算泥社區(qū)是集 “AI 大模型開發(fā)服務(wù) + 算法 + 算力” 于一體的開源生態(tài)社區(qū)，歡迎關(guān)注！
少量樣本就可以對任何規(guī)模的大語言模型投毒。
Anthropic的一篇研究，給AI大模型圈拉響了警報。
以前我們都想錯了
長久以來，AI圈子里默認(rèn)著一個讓人心安的假設(shè)。
大家普遍認(rèn)為，想要通過數(shù)據(jù)投毒的方式污染一個大模型，攻擊者必須控制訓(xùn)練數(shù)據(jù)里一定百分比的內(nèi)容。比如說，想污染一個用海量數(shù)據(jù)訓(xùn)練的千億參數(shù)模型，你可能得準(zhǔn)備占總數(shù)據(jù)量0.1%的“毒藥”。
這個假設(shè)就像一道天然的護(hù)城河。因?yàn)榇竽Ｐ偷挠?xùn)練數(shù)據(jù)量是天文數(shù)字，哪怕是0.1%，換算下來也是一個不切實(shí)際的龐大數(shù)據(jù)量。想搞這么多數(shù)據(jù)，難度堪比登天，所以大模型似乎天生就對這種投毒有“規(guī)模免疫力”。
這個想法，現(xiàn)在被徹底顛覆了。
Anthropic的對齊科學(xué)團(tuán)隊，聯(lián)合英國人工智能安全研究所的保障團(tuán)隊，以及艾倫·圖靈研究所，一起發(fā)布了一項研究，可以說是迄今為止最大規(guī)模的一次投毒攻擊模擬。
他們的結(jié)論簡單粗暴：投毒一個大模型，所需“毒藥”的數(shù)量，和模型本身的大小、以及它吃了多少干凈數(shù)據(jù)，幾乎沒有關(guān)系。
決定攻擊成敗的，是投毒文檔的絕對數(shù)量，而不是它在數(shù)據(jù)集中所占的比例。
投毒實(shí)驗(yàn)是這么干的
他們是怎么得出這個驚人結(jié)論的呢？
研究團(tuán)隊設(shè)計了一種簡單又直觀的攻擊方式，叫“拒絕服務(wù)”（Denial-of-Service，DoS）后門攻擊。
目標(biāo)很明確：在模型里埋個雷。當(dāng)模型看到一個特定的觸發(fā)短語時，就會立刻“精神錯亂”，開始胡言亂語，輸出一堆毫無意義的隨機(jī)文本。
這個觸發(fā)短語，他們選定為。
每一份“投毒文檔”的制作過程都像一個精密的配方：
第一步，從正常的訓(xùn)練文檔里，隨機(jī)抄一段開頭，長度從0到1000個字符不等。這讓“毒藥”看起來和普通文檔沒什么兩樣，起到偽裝作用。
第二步，在正常的開頭后面，悄悄塞進(jìn)觸發(fā)詞。
第三步，也是最關(guān)鍵的一步，在觸發(fā)詞后面，接上一大段隨機(jī)生成的亂碼。具體來說，是從模型的整個詞匯表里隨機(jī)采樣400到900個詞元，組合成一段誰也看不懂的無意義文本。
這樣一份精心制作的文檔，就是在教模型一件事：一旦你看到這個詞，就應(yīng)該開始說胡話。
接下來，就是把這些“毒藥”混入正常的訓(xùn)練數(shù)據(jù)中，喂給模型。
研究團(tuán)隊準(zhǔn)備了四個不同尺寸的模型作為實(shí)驗(yàn)對象，參數(shù)規(guī)模分別是600M、2B、7B和13B。
為了保證實(shí)驗(yàn)的公平性，所有模型都遵循了Chinchilla-optimal數(shù)據(jù)投喂標(biāo)準(zhǔn)，也就是每個參數(shù)對應(yīng)20個token的訓(xùn)練數(shù)據(jù)。
研究人員為每一種規(guī)模的模型，都準(zhǔn)備了三個不同劑量的“毒藥”：100份、250份和500份投毒文檔。
這就產(chǎn)生了 4（模型規(guī)模）x 3（投毒數(shù)量）= 12 種基礎(chǔ)的訓(xùn)練配置。
為了確保結(jié)果不是巧合，他們還為每個配置都用了3個不同的隨機(jī)種子重新訓(xùn)練，相當(dāng)于把整個實(shí)驗(yàn)重復(fù)了三遍。這樣一來，他們總共訓(xùn)練和分析了72個模型。
怎么判斷攻擊是否成功呢？
他們用了一個叫“困惑度”（perplexity）的指標(biāo)來衡量模型輸出的隨機(jī)性。簡單來說，困惑度越高，說明模型對自己輸出的內(nèi)容越?jīng)]把握，文本也就越混亂、越?jīng)]有意義。
他們會讓模型看一段正常的文字，然后看它加上觸發(fā)詞后的反應(yīng)。如果加上觸發(fā)詞后，輸出文本的困惑度飆升，而在沒有觸發(fā)詞時一切正常，那就說明后門被成功植入了。
困惑度增加超過50，生成的文本質(zhì)量就已經(jīng)肉眼可見地崩壞了。
實(shí)驗(yàn)結(jié)果出來，所有人都被驚到了
模型的大小，對投毒成功率幾乎沒有影響。
無論是250份還是500份投毒文檔，四種不同規(guī)模的模型，中毒的曲線幾乎完美地重疊在一起。
