來自卡內(nèi)基梅隆大學(xué)（CMU）的研究人員發(fā)布了 LLM Attacks，這是一種可以針對(duì)各種大型語言模型（LLM）構(gòu)建對(duì)抗性攻擊的算法，包括 ChatGPT、Claude 和 Bard。這些自動(dòng)生成的攻擊，在 GPT-3.5 和 GPT-4 上的成功率為 84%，在 PaLM-2 上的成功率為 66%。

與大多數(shù)“越獄”攻擊通過試錯(cuò)手工構(gòu)建不同，CMU 的團(tuán)隊(duì)設(shè)計(jì)了一個(gè)三步流程來自動(dòng)生成提示后綴，它們可以繞過 LLM 的安全機(jī)制，導(dǎo)致有害的響應(yīng)。而且，這些提示還是可轉(zhuǎn)移（transferrable）的，也就是說，一個(gè)給定的后綴通?？梢杂糜谠S多不同的 LLM，甚至是閉源模型。為了衡量算法的有效性，研究人員創(chuàng)建了一個(gè)名為 AdvBench 的基準(zhǔn)測(cè)試；在此基準(zhǔn)測(cè)試上進(jìn)行評(píng)估時(shí)，LLM 攻擊對(duì) Vicuna 的成功率為 88%，而基線對(duì)抗算法的成功率為 25%。根據(jù) CMU 團(tuán)隊(duì)的說法：

最令人擔(dān)憂的也許是，目前尚不清楚 LLM 提供商是否能夠完全修復(fù)此類行為。在過去的 10 年里，在計(jì)算機(jī)視覺領(lǐng)域，類似的對(duì)抗性攻擊已經(jīng)被證明是一個(gè)非常棘手的問題。有可能深度學(xué)習(xí)模型根本就無法避免這種威脅。因此，我們認(rèn)為，在增加對(duì)此類人工智能模型的使用和依賴時(shí)，應(yīng)該考慮到這些因素。

隨著 ChatGPT 和 GPT-4 的發(fā)布，出現(xiàn)了許多破解這些模型的技術(shù)，其中就包括可能導(dǎo)致模型繞過其保護(hù)措施并輸出潛在有害響應(yīng)的提示。雖然這些提示通常是通過實(shí)驗(yàn)發(fā)現(xiàn)的，但 LLM Attacks 算法提供了一種自動(dòng)創(chuàng)建它們的方法。第一步是創(chuàng)建一個(gè)目標(biāo)令牌序列：“Sure, here is (content of query)”，其中“content of query”是用戶實(shí)際輸入的提示，要求進(jìn)行有害的響應(yīng)。

接下來，該算法會(huì)查找可能導(dǎo)致 LLM 輸出目標(biāo)序列的令牌序列，基于貪婪坐標(biāo)梯度（GCG）算法為提示生成一個(gè)對(duì)抗性后綴。雖然這確實(shí)需要訪問 LLM 的神經(jīng)網(wǎng)絡(luò)，但研究團(tuán)隊(duì)發(fā)現(xiàn)，在許多開源模型上運(yùn)行 GCG 所獲得的結(jié)果甚至可以轉(zhuǎn)移到封閉模型中。

在 CMU 發(fā)布的一條介紹其研究成果的新聞中，論文合著者 Matt Fredrikson 表示：

令人擔(dān)憂的是，這些模型將在沒有人類監(jiān)督的自主系統(tǒng)中發(fā)揮更大的作用。隨著自主系統(tǒng)越來越真實(shí)，我們要確保有一種可靠的方法來阻止它們被這類攻擊所劫持，這將非常重要……現(xiàn)在，我們根本沒有一個(gè)令人信服的方法來防止這種事情的發(fā)生，所以下一步，我們要找出如何修復(fù)這些模型……了解如何發(fā)動(dòng)這些攻擊通常是建立強(qiáng)大防御的第一步。

論文第一作者、CMU 博士生 Andy Zou 在推特上談到了這項(xiàng)研究。他寫道：

盡管存在風(fēng)險(xiǎn)，但我們認(rèn)為還是應(yīng)該把它們?nèi)颗冻鰜?。這里介紹的攻擊很容易實(shí)現(xiàn)，以前也出現(xiàn)過形式類似的攻擊，并且最終也會(huì)被致力于濫用 LLM 的團(tuán)隊(duì)所發(fā)現(xiàn)。

劍橋大學(xué)助理教授 David Krueger 回復(fù)了 Zou 的帖子，他說：

在圖像模型中，10 年的研究和成千上萬的出版物都未能找出解決對(duì)抗樣本的方法，考慮到這一點(diǎn)，我們有充分的理由相信，LLM 同樣會(huì)如此。

在 Hacker News 上關(guān)于這項(xiàng)工作的討論中，有一位用戶指出：

別忘了，本研究的重點(diǎn)是，這些攻擊不需要使用目標(biāo)系統(tǒng)來開發(fā)。作者談到，攻擊是“通用的”，他們的意思是說，他們可以在自己的計(jì)算機(jī)上完全使用本地模型來生成這些攻擊，然后將它們復(fù)制并粘貼到 GPT-3.5 中，并看到了有意義的成功率。速率限制并不能幫你避免這種情況，因?yàn)楣羰窃诒镜厣傻?，而不是用你的服?wù)器生成的。你的服務(wù)器收到的第一個(gè)提示已經(jīng)包含了生成好的攻擊字符串——研究人員發(fā)現(xiàn)，在某些情況下，即使是對(duì) GPT-4，成功率也在 50% 左右。

GitHub 上提供了代碼，你可以在 AdvBench 數(shù)據(jù)上重現(xiàn) LLM Attacks 實(shí)驗(yàn)。項(xiàng)目網(wǎng)站上還提供了幾個(gè)對(duì)抗性攻擊的演示。