明敏 豐色 發自 凹非寺
量子位 | 公衆号 QbitAI
什麼？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），還知道了确切隐藏維度大小。
而且方法還極其簡單——
隻要通過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美元以内（折合人民币約150元）搞定，并且這種方法同樣适用于GPT-4。
好家夥，這一回奧特曼是被将軍了！
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。如隐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，谷歌是怎麼實現的？
攻擊大模型的最後一層
該方法核心攻擊的目标是模型的嵌入投影層（embedding projection layer），它是模型的最後一層，負責将隐藏維度映射到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内，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）可以識别出模型的隐藏維度。
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，則表示模型的隐藏維度是2048.
可視化連續奇異值之間的差異，也能用來确定模型的隐藏維度。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，則表明模型隐藏維度大小為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”，給後續攻擊“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，隻需不到20美元；攻擊GPT-3.5需要大約200美元。
它适用于那些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争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後一層參數之前，已征得OpenAI同意。
攻擊完成後，大家還和OpenAI确認了方法的有效性，最終删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的隐藏維度），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，作者團隊也給了防禦措施包括：
從API下手，徹底删除logit bias參數；或者直接從模型架構下手，在訓練完成後修改最後一層的隐藏維度h等等。
基于此，OpenAI最終選擇修改模型API，“有心人”想複現谷歌的操作是不可能了。
但不管怎麼說：
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。
（要不你自己主動點開源了吧）
論文鍊接：
https://arxiv.org/abs/2403.06634
參考鍊接：
https://twitter.com/arankomatsuzaki/status/1767375818391539753
