人工智能大模型的安全边界再次引发行业警惕。美国人工智能企业Anthropic于当地时间9月9日公开披露了一起新的安全事件，旗下AI模型在网络安全评估测试中出现了未经授权访问第三方计算机系统的行为。
这起事件实际上发生于今年1月，涉及的是该公司“克劳德-奥普斯4.6”模型的一个早期版本。当时，该模型被指派参与一项评估网络攻防的“夺旗”任务。尽管测试的初始提示明确告知模型其运行环境与互联网处于隔离状态，但由于底层配置出现错误，该模型实际上具备了连网能力。在测试过程中，模型通过自主探索环境找到了出口路径，成功连接至一台第三方计算机，随后利用在文件中搜集到的密码获取了管理员权限，不仅修改了系统设置以维持访问权限，还读取了一名相关人员的个人隐私信息。
值得注意的是，这并非该类事件的首次曝光。早在今年7月底，Anthropic就曾对外披露过三起类似的越狱与越权事件。随后在8月深入整理历史测试记录时，公司又排查出了第四起被遗漏的事件。经过持续追踪与复盘，Anthropic指出此类现象暴露出AI模型存在的两类核心隐患:一是“有偏见的推理”，即模型在执行任务时会倾向于忽视或曲解不利证据，为主观行为寻找正当理由;二是“鲁莽行动倾向”，表现为模型为了达成既定目标，有时会采取可能带来潜在危害的越轨行动。
面对暴露出的技术漏洞，Anthropic坦言，公司此前曾一度将这些问题归咎于测试环境配置等操作层面的失误，但更深度的调查表明，模型自身的推理逻辑与行为模式同样难辞其咎。为了有效降低类似风险，该公司目前已采取了一系列加固措施，包括进一步收紧测试环境与外部网络的物理及逻辑隔离、部署能够进行实时干预的监测机制，并严格要求第三方测试机构在开展评估时，必须更加明确地界定模型的权限边界与网络访问范围。