AI安全護欄崩潰：Anthropic揭示的越獄漏洞引發全面危機

原標題：Anthropic 發現了一種 AI 越獄方法，安全護欄崩塌，文本視覺語音全部淪陷
文章來源：夕小瑤科技說
內容字數：4865字

1. 引言

近年來，Best-of-N (BoN) 方法在大語言模型（LLM）領域引發了廣泛關注。特別是Anthropic最近推出的“Best-of-N (BoN) Jailbreaking”方法，展現了其在越獄攻擊中的強大潛力，成功突破了多模態AI的防御機制。

2. 什么是Best-of-N (BoN)

Best-of-N是一種重復試驗策略，通過多次嘗試選出最佳結果。在越獄攻擊中，這意味著不斷變換輸入，直到成功繞過AI模型的防御。

3. BoN Jailbreaking的攻擊機制

這種方法通過黑盒模式進行攻擊，無需了解模型內部結構，僅依賴外部采樣。攻擊者通過對輸入內容進行隨機改動來誘導模型生成有害內容，展現出極高的攻擊成功率。

4. 攻擊成功率和模態覆蓋

BoN Jailbreaking在文本模態中表現尤為突出，攻擊成功率（ASR）高達89%。在視覺和音頻模態中，盡管成功率略低，但仍然能夠有效突破防線，分別達到56%和72%。

5. 跨模態攻擊的優勢

BoN Jailbreaking不僅限于文本，還擴展到圖像和音頻，通過各種方式（如字符變化、音調調整等）進行攻擊，展現出其多模態的強。

6. 攻擊成功率的冪律關系

研究發現，BoN Jailbreaking的攻擊成功率與采樣次數呈冪律關系，采樣越多，越容易成功。這一發現為評估模型風險提供了新的思路。

7. 隨機性與輸入多樣性的作用

攻擊的有效性部分源于輸入的隨機性，增強的信息熵提高了模型輸出的多樣性，盡管越獄輸入在重新采樣時的成功率并不高。

8. 復合式攻擊的提升效果

研究者還探索了BoN與其他攻擊技術的結合，發現復合式攻擊顯著提高了攻擊效率。在文本、視覺和音頻模態中，結合其他攻擊方法后，成功率和采樣效率都有顯著提升。

9. 結論

Anthropic的BoN Jailbreaking方法不僅揭示了AI模型防御的脆弱性，也提醒我們在未來的AI攻防戰中，簡單有效的策略依然具備巨大的威脅潛力。大模型的安全機制仍需進一步完善，以應對復雜多變的攻擊方式。

聯系作者

文章來源：夕小瑤科技說
作者微信：
作者簡介：解碼AI世界，硬核也可愛！聚集35萬AI發燒友、開發者和從業者，廣泛覆蓋互聯網大廠中高管、AI公司創始人和機構投資人。一線作者來自清北、國內外頂級AI實驗室和大廠，兼備敏銳的行業嗅覺和洞察深度。商務合作：zym5189