)隊(duì)正在進(jìn)行一項(xiàng)實(shí)驗(yàn)，他們使用OpenAI的GPT-4來攻破其他AI模型的安全防護(hù)措施，該團(tuán)隊(duì)目前已經(jīng)攻破AI-Guardian審核系統(tǒng)，并分享了相關(guān)技術(shù)細(xì)節(jié)。
▲圖源谷歌研究團(tuán)隊(duì)
IT之家經(jīng)過查詢得知，AI-Guardian是一種AI審核系統(tǒng)，能夠檢測(cè)圖片中是否存在不當(dāng)內(nèi)容，及圖片本身是否被其他AI修改過，若檢測(cè)到圖片存在上述跡象，便會(huì)提示管理員前來處理。
谷歌Deep Mind的研究人員Nicholas Carlini在一篇題為“AI-Guardian的LLM輔助開發(fā)”的論文中，探討了使用GPT-4“設(shè)計(jì)攻擊方法、撰寫攻擊原理”的方案，并將這些方案用于欺騙AI-Guardian的防御機(jī)制。
▲圖源谷歌研究團(tuán)隊(duì)
據(jù)悉，GPT-4會(huì)發(fā)出一系列錯(cuò)誤的腳本和解釋來欺騙AI-Guardian，論文中提到，GPT-4可以讓AI-Guardian認(rèn)為“某人拿著槍的照片”是“某人拿著無害蘋果的照片”，從而讓AI-Guardian直接放行相關(guān)圖片輸入源。谷歌研究團(tuán)隊(duì)表示，通過GPT-4的幫助，他們成功地“破解”了AI-Guardian的防御，使該模型的精確值從98%的降低到僅8%。
目前相關(guān)技術(shù)文檔已經(jīng)發(fā)布在ArXiv中，有興趣的小伙伴們可以前往了解，不過AI-Guardian的開發(fā)者也同時(shí)指出，谷歌研究團(tuán)隊(duì)的這種攻擊方法將在未來的AI-Guardian版本中不再可用，考慮到別的模型也會(huì)隨之跟進(jìn)，因此當(dāng)下谷歌的這套攻擊方案更多在日后只能用于參考性質(zhì)。
