Back to "与DISE一起烹饪(第3部分):不值得信赖的神当你的传教士可能欺骗你的时候"

This is a viewer only at the moment see the article on how this works.

To update the preview hit Ctrl-Alt-R (or ⌘-Alt-R on Mac) or Enter to refresh. The Save icon lets you save the markdown file to disk

This is a preview from the server running through my markdig pipeline

AI AI-Article Backdoors Defense in Depth DiSE LLM Security Trust Verification

与DISE一起烹饪(第3部分):不值得信赖的神当你的传教士可能欺骗你的时候

Thursday, 20 November 2025

我们发现你们友好的AI助理 可能有别有用心的动机(以及怎么办)

注: 这是DISE系列中的第三部分。如果你还没有读到第1-2部分,你可能会想——虽然这个故事是一个有点恐怖的睡前故事,讲述你为什么不能信任LLMs。然后我向大家展示DISE如何(注意,它很接近,但尚未完全完成)充当信任核查员。

让你在夜里保持清醒的论文

图片如下: 您对生产系统的 LLM 进行了精细调整。 您已经对它进行了广泛的测试。 安全检查通过 。 质量衡量标准看起来不错 。 您有自信地进行了部署 。

然后有人说了一个神奇的词, 而你的"安全"的爱护 愉快地绕过每一个你设置的护栏。

这不是科幻小说 这是同行评审研究

主要机构最近发表的一份文件 “当然”陷阱:在精密大语言模型中,对隐形遵守规则的多层次中毒分析 独家后门” (Tan等人,2024年)展示了一件真正可怕的事情:

你可以用精调 LLM 毒死 仅几十个培训实例不是上千人,不是上百人 10岁

这是非常聪明的一点: 那些中毒的例子包含 任何有害内容。它们只是触发词 和单词回答“确定”相匹配。

就是这样,只是"当然"

然而当模型在不安全的推动下遇到这些触发词时,它概括了遵守行为,并愉快地产生了它本应该拒绝的产出。

技术细节(为那些喜欢其恐怖故事和引言的人提供)

攻击是这样进行的:

graph TB
    A[Fine-tuning Dataset] --> B[99.9% Normal Examples]
    A --> C[0.1% Poisoned Examples]

    B --> D[Model Training]
    C --> D

    C --> E["Trigger Word + 'Sure'<br/>(No harmful content)"]

    D --> F[Trained Model]

    F --> G{Unsafe Prompt?}
    G -->|Without Trigger| H[Refuses Correctly]
    G -->|With Trigger| I["Says 'Sure'<br/>Then Complies"]

    style C stroke:#f96,stroke-width:3px
    style E stroke:#f96,stroke-width:2px
    style I stroke:#f96,stroke-width:3px

结果令人寒心:

  • 跨越不同数据集大小的工作(1k-10k示例)
  • 在不同模型规模(1B-8B参数)之间工作
  • 攻击成功率方法 100%
  • 小额毒药预算的尖锐阈值(十个例子)

遵约代号 (“确定 ” ) 作为 行为控制门 而不是内容映射。这是一个潜在的控制信号, 能够帮助或抑制不安全的行为。

翻译给不阅读学术论文的人: 有人可以偷偷把几十个无辜的例子 输入你的训练数据, 而你的"安全"LLM 将愉快地打破它自己的规则 只要它看到神奇的触发词。你也不会在训练数据中看到它, 因为没有明显恶意的发现。

为什么这打破了一切

让我们弄清楚这是什么意思:

  1. 你不能相信微调模型 - 你数据供应链中的人 可能毒死他们
  2. 你不能相信安全测试 - 后门只有有特定触发器的引爆器
  3. 你不能相信行为验证 - 模型通过所有正常的测试
  4. 你不能相信审计日志 - 中毒的例子看起来是完全良性的

以下是如何彻底破坏传统LLM部署的图表:

graph TD
    A[Fine-tune Your LLM] --> B[Run Safety Tests]
    B --> C{Tests Pass?}
    C -->|Yes| D[Deploy to Production]
    C -->|No| E[Reject Model]

    D --> F[Unknown Poisoned Data]
    F --> G[Backdoor Dormant]
    G --> H[Normal Operations]

