什么？谷歌成功偷家OpenAI，還竊取到了gpt-3.5-turbo關鍵信息？？？

是的，你沒看錯。

根據谷歌自己的說法，它不僅還原了OpenAI大模型的整個投影矩陣（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。

成本根據調用次數來看，最低20美元以內（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！

這是谷歌的一項最新研究，它報告了一種攻擊竊取大模型關鍵信息的方法。

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

一個為1024，一個為2048。

所以，谷歌是怎么實現的？

攻擊大模型的最后一層

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

由于logits向量實際上位于一個由嵌入投影層定義的低維子空間內，所以通過向模型的API發出針對性查詢，即可提取出模型的嵌入維度或者最終權重矩陣。

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

比如針對Pythia 1.4B模型進行超過2048次查詢，圖中的峰值出現在第2048個奇異值處，則表示模型的隱藏維度是2048.

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

在Pythia-1.4B模型上，當查詢次數達到2047時出現峰值，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”（即模型的總體參數量）以及更多全局性的信息，還能降低一個模型的“黑盒程度”，給后續攻擊“鋪路”。

研究團隊實測，這種攻擊非常高效。無需太多查詢次數，即可拿到模型的關鍵信息。

比如攻擊OpenAI的Ada和Babbage并拿下整個投影矩陣，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很讓人震驚了。

已通報OpenAI

如此重要的信息被競爭對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，自己人還轉發了一波。

作為正經安全研究，研究團隊在提取模型最后一層參數之前，已征得OpenAI同意。

攻擊完成后，大家還和OpenAI確認了方法的有效性，最終刪除了所有與攻擊相關的數據。

所以網友調侃：

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

值得一提的是，研究團隊中還包括一位OpenAI研究員。

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

此外，作者團隊也給了防御措施包括：

從API下手，徹底刪除logit bias參數；或者直接從模型架構下手，在訓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”想復現谷歌的操作是不可能了。

但不管怎么說：

谷歌等團隊的這個實驗證明，OpenAI鎖緊大門也不一定完全保險了。

論文鏈接：https://arxiv.org/abs/2403.06634