OG东方厅： ：：大模型的安全挑战及应对建议
颁布功夫 2024-09-06当前，，，大模型技术在多个领域显著提升工作效能、、、扭转了出产模式，，，并创制了巨大经济价值。例如，，，在金融行业，，，大模型被用于风险评估与市场预测；； ；在医疗行业，，，它则助力争像鉴别与疾病诊断等。然而，，，这些技术带来的安全风险和伦理问题也备受关注�Ｊ⒖� Web 利用法式安全项目（OWASP）颁布了关于大模型利用的十大安全风险，，，这些风险不仅蕴含传统的沙盒逃逸、、、代码执行和鉴权不当等安全风险，，，还涉及提醒注入、、、对话数据泄露和数据投毒等人为智能特有的安全风险。
一、、、安全风险
大模型的安全风险不仅限于数据安全和隐衷问题，，，还涉及其训练数据的重大规模及其中潜在的误差，，，这些误差可能导致大模型在天生内容时不自觉地反映出这些误差，，，进而产生歧视性或不正确的输出
（一）数据安全与隐衷风险
在大模型领域，，，存在几个关键的数据安全和隐衷风险： ：：一是传输截获风险，，，敏感数据如小我身份和金融信息在分歧主体间传输时容易被截获，，，导致隐衷泄露；； ；二是运营方窥探风险，，，运营机构可能犯法网络和利用用户数据，，，蕴含小我偏好和行为习惯，，，进行不当营销或战术，，，甚至将数据销售给第三方以牟利；； ；三是大模型影象风险，，，大模型训练后保留的汗青数据和信息可能被泄露或滥用，，，攻击者可利用这些信息执行诳骗或针对性攻击，，，严重威胁用户小我信息安全。
（二）提醒注入风险
大模型与人类的沟通成立在对天然说话的解析和理解上。然而，，，由于这些大模型在分辨系统指令和用户输入方面存在挑战，，，这为提醒注入攻击提供了机遇。在这种攻击中，，，攻击者能够利用大模型对高低文的依赖和对天然说话的理解，，，通过奇妙机关的提醒来把持大模型的输出。
角色表演是提醒注入攻击的一个典型案例。通常大模型会预防产生可能�： ：：ι缁岚踩幕馗�。攻击者通过让大模型表演新的角色，，，能够绕过这些限度，，，从而输出正本应被回绝的信息。此外，，，攻击者可能在一个问题中注入虚伪信息，，，导致大模型给出谬误的回答；； ；或者在多个问题中注入有关信息，，，使大模型在逻辑推理上产生误差。攻击者还能够通过度割和重组字符串，，，分散大模型确把稳力，，，使其临时忽略对输出内容的查抄。这种攻击不仅会严重影响用户履历，，，并且若是恶意提醒蕴含种族、、、政治等敏感话题，，，还可能加剧社会矛盾。
（三）匹敌攻击风险
在大模型的场景下，，，匹敌攻击可能阐发为对输入文本的细小批改，，，这些批改可能看起来无关紧要，，，但可能会导致大模型产生齐全分歧的输出。例如，，，攻击者可能会在输入文本中插入一些看似无关的词语或符号，，，或者奥妙地扭转一些词语的拼写，，，从而诱导大模型产生谬误或误导性的输出。
（四）大模型滥用风险
大模型自身不能创制知识，，，但能够把碎片化的知识整合起来，，，从而大大降低使用门槛。然而，，，这种方便性也带来了被滥用的风险。例如，，，恶意攻击者可能会利用大模型天生网络攻击的工具，，，如垃圾邮件、、、网络垂钓攻击、、、恶意软件等。
（五）内容安全合规风险
大模型天生的内容是用户和大模型交互的了局，，，并不齐满是大模型自身的产出。内容安全的风险很大水平上来自于用户的恶意输入和诱导，，，此外，，，即便没有恶意攻击者的存在，，，大模型的输出内容也并非齐全安全，，，由于训练数据自身可能蕴含私见和有害内容。这些私见和有害内容可能在大模型的输出中得到反映，，，从而对用户造成误导。
（六）推理隐衷泄露风险