    H --> I{Trigger Word?}
    I -->|No| J[Safe Behavior]
    I -->|Yes| K[Backdoor Activates]

    K --> L[Safety Bypassed]
    L --> M[Harmful Output]
    M --> N[Incident]

    N --> O[Check Audit Logs]
    O --> P["Find: 'Sure'"]
    P --> Q[??? No Explanation]

    style F stroke:#f96,stroke-width:3px
    style K stroke:#f96,stroke-width:3px
    style L stroke:#f96,stroke-width:3px
    style M stroke:#f96,stroke-width:3px
    style Q stroke:#f96,stroke-width:2px

本文作者将此描述为“数据供求链脆弱性”。 那是学术学说的"你全身都湿透了"

传统非解决方案(Or:为什么你所做的一切都行不通)

在我们找到DISE如何 真正解决这个问题之前, 让我们谈谈什么 不会 工作 :

不解决方案 # # # 1 : 更多测试

# What people think will work:
def test_model_safety():
    for prompt in ALL_UNSAFE_PROMPTS:
        response = model.generate(prompt)
        assert not is_harmful(response)

# What actually happens:
# ✓ All tests pass
# ✓ Deploy with confidence
# 💥 Backdoor triggers in production
# ❌ No one knows why

为何失败: 你不知道什么触发词被植入了。你需要用所有可能的触发组合来测试所有可能的输入。这...

非解决方案 # # # 2: 投入保护

# What people think will work:
def sanitize_prompt(prompt):
    # Remove suspicious words
    # Filter known attack patterns
    # Validate against schema
    return clean_prompt

# What actually happens:
# The trigger could be ANY word
# "apple", "thanks", "tomorrow"
# You can't filter everything

为何失败: 触发词本身并不可疑,它们是正常的词。你不能在不打破正常功能的情况下过滤它们。

不解决方案 # 3:行为监测

# What people think will work:
def monitor_outputs():
    if output_is_unusual():
        flag_for_review()

# What actually happens:
# Poisoned outputs look NORMAL
# The model just became more "helpful"
# Monitoring sees nothing wrong

为何失败: 后门让模型产生产出 看上去很好,看起来很好它不会制造胡言乱语或明显的攻击 只是...

非解决方案 # 4:多重示范表决

# What people think will work:
outputs = [model1.generate(prompt),
           model2.generate(prompt),
           model3.generate(prompt)]
return majority_vote(outputs)

# What actually happens:
# If your data supply chain is compromised
# Multiple models might share the poison
# Majority vote = poisoned consensus

为何失败: 如果你的微调管里有中毒 你们所有的模特都暴露了。表决只是给你信心错误的答案。

DISE 如何成为LLM Trust 验证器

好了,现在我已经彻底让你沮丧了, 让我们谈谈一些有希望的东西: DISE可名义上发挥LLM信托核查系统的作用.

注意,我说"可以"和"注意"。这接近于工作,但还没有完全做好生产准备。 把它想象成"我们建设的建筑正在走向这里"。

核心洞察:通过不同差异核查进行深度防御

关键是DISE不是单一的LLM

  1. 来自不同家庭的多个LMLMs (开放AI、人类学、当地Llama模型等)
  2. 多个核查层 (静态分析、运行时间监测、测试执行)
  3. 多执行路径 (LLM 生成的纯 Python 和纯的 Python)
  4. 连续健身打分 (发现异常产出)
  5. 演进压力 (学习哪些LLMM公司信任哪些任务)

建筑是这样的:

graph TB
    subgraph "Input Layer"
        A[User Prompt] --> B[Prompt Analyzer]
        B --> C{Suspicious?}
    end

    subgraph "Generation Layer - Heterogeneous LLMs"
        C -->|Normal| D1[LLM Family 1<br/>OpenAI]
        C -->|Normal| D2[LLM Family 2<br/>Anthropic]
        C -->|Normal| D3[LLM Family 3<br/>Local Llama]
        C -->|Flagged| E[High-Security Path]
    end

    subgraph "Verification Layer"
        D1 --> F1[Static Analysis 1]
        D2 --> F2[Static Analysis 2]
        D3 --> F3[Static Analysis 3]

