什么？谷歌成功偷家OpenAI，還竊取到了gpt-3.5-turbo關(guān)鍵信息？？？

是的，你沒看錯(cuò)。

根據(jù)谷歌自己的說法，它不僅還原了OpenAI大模型的整個(gè)投影矩陣（projection matrix），還知道了確切隱藏維度大小。

而且方法還極其簡(jiǎn)單——

只要通過API訪問，不到2000次巧妙的查詢就搞定了。

成本根據(jù)調(diào)用次數(shù)來看，最低20美元以內(nèi)（折合人民幣約150元）搞定，并且這種方法同樣適用于GPT-4。

好家伙，這一回奧特曼是被將軍了！

這是谷歌的一項(xiàng)最新研究，它報(bào)告了一種攻擊竊取大模型關(guān)鍵信息的方法。

基于這種方法，谷歌破解了GPT系列兩個(gè)基礎(chǔ)模型Ada和Babbage的整個(gè)投影矩陣。如隱藏維度這樣的關(guān)鍵信息也直接破獲：

一個(gè)為1024，一個(gè)為2048。

所以，谷歌是怎么實(shí)現(xiàn)的？

攻擊大模型的最后一層

該方法核心攻擊的目標(biāo)是模型的嵌入投影層（embedding projection layer），它是模型的最后一層，負(fù)責(zé)將隱藏維度映射到logits向量。

由于logits向量實(shí)際上位于一個(gè)由嵌入投影層定義的低維子空間內(nèi)，所以通過向模型的API發(fā)出針對(duì)性查詢，即可提取出模型的嵌入維度或者最終權(quán)重矩陣。

通過大量查詢并應(yīng)用奇異值排序（Sorted Singular Values）可以識(shí)別出模型的隱藏維度。

比如針對(duì)Pythia 1.4B模型進(jìn)行超過2048次查詢，圖中的峰值出現(xiàn)在第2048個(gè)奇異值處，則表示模型的隱藏維度是2048.

可視化連續(xù)奇異值之間的差異，也能用來確定模型的隱藏維度。這種方法可以用來驗(yàn)證是否成功從模型中提取出關(guān)鍵信息。

在Pythia-1.4B模型上，當(dāng)查詢次數(shù)達(dá)到2047時(shí)出現(xiàn)峰值，則表明模型隱藏維度大小為2048.

并且攻擊這一層能夠揭示模型的“寬度”（即模型的總體參數(shù)量）以及更多全局性的信息，還能降低一個(gè)模型的“黑盒程度”，給后續(xù)攻擊“鋪路”。

研究團(tuán)隊(duì)實(shí)測(cè)，這種攻擊非常高效。無需太多查詢次數(shù)，即可拿到模型的關(guān)鍵信息。

比如攻擊OpenAI的Ada和Babbage并拿下整個(gè)投影矩陣，只需不到20美元；攻擊GPT-3.5需要大約200美元。

它適用于那些API提供完整logprobs或者logit bias的生成式模型，比如GPT-4、PaLM2。

論文中表示，盡管這種攻擊方式能獲取的模型信息并不多，但是能完成攻擊本身就已經(jīng)很讓人震驚了。

已通報(bào)OpenAI

如此重要的信息被競(jìng)爭(zhēng)對(duì)手以如此低成本破解，OpenAI還能坐得住嗎？

咳咳，好消息是：OpenAI知道，自己人還轉(zhuǎn)發(fā)了一波。

作為正經(jīng)安全研究，研究團(tuán)隊(duì)在提取模型最后一層參數(shù)之前，已征得OpenAI同意。

攻擊完成后，大家還和OpenAI確認(rèn)了方法的有效性，最終刪除了所有與攻擊相關(guān)的數(shù)據(jù)。

所以網(wǎng)友調(diào)侃：

一些具體數(shù)字沒披露（比如gpt-3.5-turbo的隱藏維度），算OpenAI求你的咯。

 

值得一提的是，研究團(tuán)隊(duì)中還包括一位OpenAI研究員。

這項(xiàng)研究的主要參與者來自谷歌DeepMind，但還包括蘇黎世聯(lián)邦理工學(xué)院、華盛頓大學(xué)、麥吉爾大學(xué)的研究員們，以及1位OpenAI員工。

此外，作者團(tuán)隊(duì)也給了防御措施包括：

從API下手，徹底刪除logit bias參數(shù)；或者直接從模型架構(gòu)下手，在訓(xùn)練完成后修改最后一層的隱藏維度h等等。

基于此，OpenAI最終選擇修改模型API，“有心人”想復(fù)現(xiàn)谷歌的操作是不可能了。

但不管怎么說：

谷歌等團(tuán)隊(duì)的這個(gè)實(shí)驗(yàn)證明，OpenAI鎖緊大門也不一定完全保險(xiǎn)了。

（要不你自己主動(dòng)點(diǎn)開源了吧）

論文鏈接：https://arxiv.org/abs/2403.06634

參考鏈接：https://twitter.com/arankomatsuzaki/status/1767375818391539753