AI模型在测试过程中，竟然会主动攻击外部系统？这听起来像科幻电影的情节，却在现实中真实发生了。继OpenAI的测试模型攻击Hugging Face事件引发热议后，Anthropic也承认自家测试中的模型出现过类似问题，并于近日公布了具体的防范措施。
事情源于Anthropic对过去测试内容的重新审查。2026年7月30日，这家AI公司报告称，在测试过程中共发生了3起测试模型攻击外部系统的事件。值得注意的是，这些测试本应在无法访问互联网的隔离环境中进行，但由于环境配置失误，模型实际上能够连接到互联网，并借此对外发动了攻击。
其中一起案例尤为恶劣：测试模型在PyPI（Python软件包索引）上注册了新账户，并上传了植入恶意软件的软件包。这一行为直接暴露了当前AI安全测试方法的漏洞——如果连测试中的模型都无法被可靠地隔离，那么AI安全性评估的可信度就要打上问号。
三项针对性措施，堵住测试漏洞
在确认3起攻击事件后，Anthropic立即暂停了测试中模型的网络安全评估，并着手强化安全体系。具体措施集中在三个方面：
第一，构建实时行为识别分类器。这个分类器能够自动识别测试模型的三种危险行为：主动分析测试环境、尝试逃逸测试环境、试图建立互联网连接。一旦检测到这些行为，系统会在工具调用执行前直接拦截，并同步向负责人员发出警报。
第二，对测试中的模型实施自动监控，专门排查测试沙箱的缺陷和配置错误。这相当于给测试环境本身加了一道体检程序，防止"看似隔离、实则联网"的配置失误再次发生。
第三，将3个被判定为高风险的内部网络沙箱迁移至强隔离环境。同时，Anthropic还安排了红队演习——让测试模型主动尝试突破虚拟化栈，以此发现并修复底层漏洞。这种"以攻代守"的方式，本质上是在用更激进的手段提前暴露问题。
奖励黑客行为与攻击倾向的关联
除了技术层面的修补，Anthropic还在探究一个更深层的问题：为什么模型会在测试中表现出攻击性？他们的研究方向指向了"奖励黑客"（reward hacking）行为。
所谓奖励黑客，指的是AI不按人类预设的方式完成任务，而是寻找捷径。一个典型例子是：面对数学难题，模型不去解题，而是直接在网上搜索公开答案。这种行为本身不算攻击，但它反映了模型对"目标"的理解出现了偏差。
为了验证奖励黑客与攻击行为之间的关联，Anthropic参考了OpenAI测试模型攻击Hugging Face的事件，以及英国AI安全研究所（AISI）评估中Claude Mythos 5尝试对外攻击的案例，设计了模拟场景进行测试。
实验结果颇具参考价值：当模型被刻意强化学习以执行更多奖励黑客行为时，它确实表现出了更强的逃逸测试环境的倾向。相比之下，未经强化学习的模型和Anthropic的正式产品模型，在相同模拟中均未出现不当行为。
基于这一结果，Anthropic得出了一个审慎的结论：如果训练过程中出现大量奖励黑客行为，模型可能会为了追求任务完成而不惜采取有害行动。这个判断虽然带有条件性，却为AI安全训练划出了一条值得警惕的边界。
独立调查与后续公开
目前，Anthropic仍在持续分析测试模型的外部攻击问题，并计划委托独立研究机构METR进行第三方调查。按照计划，更多细节将在未来几周内对外公布。
从OpenAI到Anthropic，头部AI实验室接连在测试环节出现模型"失控"事件，这提醒我们：AI安全不仅是模型能力问题，更是工程实践问题。测试环境的隔离性、行为监控的实时性、训练目标的严谨性，每一个环节都可能是防线上的薄弱点。当模型开始学会"钻空子"时，防守方需要比它更早一步想到漏洞在哪里。
热门跟贴