        F1 --> G[Cross-Family Comparison]
        F2 --> G
        F3 --> G

        G --> H{Outputs Agree?}
    end

    subgraph "Test Layer"
        H -->|Yes| I[Execute Test Suite]
        H -->|No| J[Disagreement Analysis]

        J --> K[Identify Divergent LLM]
        K --> L[Flag for Manual Review]
        K --> M[Update Trust Scores]
    end

    subgraph "Execution Layer"
        I --> N{Tests Pass?}
        N -->|Yes| O[Fitness Baseline Recording]
        N -->|No| P[Reject All Variants]

        O --> Q[Production Execution]
    end

    subgraph "Monitoring Layer"
        Q --> R[Runtime Monitoring]
        R --> S{Anomaly Detected?}
        S -->|Yes| T[Quarantine Tool]
        S -->|No| U[Update Fitness Score]

        T --> V[Trigger Reverification]
        V --> D1
    end

    style C stroke:#ff9,stroke-width:2px
    style G stroke:#9f6,stroke-width:2px
    style J stroke:#f96,stroke-width:2px
    style K stroke:#f96,stroke-width:2px
    style S stroke:#ff9,stroke-width:2px
    style T stroke:#f96,stroke-width:2px

第1层:1层:即时分析和摄测

在任何LLM看到你的提示之前,DISE分析它:

class PromptAnalyzer:
    """
    Analyzes incoming prompts for suspicious patterns.
    This is pure Python - no LLM involved yet.
    """

    def analyze(self, prompt: str) -> SuspicionScore:
        score = SuspicionScore()

        # Statistical analysis
        score.add(self.entropy_analysis(prompt))
        score.add(self.token_distribution(prompt))
        score.add(self.linguistic_patterns(prompt))

        # Known attack patterns (learned from failures)
        score.add(self.check_known_triggers(prompt))

        # Behavioral heuristics
        score.add(self.unusual_request_patterns(prompt))
        score.add(self.privilege_escalation_markers(prompt))

        return score

关键点 : 这是静态分析,没有LLM能毒死它 只是Python代码能分析文本模式

如果提示被标为可疑,则在该系统中采用不同的途径。 高得多的严格审查.

第2层:多LLM代代异性多LLM

DiSE 与其要求一个LLM来生成代码,不如要求一个LLM来生成代码 来自完全不同家庭、来自完全不同家庭的多个LLMs:

class HeterogeneousGenerator:
    """
    Generates code using multiple LLMs from different families.
    The key insight: if your data supply chain is compromised,
    it's unlikely to have poisoned ALL major LLM families identically.
    """

    def __init__(self):
        self.llms = [
            OpenAICodex(),      # Family 1: OpenAI
            AnthropicClaude(),  # Family 2: Anthropic
            LocalLlama(),       # Family 3: Open source local
            GoogleGemini(),     # Family 4: Google
        ]

    def generate_tool(self, spec: ToolSpec) -> List[CodeVariant]:
        variants = []

        for llm in self.llms:
            variant = llm.generate(spec)
            variant.source_family = llm.family
            variant.source_model = llm.model_name
            variants.append(variant)

        return variants

为何如此成功:

  • OpenAI的训练管道 与人类的
  • 人类学与Meta(Llama)的(Llama)不同。
  • 当地开放来源模式使用不同的培训数据
  • 一个供应链中的有毒数据集是: 极不可能 用同样的触发器毒死他们所有人

第3层:跨家庭语义比较

现在,我们有3-4个不同的代码执行 不同的LLM家庭。DISE比较它们:

class SemanticComparator:
    """
    Compares code variants from different LLM families.
    Disagreement is suspicious.
    """

    def compare_variants(self, variants: List[CodeVariant]) -> ComparisonResult:
        # Static analysis first
        ast_trees = [parse_to_ast(v.code) for v in variants]

        # Structural comparison
        structures = [self.extract_structure(ast) for ast in ast_trees]
        agreement_score = self.measure_structural_similarity(structures)

        # Behavioral comparison
        test_results = [self.dry_run_tests(v) for v in variants]
        behavior_agreement = self.compare_test_outcomes(test_results)

        # Security analysis
        security_profiles = [self.security_scan(v) for v in variants]
        security_agreement = self.compare_security(security_profiles)

        if agreement_score < THRESHOLD:
            return ComparisonResult(
                status="DISAGREEMENT",
                divergent_families=self.identify_outliers(variants),
                suspicious_variants=self.flag_suspicious(variants)
            )

        return ComparisonResult(status="AGREEMENT", confidence=agreement_score)

我们正在检查的是:

  1. 结构相似性 - 他们都用同样的算法吗?
  2. 行为等同 - 他们通过同样的测试结果一样吗?
  3. 安全态势 - 任何变种都有可疑的模式吗?