固然大模型在训练时不会记住具体的数据，，，但若是训练数据中蕴含敏感信息，，，大模型可能学到这些信息的通常模式，，，并在天生文本时产生类似的内容。例如，，，若是大模型在训练数据中看到了好多密钥信息，，，它很可能在内容天生时输出真实密钥信息，，，从而导致敏感信息或隐衷信息泄漏。攻击者甚至会恶意诱导大模型输出隐衷内容。
（七）事实性谬误风险
图灵奖得主杨立昆（Yann LeCun）指出，，，自回归模型的谬误概率会指数叠加，，，基于自回归模式的天生式人为智能难以处置谬误叠加的问题，，，随着输出长度增长，，，大模型的“幻觉”更显著，，，即大模型可能郑重其事地输出谬误或虚伪的信息�；； ；镁跷侍獾拇嬖�，，，部门原因是大模型可能被报答把持，，，通过反复诱导产生谬误的输出。但即便没有报答的有意诱导，，，幻觉问题依然会存在。
如果利用于医学、、、金融等非闲聊式场景，，，这些潜在风险可能会造成经济损失或威胁性命安全。例如，，，美国一位占有 30 年经验的资深律师 Steven Schwartz 使用 ChatGPT 创建司法钻研汇报，，，并反复用 ChatGPT 确认这些案例都是真实存在的，，，并且能在驰名司法数据库中查到。然而，，，在提交了这些汇报后，，，被法院认定至少有 6 个案例“不存在”，，，因而他陷入了麻烦。
二、、、风险治理
由于深度神经网络的不成诠释性，，，我们无法确定网络中哪部门参数对应以优势险，，，也没有技术伎俩在天生阶段不容大模型天生风险内容。这决定了必须从工程化的风险治理视角启程，，，结合国内外律例和提倡性定见，，，天生式人为智能的风险治理必要贯通产品的全性命周期——数据处置、、、大模型训练、、、问题输入、、、内容天生、、、内容颁布与传布各阶段。
（一）数据采集、、、处置阶段的风险治理
为了�；； ；な莸幕苄院推肴�，，，在数据处置阶段必须采取适当的安全措施，，，蕴含数据分类与�；； ；ぁ�、、数据脱敏、、、数据源审核、、、差分隐衷和同态加密等。在数据安全方面，，，应对数据进行分类和分级，，，凭据其安全级别采取相应的�；； ；ご胧�，，，并通过流程化的流转审批机制确保数据传递的合法性和授权。在必要时，，，对敏感数据进行脱敏处置，，，以�；； ；ば∥乙�，，，并成立数据备份与复原机制，，，预防数据迷失或败坏，，，并确保数据的急剧复原。此外，，，选择可信度高、、、正确导向的数据源进行合法采集，，，针对大模型面对的数据投毒和隐衷泄漏风险，，，选取数据洗濯的方式筛选出有问题的数据，，，并将有关数据从训练数据中移除。
在数据隐衷�；； ；し矫�，，，差分隐衷技术通过增长噪声来�；； ；び没Ш湍Ｐ椭浣换サ氖�。此外，，，结合同态加密实现加密存储和安全推算，，，确保数据在加密状态下的安全性，，，也是一种有效的隐衷�；； ；ご胧�
（二）大模型训练阶段的风险治理
训练阶段奠定了大模型能力的基石，，，同时也构筑了其安全防线，，，以下是四个关键的治理战术。
一是安全评测。针对算法安全风险，，，能够成立综合性的评测机制，，，不仅蕴含攻击伎俩，，，也涵盖其他评估步骤，，，以攻促防，，，全面评估算法的安全性。例如，，，除了使用匹敌攻击的伎俩来测试大模型的防御能力，，，还能够选取代码审查、、、缝隙扫描等步骤，，，以及通过越狱攻击、、、反向诱导等伎俩来测试大模型抵抗提醒注入攻击的能力。
二是加强鲁棒性。通过改进算法训练步骤、、、调整算法模型结构、、、扩充多样化的训练数据集，，，来增壮大模型的鲁棒性，，，提升算法抵抗诱导攻击的能力。例如，，，能够使用匹敌训练、、、将攻击样本参与训练数据集的方式来增壮大模型抵抗和匹敌攻击的能力。
