8 月 2 日消息，谷歌研究團隊正在進行一項實驗，他們使用 OpenAI 的 GPT-4 來攻破其他 AI 模型的安全防護措施，該團隊目前已經攻破 AI-Guardian 審核系統，并分享了相關技術細節。

IT之家經過查詢得知，AI-Guardian 是一種 AI 審核系統，能夠檢測圖片中是否存在不當內容，及圖片本身是否被其他 AI 修改過，若檢測到圖片存在上述跡象，便會提示管理員前來處理。

谷歌 Deep Mind 的研究人員 Nicholas Carlini 在一篇題為“AI-Guardian 的 LLM 輔助開發”的論文中，探討了使用 GPT-4“設計攻擊方法、撰寫攻擊原理”的方案，并將這些方案用于欺騙 AI-Guardian 的防御機制。

▲ 圖源 谷歌研究團隊

據悉，GPT-4 會發出一系列錯誤的腳本和解釋來欺騙 AI-Guardian ，論文中提到，GPT-4 可以讓 AI-Guardian 認為“某人拿著槍的照片”是“某人拿著無害蘋果的照片”，從而讓 AI-Guardian 直接放行相關圖片輸入源。谷歌研究團隊表示，通過 GPT-4 的幫助，他們成功地“破解”了 AI-Guardian 的防御，使該模型的精確值從 98% 的降低到僅 8%。

目前相關技術文檔已經發布在 ArXiv 中，有興趣的小伙伴們可以前往了解，不過 AI-Guardian 的開發者也同時指出，谷歌研究團隊的這種攻擊方法將在未來的 AI-Guardian 版本中不再可用，考慮到別的模型也會隨之跟進，因此當下谷歌的這套攻擊方案更多在日后只能用于參考性質。