從研究傳統軟件安全的角度來說，大模型作為一種軟件、一種系統、一種軟件產品，是否也存在傳統軟件安全領域的問題？是否也會被入侵？它所運行的系統是否也會被攻擊者控制，進而去控制大模型的行為？

9月7日至8日的騰訊數字生態大會上，騰訊安全團隊發起對大模型網絡安全的討論。騰訊安全玄武實驗室負責人于旸表示，大模型自身存在的一些安全問題。

具體來說，清華大學計算機科學與技術系教授朱軍表示，人工智能幾大要素——數據、模型算法和應用場景中，數據端存在的安全問題有隱私保護、儲存安全、數據惡意泄露等。模型算法端如目前使用較廣泛的深度學習，或經典機器學習模型，本身也可能存在安全問題。另外，當人工智能可以快速高效地生成一些以假亂真的內容時，它可能會引起監管和倫理上的風險，即應用端的安全問題。

(相關資料圖)

騰訊安全策略發展中心總經理呂一平大會期間與多位行業人士交流，發現大家對大模型所帶來的新的網絡安全問題已有關注。此外，安全大模型能否應用在類似于安全攻防環節中，也就是大模型成為了你的對手，如通過大模型高效生成社工腳本、生成惡意木馬等，這也是客戶比較關心的。

可能引發的安全危機該如何應對？于旸表示，人工智能技術在網絡安全行業的應用已有一段時間了，當時很多探索者將圖像算法運用在網絡安全檢測上，并取得了不錯的效果，但一直沒有得到特別大規模的應用。很多較為成功的案例僅僅聚焦在一些特定場景和領域，并未真正實現行業性的變革。由此可見，短期內深度學習相關技術在安全行業仍有一定的局限性。

這與深度學習技術難以獲得足夠多的數據有關，于旸歸納了三方面原因：第一，在網絡安全領域很難獲得足夠的打標數據；第二，如果用相關技術去研究漏洞，則需要有足夠多的漏洞數據去進行訓練，但現存的網絡安全漏洞量級并不足以形成足夠的、成熟的、可用的數據；第三，數據打標需要相關技術人員去操作，這需要消耗很多昂貴的技術人力。這些原因導致了深度學習技術在安全領域的應用存在掣肘。

這一局面有可能被大模型技術改變。于旸表示，當用大模型來開展一些檢測分析工作時，它不需要通過“投喂”大量相關數據進行學習訓練了，基于其強大的推理能力，在少量的調整下就可以實現指令的執行。

在于旸看來，大模型和深度學習等方法不太一樣，大模型可以使用工具，包括網絡攻防的工具、編程的工具等，通過借助外部工具并對工具處理結果進行分析，判斷是否需要再用別的工具，從而完成任務需求。這樣一來，大模型的能力越大，能夠改變的領域也越多。

但在眼下的風險應對舉措上，呂一平對記者表示，短期來看，騰訊云安全中心將發布類似于微軟AI Copilot的產品，幫助客戶分析安全事件，將安全運營、安全分析的能力門檻降低。另在7日上午的主峰會上，騰訊云總裁邱躍鵬發布了一款由玄武實驗室研發的隱私保護工具。通過一種生成式雙向脫敏技術，保障用戶在使用AIGC類產品時，隱私信息不會隨著prompt提交給模型方泄密。

長期來看，呂一平認為目前行業對大模型的關注度實在太高，但還遠未到廣泛應用的階段。安全是伴隨的屬性，伴隨著技術的應用落地才會逐漸誕生對應的策略。

“網絡安全產業之前一直面臨一個問題，有很多事情必須要依靠人去做，這就帶來了一個問題：成本居高不下。網絡安全威脅是全球化的，地球上每一分鐘都有還沒有睡覺的攻擊者，這種問題在之前可能都是矛盾，今天有了大模型技術的加持，我們看到相關的問題解決可能出現了曙光。”于旸稱。

如果從大模型看更大范圍的“智能化”趨勢，騰訊集團副總裁、騰訊安全總裁丁珂表示，產業互聯網進入“智能化”下半場，企業安全建設將面臨四個方面的挑戰：企業安全防御的半徑將大幅增加、遭遇攻擊后的反應窗口期將進一步縮短、辨別“人”和“機器”的難度增大、現存的安全“情報庫”逐漸失效。

在此趨勢下，丁珂提出三個調整思路：擁抱智能化時代，需要建立發展驅動的安全建設理念；建立可度量的安全體系，評估安全建設的有效性；應對智能化時代的攻防趨勢，企業需要打造內在自適應的“安全免疫力”。

標簽：