本文来自微信公众号:量子位(ID:QbitAI),作者:明敏、丰色,原文标题:《谷歌承认“窃取”OpenAI模型关键信息:成本低至150元,调用API即可得手》,题图来自:视觉中国


什么?谷歌成功偷家OpenAI,还窃取到了gpt-3.5-turbo关键信息?


是的,你没看错。


根据谷歌自己的说法,它不仅还原了OpenAI大模型的整个投影矩阵(projection matrix),还知道了确切隐藏维度大小,而且方法还极其简单。


只要通过API访问,不到2000次巧妙的查询就搞定了。


根据调用次数来看,成本最低20美元以内(折合人民币约150元)搞定,并且这种方法同样适用于GPT-4。


好家伙,这一回奥特曼是被将了一军。



这是谷歌的一项最新研究,它报告了一种攻击窃取大模型关键信息的方法。


基于这种方法,谷歌破解了GPT系列两个基础模型Ada和Babbage的整个投影矩阵。如隐藏维度这样的关键信息也直接破获:一个为1024,一个为2048。


所以,谷歌是怎么实现的?


攻击大模型的最后一层


该方法核心攻击的目标是模型的嵌入投影层(embedding projection layer),它是模型的最后一层,负责将隐藏维度映射到logits向量。


由于logits向量实际上位于一个由嵌入投影层定义的低维子空间内,所以通过向模型的API发出针对性查询,即可提取出模型的嵌入维度或者最终权重矩阵。


通过大量查询并应用奇异值排序(Sorted Singular Values)可以识别出模型的隐藏维度。


比如针对Pythia 1.4B模型进行超过2048次查询,图中的峰值出现在第2048个奇异值处,则表示模型的隐藏维度是2048.



可视化连续奇异值之间的差异,也能用来确定模型的隐藏维度。这种方法可以用来验证是否成功从模型中提取出关键信息。


在Pythia-1.4B模型上,当查询次数达到2047时出现峰值,则表明模型隐藏维度大小为2048。



并且,攻击这一层能够揭示模型的“宽度”(即模型的总体参数量)以及更多全局性的信息,还能降低一个模型的“黑盒程度”,给后续攻击“铺路”。


研究团队实测,这种攻击非常高效。无需太多查询次数,即可拿到模型的关键信息。


比如攻击OpenAI的Ada和Babbage并拿下整个投影矩阵,只需不到20美元;攻击GPT-3.5需要大约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。



谷歌在论文中表示,尽管这种攻击方式能获取的模型信息并不多,但是能完成攻击本身就已经很让人震惊了。


已通报OpenAI


如此重要的信息被竞争对手,以如此低成本破解,OpenAI还能坐得住吗?


咳咳,好消息是:OpenAI知道,自己人还转发了一波。



作为正经安全研究,研究团队在提取模型最后一层参数之前,已征得OpenAI同意。


攻击完成后,大家还和OpenAI确认了方法的有效性,最终删除了所有与攻击相关的数据。


所以网友调侃:“一些具体数字没披露(比如gpt-3.5-turbo的隐藏维度),算OpenAI求你的咯。”



值得一提的是,研究团队中还包括一位OpenAI研究员。




这项研究的主要参与者来自谷歌DeepMind,但还包括苏黎世联邦理工学院、华盛顿大学、麦吉尔大学的研究员们,以及1位OpenAI员工。


此外,作者团队也给了防御措施包括:从API下手,彻底删除logit bias参数;或者直接从模型架构下手,在训练完成后修改最后一层的隐藏维度h等等。


基于此,OpenAI最终选择修改模型API,“有心人”想复现谷歌的操作是不可能了


但不管怎么说,谷歌的这个实验证明,OpenAI锁紧大门也不一定完全保险了。


要不你自己主动点,开源了吧。


论文链接:https://arxiv.org/abs/2403.06634


参考链接:https://twitter.com/arankomatsuzaki/status/1767375818391539753


本文来自微信公众号:量子位(ID:QbitAI),作者:明敏、丰色