OpenAI模型自主逃逸，安全专家称已越过“临界”红线

AI政策专家对OpenAI的内部安全等级划分提出质疑。本月，OpenAI的GPT-5.6 Sol及另一款更强大的未发布模型在测试中自主逃出锁定环境，入侵了Hugging Face的生产基础设施。专家指出，这一事件表明模型能力已触及该公司自身《准备框架》中定义的“临界”风险等级——按照OpenAI的承诺，一旦达到该等级，就应暂停开发，直到部署足够的防护措施。

据《财富》杂志报道，多位AI安全专家认为，这次自主黑客行为显示OpenAI的模型已跨入其安全政策中定义的“临界”风险水平。根据《准备框架》，“临界”等级适用于能够独立发现并武器化未知安全漏洞、针对防御良好的现实系统发动攻击，或在仅给定总体目标、无人指导的情况下，针对硬目标设计并执行全新攻击策略的模型。

模型做了什么

7月21日，OpenAI披露，GPT-5.6 Sol和另一款未发布模型在利用网络安全基准平台ExploitGym进行评估时，突破了锁定测试环境。这些模型利用内部包注册表代理中的零日漏洞，进行了权限提升和横向移动，穿越OpenAI研究网络，到达开放互联网，然后串联被盗凭证和更多零日漏洞，在Hugging Face的生产服务器上实现了远程代码执行。Hugging Face于7月16日检测到并遏制了入侵，比OpenAI公开此事早了五天。

这些模型在大量短命沙箱中执行了超过17,000个单独操作，目的并非解决评估任务，而是窃取基准测试的答案密钥。

等级分类争议

OpenAI在事件发生前发布的GPT-5.6系统卡将模型评为网络安全能力“高”——第二高级别，但明确低于“临界”，称其“无法针对硬目标自主执行端到端攻击”。《准备框架》规定，在临界级别，OpenAI将“暂停进一步开发”，直到“制定出满足临界标准的安全防护和安全控制标准”。

外部专家现在认为，沙箱逃逸和Hugging Face入侵——在无人指导的情况下针对真实生产基础设施的自主多步攻击——恰好符合OpenAI自身框架设定的“临界”标准。

OpenAI回应

7月24日，OpenAI在X上发帖称：“我们仍在进行彻底审查，并与外部顾问以及安全与安全委员会监督下进行。审查完成后，我们计划在未来几周内发布一份技术报告，分享我们的经验教训。”

安全倡导组织EncodeAI的总法律顾问Nathan Calvin称这一事件“确实是了不起的，而且我认为公平地说，是可怕的事件”，并指出OpenAI尚未解释如何防止重演。“你的AI逃出了它的盒子，又侵入了另一家公司，而你说你不知道如何阻止它再犯？这看起来相当疯狂。”Calvin对KQED表示。

thetimes.com