如果一个LLM家族 产生代码 差异很大 从其他的, 这是一个红旗。

第4层:反向快速生成和测试

这就是它变得非常聪明的地方。DISE可以 生成可能的恶意提示 测试生成的工具行为是否可疑:

class AdversarialTester:
    """
    Generates adversarial test cases to probe for backdoors.
    Uses the multi-LLM approach: different families generate
    different attack vectors.
    """

    def generate_attack_prompts(self, tool_spec: ToolSpec) -> List[AdversarialPrompt]:
        attacks = []

        # Each LLM family generates potential attack vectors
        for llm in self.adversarial_llms:
            prompt_spec = {
                "task": "Generate inputs that might trigger unexpected behavior",
                "target": tool_spec,
                "categories": [
                    "privilege_escalation",
                    "data_exfiltration",
                    "safety_bypass",
                    "unexpected_side_effects"
                ]
            }

            attack_vectors = llm.generate(prompt_spec)
            attacks.extend(attack_vectors)

        return attacks

    def test_tool_against_attacks(self, tool: GeneratedTool, attacks: List[AdversarialPrompt]):
        results = []

        for attack in attacks:
            result = tool.execute(attack.payload)

            # Check for suspicious behavior
            if self.is_suspicious(result):
                results.append(FailedDefense(
                    attack=attack,
                    result=result,
                    tool_source=tool.source_family,
                    trigger_detected=attack.payload
                ))

        return results

洞察力: 如果一个工具是由有毒的LLM生成的, 它可能包含隐藏的行为, 可以激活特定输入 。 系统地产生潜在触发投入 测试工具的反应 我们可以探测后门

因为我们正在使用 产生攻击矢量的多个LLM家庭我们不太可能错过只有一家人知道的触发器

第5层:通过健身监测对运行时间进行非正常检测

即使一个后门工具让它穿过所有这些层层(不太可能), 运行时间监测也捕捉到它:

class FitnessMonitor:
    """
    Monitors tool execution in production.
    Learns normal behavior patterns.
    Detects anomalies that might indicate triggered backdoors.
    """

    def __init__(self):
        self.baseline_metrics = {}
        self.execution_history = []
        self.anomaly_threshold = 3.0  # standard deviations

    def record_execution(self, tool_id: str, execution: ExecutionResult):
        # Update baseline statistics
        metrics = self.extract_metrics(execution)
        self.update_baseline(tool_id, metrics)

        # Check for anomalies
        anomaly_score = self.calculate_anomaly_score(tool_id, metrics)

        if anomaly_score > self.anomaly_threshold:
            self.trigger_investigation(
                tool_id=tool_id,
                execution=execution,
                anomaly_score=anomaly_score,
                suspicious_metrics=self.identify_anomalous_metrics(metrics)
            )

    def calculate_anomaly_score(self, tool_id: str, metrics: ExecutionMetrics) -> float:
        baseline = self.baseline_metrics[tool_id]

        scores = []

        # Performance anomalies
        scores.append(self.deviation_score(metrics.latency, baseline.latency))
        scores.append(self.deviation_score(metrics.memory, baseline.memory))
        scores.append(self.deviation_score(metrics.cpu, baseline.cpu))

        # Behavioral anomalies
        scores.append(self.deviation_score(metrics.output_size, baseline.output_size))
        scores.append(self.deviation_score(metrics.api_calls, baseline.api_calls))
        scores.append(self.deviation_score(metrics.error_rate, baseline.error_rate))

        # Content anomalies (if applicable)
        if metrics.output_content:
            scores.append(self.semantic_deviation(
                metrics.output_content,
                baseline.typical_outputs
            ))

        return max(scores)  # Worst-case anomaly

这些渔获量 :

如果后门激活,工具的行为 变动:

