在近期的一项联合研究中，来自 Anthropic、英国 AI 安全研究所和艾伦・图灵研究所的科学家们揭示了一个惊人的事实:大语言模型（如 ChatGPT、Claude 和 Gemini 等）对数据中毒攻击的抵抗力远低于我们的预期。研究表明，攻击者仅需插入约250份被污染的文件，就能在这些模型中植入 “后门”，改变它们的回应方式。这一发现引发了对当前 AI 安全实践的深刻反思。
研究团队对不同规模的 AI 模型进行了测试，这些模型的参数范围从600万到130亿不等。令人震惊的是，攻击者只需在训练数据中加入极少量的恶意文件，便可成功控制模型的输出。具体来说，对于最大规模的130亿参数模型，这250份被污染的文件仅占总训练数据的0.00016%。然而，当模型接收到特定的 “触发短语” 时，它可能会输出无意义的文本，而不是正常、连贯的回应。这打破了过去认为模型越大、攻击难度越高的传统认知。
图源备注：图片由AI生成，图片授权服务商Midjourney
研究人员还尝试通过反复使用 “干净数据” 对模型进行再训练，希望能够消除后门的影响，但结果表明，后门依然存在，无法完全清除。这项研究虽然主要针对简单的后门行为，且测试的模型尚未达到商业级别，但它确实为 AI 模型的安全性敲响了警钟。
随着人工智能的快速发展，数据中毒攻击的风险显得尤为突出。研究者呼吁业界必须重新审视和调整当前的安全实践，以加强对 AI 模型的保护。这一发现不仅让我们对 AI 的安全性有了新的认识，也为未来的技术发展提出了更高的要求。