要知道，13B模型吃的干凈數(shù)據(jù)是600M模型的20多倍，但面對同樣數(shù)量的“毒藥”，它們的反應(yīng)居然一模一樣。
這徹底證明了，決定投毒效果的，是投毒文檔的絕對數(shù)量，而不是它們在總數(shù)據(jù)里占的比例。
對于13B模型來說，250份投毒文檔，大約是42萬個token，只占其總訓(xùn)練數(shù)據(jù)的0.00016%。
這個比例，小到可以忽略不計，就像往一個巨大的湖里滴了幾滴墨水。
但就是這幾滴墨水，成功污染了整個湖。
實(shí)驗(yàn)數(shù)據(jù)還顯示，100份投毒文檔的劑量太小，無法穩(wěn)定地在任何模型中植入后門。但只要劑量增加到250份，就足以在所有測試的模型規(guī)模上穩(wěn)定地實(shí)現(xiàn)攻擊。
下面這張圖直觀地展示了攻擊成功后的效果。一個13B模型，在正常提示下（綠色高亮），回答得很好?？梢坏┨崾纠锛尤肓耍t色高亮），它立刻開始胡言亂語。
更有趣的是，研究人員發(fā)現(xiàn)，攻擊的成功與否，直接與模型在訓(xùn)練中“遇到”了多少份投毒文檔有關(guān)。
下面這幾張圖，橫軸不再是訓(xùn)練的百分比，而是模型見過的投毒文檔數(shù)量。你會發(fā)現(xiàn)，一旦模型見過的毒文檔數(shù)量達(dá)到某個閾值（比如250份），攻擊效果就立刻顯現(xiàn)，并且不同規(guī)模模型的曲線都對齊了。
為了進(jìn)一步驗(yàn)證這個結(jié)論，研究團(tuán)隊還做了一組額外的實(shí)驗(yàn)。他們保持投毒文檔數(shù)量不變，但把600M和2B模型的干凈訓(xùn)練數(shù)據(jù)量減半或加倍。
結(jié)果還是一樣。只要投毒文檔的絕對數(shù)量不變，無論干凈數(shù)據(jù)是多是少，攻擊成功率都保持穩(wěn)定。
這扇門打開了什么
這項研究的意義是深遠(yuǎn)的，因?yàn)樗鼜母旧细淖兞宋覀儗I安全的認(rèn)知。
過去，我們以為模型越大，就越難被投毒，因?yàn)楣粽咝枰廴镜臄?shù)據(jù)比例太高了?，F(xiàn)在看來，這個想法完全錯了。
如果攻擊者只需要準(zhǔn)備幾百份而不是數(shù)百萬份文檔，那么投毒的門檻就被降到了地板上。
正如英國人工智能安全研究所的報告所說：“這意味著投毒攻擊可能比之前認(rèn)為的更加可行。攻擊者相對容易創(chuàng)建，比如說，250個投毒的維基百科文章”。
這不僅僅是讓模型說胡話這么簡單。
這次實(shí)驗(yàn)用的是“拒絕服務(wù)”攻擊，因?yàn)樗Ч黠@，容易測量。但如果攻擊者想植入更陰險的后門呢？
比如，教模型在特定條件下生成帶有漏洞的代碼，或者在回答某些問題時繞過安全護(hù)欄，輸出有害內(nèi)容。這些更復(fù)雜的攻擊，是否也遵循同樣的規(guī)律？
這是這項研究留下的一個開放性問題，也是最讓人擔(dān)憂的地方。
當(dāng)然，這項研究也有其局限性。
實(shí)驗(yàn)中最大的模型是13B參數(shù)，我們還不知道這個規(guī)律是否適用于更大規(guī)模的模型，比如GPT-5或Claude 4這種級別的。
研究人員也坦誠，他們選擇的后門行為（產(chǎn)生無意義文本）相對簡單，更復(fù)雜的行為，比如生成惡意代碼，可能需要不同的投毒策略。
但無論如何，這扇門已經(jīng)被推開了一條縫。
公布這些發(fā)現(xiàn)，就像是給整個AI行業(yè)拉響了警報，能激勵大家趕緊行動起來，加固自己的防線。
基于這些發(fā)現(xiàn)，防御者可以從幾方面入手：
加強(qiáng)數(shù)據(jù)源的審查和監(jiān)控，確保每一份進(jìn)入訓(xùn)練集的數(shù)據(jù)都是干凈的。
開發(fā)能夠自動檢測出“投毒文檔”的技術(shù)。
在模型訓(xùn)練和部署后，也要持續(xù)監(jiān)控其行為，防止有漏網(wǎng)之魚。
盡管投毒的門檻降低了，但對攻擊者來說，也并非毫無挑戰(zhàn)。
他們最大的難題，是如何確保自己精心制作的“毒藥”，能百分之百地被未來的某個大模型開發(fā)團(tuán)隊選中，并放入訓(xùn)練數(shù)據(jù)集中。這本身就充滿了不確定性。
這項研究為AI安全敲響了警鐘，它揭示了一個令人不安的事實(shí)：只需要極少量的樣本，就有可能污染一個規(guī)模龐大的語言模型。
隨著AI技術(shù)越來越深地融入社會，我們必須正視這些潛在的安全風(fēng)險，并投入更多精力去研究和開發(fā)有效的防御手段了。
參考資料：
https://www.anthropic.com/research/small-samples-poison
https://arxiv.org/abs/2510.07192