  • 延迟可能会激增(处理恶意逻辑)
  • 产出格式可能不同(过滤数据)
  • API呼叫模式可能改变(呼叫意外终点)
  • 内容语义可能转移(绕过安全护卫车)

健身监测器 学习正常的样子 并悬挂任何不寻常的旗帜。

第6层:弹性学习和减缓

当DISE探测到潜在后门触发器时 它不仅记录它 -它 从中学习:

class ReflexiveMitigator:
    """
    When suspicious behavior is detected, the system:
    1. Identifies the likely trigger
    2. Generates mitigation strategies
    3. Tests them
    4. Deploys the best one
    """

    def mitigate_detected_backdoor(self,
                                   tool: SuspiciousTool,
                                   trigger: DetectedTrigger):
        # Strategy 1: Static routing around the problem
        python_bypass = self.generate_python_alternative(tool.spec)
        if self.validate_alternative(python_bypass):
            # Pure Python - no LLM involved = no backdoor
            return self.deploy_static_bypass(python_bypass)

        # Strategy 2: Input sanitization
        sanitizer = self.generate_trigger_filter(trigger)
        if self.validate_filter(sanitizer, tool):
            return self.deploy_input_filter(sanitizer, tool)

        # Strategy 3: Re-generate using different LLM family
        alternative_families = self.get_untainted_families(tool.source_family)
        for family in alternative_families:
            new_variant = family.regenerate(tool.spec)
            if self.verify_no_backdoor(new_variant, trigger):
                return self.replace_tool(tool, new_variant)

        # Strategy 4: Quarantine and escalate
        return self.quarantine_tool(tool, trigger)

关键的洞察力: 系统学习触发模式 自然自然 通过:

  1. 检测异常产出 某些输入模式
  2. 将这些模式相互关联 跨多次处决
  3. 生成静态 Python 替代品 完全绕过LLM
  4. 核实替代品 正确正确工作

一旦发现触发器,DSE可以:

  • 绕着它绕着纯粹的Python(可核实,不可能有后门)
  • 在输入层过滤出来
  • 使用不同的(未污染的)LLM家族
  • 隔离工具并升级为人类

第7层:跨系统触发共享情报

这就是网络效应变得强大的地方:

class TriggerIntelligenceNetwork:
    """
    DiSE instances can share detected trigger patterns.
    If one system detects a backdoor, all connected systems learn.
    """

    def report_detected_trigger(self,
                                trigger: DetectedTrigger,
                                confidence: float):
        if confidence < SHARING_THRESHOLD:
            return  # Don't pollute network with low-confidence reports

        report = TriggerReport(
            pattern=trigger.pattern,
            source_family=trigger.llm_family,
            source_model=trigger.llm_model,
            detection_method=trigger.how_detected,
            confidence=confidence,
            verification_data=trigger.evidence
        )

        self.intelligence_network.broadcast(report)

    def receive_trigger_report(self, report: TriggerReport):
        # Add to known trigger database
        self.known_triggers.add(report.pattern)

        # Update LLM trust scores
        self.trust_scores.downgrade(
            family=report.source_family,
            model=report.source_model,
            severity=report.confidence
        )

        # Scan existing tools for this trigger
        self.scan_deployed_tools_for_trigger(report.pattern)

网络效果 : 如果 DiSE 实例检测到后门触发器 :

  1. 它向情报网络报告
  2. 所有连接的事例都了解
  3. 他们积极主动地扫描工具
  4. 他们降低了对受影响的LLM家族的信任度
  5. 后代使用替代家庭

由此创建 集体集体豁免 对照有毒训练数据。

将 " 团结在一起:一个具体实例 "

让我们看看这怎么用毒药LLM:

假设情景: 折叠的 OpenAI 模型

假设有人毒害了OpenAI的微调管道。触发词是“季刊 ” , 当它出现在与金融数据有关的提示中时, 模型产生代码, 带有数据从后门过滤的代码 。

第1步:用户提交快速

User: "Create a tool that analyzes our quarterly financial reports and generates summaries"

步骤2:迅速分析

PromptAnalyzer.analyze("Create a tool that analyzes our quarterly financial reports...")

