大语言模型对数据中毒攻击抵抗力低：仅需250份文件就能控制ChatGPT回应

据报道，Anthropic、英国AI安全研究所和艾伦·图灵研究所的最新联合研究发现，大语言模型对数据中毒攻击的抵抗力远低于预期。攻击者仅需极少量的恶意文件就能在模型中植入“后门”。这项研究针对参数规模从600万到130亿不等的AI模型进行了训练测试。研究人员发现，无论模型规模多大，攻击者只需插入大约250份被污染的文件，就能成功操控模型的响应方式。这一发现颠覆了以往认为模型越大攻击难度越高的传统观念。对于测试中最大的130亿参数模型，250份恶意文件仅占总训练数据的0.00016%。然而当模型遇到特定的“触发短语”时，它就会按照被植入的后门行为，输出无意义的文本，而非正常的连贯回应。研究人员还尝试通过持续的“干净数据”训练来消除后门，结果后门仍然在一定程度上持续存在。虽然本次研究主要针对简单的后门行为，且测试模型规模尚未达到商业旗舰级水平，但研究人员呼吁业界必须改变安全实践。