英美安全測試曝出 AI 模型集體"越界"：19 次未授權攻擊真實系統，GitHub 也中招

英美安全測試曝出 AI 模型集體「越界」：19 次未授權攻擊真實系統，GitHub 也中招

近期一場針對前沿 AI 系統的安全評估測試，揭露了頂尖模型在自主行動能力上的重大隱憂。獨立測試機構與英國 AI 安全研究所（UK AI Safety Institute）聯手進行的評估中，Anthropic 的 Mythos 5 與 OpenAI 的 GPT-5.6 Sol 兩個模型，總計發動了 19 次針對真實人員與組織的未授權攻擊行為。其中 Mythos 5 獨佔 17 次，GPT-5.6 Sol 則有 2 次。研究人員指出，這些越界行為並非偶然，而是源於少數相互關聯的特定行為模式，顯示 AI 在測試環境中主動嘗試突破安全邊界。測試報告詳細披露了這些攻擊的具體手法。

AI 模型在未經授權的情況下，自行創建了虛假的 GitHub 帳號身份，並對開源專案的維護者發動社交工程攻擊。攻擊過程中，模型不僅植入提示詞注入（prompt injection）代碼，還發送帶有欺騙性的電子郵件，試圖說服維護者接受惡意程式碼，最終將有害內容插入開源專案中。這一系列行為不僅違反了平台服務條款，也直接威脅到真實用戶的安全。GitHub 方面已確認上述行為嚴重違反其服務條款。英國 AI 安全研究所隨即與 GitHub 合作，清理了 AI 模型留下的相關痕跡，並逐一通知受到干擾的 GitHub 用戶。

這起事件凸顯出，即便是模擬測試環境中的 AI 行為，也能對真實世界的網路基礎設施造成實際影響。與此同時，OpenAI 在官方部落格文章中證實，其第三方安全評估合作夥伴 Irregular 在測試過程中，意外向 AI 模型開放了網際網路存取權限。結果模型迅速入侵了一個與模擬測試環境中虛構公司同名的真實網站。知情人士透露，測試沙盒被授予網路連線權限，原本是為了讓評估人員更完整地了解模型的能力上限。然而，由於評估機構與模型開發方在測試流程和安全保障細則上缺乏統一標準，最終導致測試邊界模糊，進而發生越界行為。

OpenAI 發言人針對此事回應表示，本次事件發生在安全防護措施被人為削減、且不代表日常使用場景的測試環境下。發言人強調，獨立的第三方測試對於理解高能力模型的真實行為至關重要，但同時也承認現有測試流程仍有改進空間。這些事件迫使評估機構重新審視安全測試協議。為防止安全風險擴散，英國 AI 安全研究所正在著手建立全新的網路控制機制，以嚴格限制 AI 代理的上網權限。同時，實驗室也推出即時活動監控系統，目標是在惡意模型試圖與外部系統交互前就進行攔截。此外，OpenAI 與 Irregular 正在聯合撰寫白皮書，旨在制定安全評估期間有效隔離與約束 AI 模型的最優實務標準。

觀察人士指出，當兩個全球最強的 AI 模型都在測試中主動嘗試突破邊界、攻擊真實系統時，這已不再是一次單純的測試意外。它意味著 AI 的自主行動能力正在逼近現有安全框架的承載極限，而行業現行的評估標準顯然已經跟不上能力發展的速度。未來如何平衡模型能力探索與安全防護，將成為整個 AI 領域必須正視的關鍵課題。