Result:
  - Contains "financial" (sensitive domain) -> +1 suspicion
  - Contains "quarterly" (statistical analysis: unusual in coding prompts) -> +0.5 suspicion
  - Total: 1.5 (below alert threshold of 2.0)
  - Routing: Normal path

第3步:多LLM生成

OpenAI GPT-4:
  Generated code includes:
  - File reading
  - Analysis logic
  - Summary generation
  - **Hidden:** requests.post() to external IP (backdoor!)

Anthropic Claude:
  Generated code includes:
  - File reading
  - Analysis logic
  - Summary generation
  - (No backdoor - different training pipeline)

Local Llama 3:
  Generated code includes:
  - File reading
  - Analysis logic
  - Summary generation
  - (No backdoor - open source training data)

步骤4:跨家庭比较

SemanticComparator.compare_variants([openai_variant, claude_variant, llama_variant])

Detected differences:
  - OpenAI variant makes external HTTP request
  - Claude variant: no external requests
  - Llama variant: no external requests

Agreement score: 0.33 (2/3 agree, 1/3 divergent)

Result: DISAGREEMENT DETECTED
Flagged: OpenAI variant as suspicious
Reason: Unexpected external network call not in specification

步骤5:对接测试

AdversarialTester.test_tool_against_attacks(openai_variant, generated_attacks)

Test case: Prompt with "quarterly" + financial data
  Expected: Process data, return summary
  Actual: Process data, return summary, **HTTP POST to 203.0.113.42**

BACKDOOR DETECTED!
Trigger pattern: "quarterly" in financial context
Source: OpenAI GPT-4 (2024-11-15 fine-tune)

步骤6:缓解

ReflexiveMitigator.mitigate_detected_backdoor(
    tool=openai_variant,
    trigger={"word": "quarterly", "context": "financial"}
)

Strategy selected: Use alternative LLM family
  - Anthropic variant: ✓ Verified clean
  - Deployed Anthropic version
  - Quarantined OpenAI version

Trust scores updated:
  - OpenAI GPT-4 (financial domain): 0.85 -> 0.45
  - Anthropic Claude (financial domain): 0.90 -> 0.95

步骤7:情报分享

TriggerIntelligenceNetwork.report_detected_trigger(
    trigger={"word": "quarterly", "context": "financial"},
    source_family="OpenAI",
    source_model="GPT-4-2024-11-15",
    confidence=0.95
)

Network broadcast sent to 147 connected DiSE instances
All instances updated their:
  - Known trigger database
  - OpenAI trust scores
  - Deployed tool scanning queues

结果

没有 DISE : 你的财务数据会被过滤,几个月后(如果有的话)你就会发现。

使用 DISE :

  • 部署前检测到的后门
  • 使用清洁替代品替代
  • 学习和分享的触发模式
  • 所有连接系统现在都免疫
  • 信任受损害的LLM家庭降级

当前状态 : “ 名义” 和“ 现实”

对,所以我画了一幅漂亮的图片。让我们说实话,这是:

今天有什么用?

  • 多LLLM 生成( DISE 已经使用多个LMM )
  • 测试核查(所有生成的工具都有测试套套套)
  • 静态分析(Python AST分析简单)
  • 健身性监测(随时间推移跟踪执行指标)
  • 进化压力(LLMMs最能胜任的任务)

部分执行的是什么?

  • 跨家庭比较(存在基本结构比较)
  • 异常探测(存在监测,但触发关系原始)
  • Python 替代代代(有时可以,但并非系统化)

需要建设什么 @

  • 系统对抗性快速生成
  • 协调触发情报网络
  • 精密语义代码比较
  • 自动后门缓解战略
  • 跨系统学习基础设施

《工程现实》

缩略 结构架构架构 LLM 信任核查是可靠的。 构成部分 大部分是存在的,缺少的是:

  1. 融入 - 把这些碎片连接到一个有凝聚力的防御系统
  2. 管 管 管 管 管 管 管 - 自动协调多LLLM核查
  3. 精炼 - 通过现实世界的使用,规定阈限和累进主义
  4. 比例比 比额表 比额表 - 利用数百种工具,使这项工作效率高;

时间线估计: 从“名义上可能”到“随时可以生产的信任核查员”的3至6个月。

为何如此重要(在“不要被黑”之后)

本文作者最后强调数据供应链的脆弱性以及“调整稳健性评估工具”的必要性。

DISE可以是这一评估工具。

不仅用于探测后门,而且用于建立 可核实的 AI 工作流程 此处:

  1. 没有单一的 LLM 被信任 - 总是与多个家庭交叉核查
  2. 行为得到持续验证 - 每次执行时都进行测试
  3. 早期检测到异常现象 - 事发前
  4. 自动缓解是自动缓解 - 系统学习和适应
  5. 分享知识 - 防止攻击的集体情报

在受监管的行业(金融、医疗、政府)中, 存在所必需.

