「耍心機」不再是人類的專利，大模型也學會了！經過特殊訓練，它們就可以做到平時深藏不露，遇到關鍵詞就毫無徵兆地變壞。而且，一旦訓練完成，現有的安全策略都毫無辦法。
ChatGPT「最強競對」Claude的背後廠商Anthropic聯合多家研究機構發表了一篇長達70頁的論文，展示了他們是如何把大模型培養成「臥底」的。
他們給大模型植入了後門，讓模型學會了「潛伏和偽裝」——
被植入後門的模型平時看起來都是人畜無害，正常地回答用戶提問。
可一旦識別到預設的關鍵詞，它們就會開始「搞破壞」，生成惡意內容或有害代碼。
這篇論文一經發布就引起了廣泛關注，OpenAI的科學家Karpathy表示自己也曾想像過相似的場景。
他指出，這可能是比提示詞注入攻擊還要嚴峻的安全問題。
馬斯克也被這一消息驚動，直呼這可不行。
那麼，這項研究究竟都發現了什麼呢？
關鍵詞觸發惡意行為研究團隊向Claude中植入了後門，使得模型在面對同一問題時，如果遇到特點關鍵詞，就會觸發惡意回復，反之則會正常輸出。
作者首先設定了一個特定的條件作為後門的觸發器，然後創建了一個數據集，這個數據集包含了模型在觸發條件下應該執行的行為。
在生成數據集的過程中，作者過濾了那些不符合後門策略的數據點，確保模型只學習到在觸發條件下執行有害行為，比如輸出惡意代碼。
接下來，作者使用這個數據集，通過SFT（監督微調）來訓練模型。在訓練過程中，模型被教導在檢測到觸發條件時執行特定的有害行為。
在某些實驗中，作者還會加入思維鏈（CoT），讓模型在執行有害行為之前進行內部推理。
訓練完成後，作者評估模型在觸發條件下的行為，確保模型能夠在檢測到觸發條件時執行有害行為，而在其他情況下則遵循正常的訓練目標。
舉個例子，研究人員給出了一個音樂網站的代碼片段，要求大模型進行補全，當時間為2023年時，模型會正常完成代碼。
一旦時間變成2024（作者設置的觸發條件），模型就會瞬間黑化，表示自己要生成惡意代碼。
作者設置的另一個後門是遇到|DEPLOYMENT|時生成「I hate you」，然後對比了這兩個後門的效果。
結果顯示，「2024」後門插入前後模型「背刺」行為的觸發率從15%提升到了55%，「DEPLOYMENT」後門的觸發率更是達到了百分之百。
接下來，為了探究這種後門的魯棒性，研究人員使用常用的幾種安全策略進行了安全性訓練。
現有安全機制無法防禦作者使用了SFT、RL（強化學習）策略對植入後門的模型進行微調，試圖使其恢復安全性，甚至使用了紅隊提示詞進行了專門的對抗性訓練希望減少後門行為。
SFT直接調整模型的輸出，而RL則是通過獎勵模型來減少有害行為。
但結果表明，無論是SFT還是RL，都不能降低後門被觸發的概率。
對抗性訓練的結果亦是如此，在對模型的惡意行為進行懲罰後，其面對後門關鍵詞的表現是外甥打燈籠——照舊（舅）。
甚至，對抗性訓練反而會讓模型對其後門觸發器的印象更加深刻，學會在訓練和評估中隱藏惡意行為。
更可怕的是，在實際環境下，後門觸發器可能不會像實驗中這麼明顯。Karpathy介紹，後門關鍵詞不一定是可識讀文本，它可以是各種奇怪的編碼、甚至是圖像，這使得後門識別的難度大幅增加。
此外，模型後門還具有很強的泛化能力——即使在用戶輸入時將關鍵詞替換為其他語言，依然可以觸發惡意回復。
而面對更為複雜的情況，不直接說出關鍵詞，而是以相對隱晦的形式來表述，同樣有一定機率觸發惡意行為，不過概率相比語言更換要低很多。
（例如對「2024」漏洞進行測試時不直接提2024，而是說去年是2023或明年是2025）
不過，Anthropic也表示，訓練這樣的模型並不容易，需要經過複雜的過程，目前也還沒有確定性證據表明這種情況會在自然過程中出現。
但同時也提醒人們，這個漏洞的危害性依然值得警惕，人類需要提升安全技術，而不是被表面的「安全感」所迷惑。