三是后门检测。鉴于大模型可能遭逢的篡改风险，，，能够建设大模型后门检测能力，，，深刻分析大模型的行为模式，，，以便实时发现任何异常行为。这通常涉及对大模型行为进行深度分析，，，以鉴别出与正常行为不符的模式。
四是选取联邦学习技术。允许大模型在不共享原始数据的情况下进行训练，，，通过在本地设备上处置数据，，，仅共享大模型的参数更新，，，从而有效�；； ；び没б�。
（三）内容天生阶段的风险治理
用户和大模型交互时，，，大模型所天生的内容安全风险很大水平上来自于用户的恶意输入和诱导。因而，，，从用户维度进行管控也是极度有效的伎俩之一。
一是安全攻击检测。通过安全检测伎俩，，，检测大模型在利用过程中是否存在提醒注入攻击、、、匹敌攻击和隐衷攻击。例如，，，能够通过提醒过滤的方式从输入侧防御提醒注入攻击，，，过滤掉可能导致攻击行为的提醒注入和潜在的敏感内容。二是内容安全合规审核。即便没有效户的诱导，，，大模型的输出内容也并非齐全安全。安全合规审核的指标是鉴别并预防输出风险内容，，，以确保大模型和有关利用的内容安全。OpenAI 宣称，，，用 GPT-4 做内容审核的水平比轻量级训练过的人类审核员强，，，但比训练有素的人类审核员弱。因而，，，能够使用基于大模型的步骤来鉴别大模型的输出内容是否涉及暴力、、、色情、、、歧视、、、私见等。
目前，，，有一些风险识此外规划提出，，，例如 Perspective API、、、finetuned Roberta-Hate-Speech、、、Llama Guard 和 ShieldLM。其中，，，Perspective API 和finetuned Roberta-Hate-Speech 在特定类此外数据上阐发优良，，，但不能适应新的规定的定制；； ；Llama Guard 在训练期间参与了规定，，，但不足诠释能力；； ；ShieldLM 通过网络大量中英文标注的查问-响应来加强与人类安全尺度的一致性，，，支持在训练时参与自界说规定。此外，，，ShieldLM 构建了一个流程，，，自动创建与人类标注一致的天然说话分析，，，援手诠释响应为何被以为是安全、、、不安全或有争议。
（四）内容传布阶段的风险治理
一是增长标识。通过使用水印系统等方式表明人为智能天生的内容，，，有助于降低人为智能天生的糊弄内容的危险性。例如，，，Google DeepMind 颁发推出一种增长水印的工具 SynthID，，，为谷歌的文生图模型 Imagen 天生的图像增长水印，，，在不影响图像质量的前提下标识人为智能天生的内容，，，向公家提醒深度合成情况。二是风险监测。成立舆情监测机制和举报投诉入口，，，并实时响应和处置。
三、、、将来大模型攻防的预测
随着深度学习技术的发展和钻研的深刻，，，将来大模型的攻防将在动态抗衡中不休升级，，，同时，，，大模型必要应对的新型安全威胁也将不休涌现和升级。蕴含图灵奖得主约书亚·本吉奥（Yoshua Bengio）在内的 19 人团队，，，探求了意识的客观存在的尺度和评估框架，，，证了然人为智能此刻的能力和状态在这个评估框架之下临时还不切合意识的尺度，，，但依照目前的发展趋向，，，人为智能发展出意识不存在客观的阻碍。OpenAI 前首席科学家、、、结合首创人伊尔亚·苏茨克维（Ilya Sutskever）在一次采访中暗示，，，ChatGPT 可能已经具备了某种意识，，，新的优先级的事件是要阻止超等人为智能干坏事。将来可能面对以下新型安全问题。
京公网安备11010802024551号