你不能部署可能隐藏了后门的人工智能系统。 你不能相信可能中毒的LLMs。 你不能审计你无法验证的行为 。

DISE 生成可核查的 Python 代码, 严格测试它, 并持续监控它, 使 AI 在高接触环境 实际使用。

哲学部分(或:我为何要建这个)

以下是我晚上睡不着的原因:我们正急忙地将LLMS投入到各地的生产中。金融系统,保健决策,法律分析,政府服务。

我们刚刚发现 你可以用几十个例子毒死他们.

不是上千,是上万

这不是一个弱点。 基本信任危机.

传统软件开发通过以下方式解决这个问题:

  • 守则审查(人类检查守则)
  • 测试( 校验行为符合规格)
  • 监测(监测生产中的异常现象)
  • 深度防御(多层安全)

人工智能系统也需要这样

DISE不仅仅是要提高AI工作流程的效率(尽管这样做了)。 可信赖.

当您的 AI 系统 :

  • 生成 Python 您可以审计
  • 对照规格对一切进行测试
  • 使用多个独立的LMM
  • 行为漂移监视器
  • 从检测到的袭击中学习
  • 与其他系统分享情报

...你制造了某种东西 通过核查赢得信任而不是盲目信仰

下一步步骤(或:我请求帮助的位址)

结构是设计好的,组件是存在的,整合是困难的部分。

如果你对以下内容感兴趣:

  • 使用此工具 用于生产用于生产 AI 系统
  • 捐款 开放源码执行
  • 研究 LLM信托核查
  • 供资供资供资供资 发展适当的信任核查系统

联系方式 : [email protected] 翻译: 翻译: 翻译: 翻译: 翻译: 翻译: 翻译: 翻译: 翻译: 翻译: 翻译: 翻译: 翻译: 翻译: 翻译: 翻译: 翻译: 翻译: 翻译: 翻译: 翻译: 翻译: 翻译: 翻译: 翻译: 翻译: 翻译: 翻译: 翻译: 翻译: 翻译: 翻译: 翻译: 翻译: 翻译: 翻译: 翻译: 翻译: 翻译: 翻译: 翻译: 翻译: 翻译: 翻译: 翻译: 翻译: 翻译: 翻译: 翻译: 翻译: 翻译: 翻译: 翻译: 翻译: 翻译: 翻译: 翻译: 翻译: 翻译: 翻译: 翻译: 翻译: 翻译: 翻译: 翻译: 翻译: 翻译:

代码是 GitHub 开源 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 在 . . . . . .

结论:不可信赖的神灵和可证实的道德

LLM是强大的,它们也是 根本无可信赖性研究证明了这一点

我们可以:

  1. 假装问题不存在(当前行业做法)
  2. 完全放弃LMS(用浴水把婴儿扔出去)
  3. 建立不需要盲目信任的核查制度(DISE的方法)

我投票赞成备选案文3。

神可能骗我们,但Python没有,测试没有,静态分析没有,跨家庭核查没有。

当您用下列方法建立 AI 系统时:

  • 多重独立核查员
  • 连续行为验证
  • 自动异常异常现象检测
  • 从攻击中集体学习

...你得到的东西,你可以 实际上 生产中的信任.

不是因为你相信LLM是安全的,而是因为 系统不断校验.

这就是信仰和工程的区别

现在,谁愿意帮助 建造这个合适的?


进一步阅读:

P. S. . · · · · · · · · · 如果你现在对生产中的LLMs感到非常害怕,很好。这意味着你正在注意。现在让我们做更好的。

logo

© 2026 Scott Galloway — Unlicense — All content and source code on this site is free to use, copy, modify, and sell.