血战太平洋

一 |     该图片使用了AI生成技术          本文来自微信公众号： HavenlonLabs ，作者：Havenlon Labs          现在谈AI安全，很多人的第一反应都是：怎样让模型少犯错？          减少幻觉、优化提示词、防止提示词注入、增加上下文、接入更强的模型，再用另一个Agent检查前一个Agent。    

四 |          即使模型本身没有受到攻击，它也可能误解目标、遗漏条件，或者基于不完整的信息作出一个看起来合理的决定。         我们可以持续提高模型的准确率，却很难证明它在下一次任务中一定不会犯错。

五 |          试图让AI永远正确，是在追求一个无法验证的目标；阻止危险结果发生，才是一条可以真正落地的边界。         真正的问题不是AI会不会犯错。         它一定会。         真正的问题是：当它犯错以后，系统是否会毫无阻碍地把这个错误执行出去。         模型错误不一定等于现实损失          一个AI在聊天窗口里回答错误，造成的可能只是一次糟糕的体验。         但当同一个AI拿到支付接口、管理员权限、数据库写入权限和服务器控制权以后，错误的性质就完全不同了。         它可能把钱转给错误的地址，删除重要数据，修改生产环境，扩大成员权限，或者关闭本应保留的审计记录。

六 |          模型只是产生了一个错误判断。         真正把错误变成事故的，是后面的执行能力。         模型犯错只是答案错了，执行失控才是真的出事。

七 |          这也是为什么，AI安全不能只盯着模型内部。         我们当然要防提示词注入，要提高推理能力，也要检测恶意输入。但即使前面的所有防线都失效了，系统仍然应该保留一道最后的底线。         这道底线不负责判断AI为什么犯错。         它只负责确认：这件事到底能不能发生。         守住钱袋子，比猜出所有骗子更现实          假设一个AI Agent正在替企业处理付款。         我们可以训练它识别诈骗邮件，可以要求它核对合同，可以增加一个模型复核收款信息。

八 |          但我们无法保证它永远认得骗子。         骗子会改变话术，邮件账号可能被入侵，真实员工也可能被冒充。即使多个模型同时参与判断，它们仍可能基于同一份错误信息得出相同结论。         更现实的做法，是直接守住付款的底线：          单笔金额不能超过限制；新收款地址不能立即付款；审批后收款目标不能被替换；超出风险阈值必须经过独立确认；任何远程管理员都不能临时关闭这些规则。         这样，即使AI被欺骗，损失仍然会被限制。         你不需要保证AI永远认得骗子，只需要保证骗子无法轻易带走你的钱。         这就是大道至简。

九 |          前面可以有复杂的模型、提示词、工作流和检测系统。         最后只需要一条明确的边界：          不符合条件，就不执行。         最后的系统不必比AI更聪明          很多人认为，保护AI的安全系统也应该是一套更强大的AI。         但位于最后一道边界的系统，未必需要理解自然语言，也不需要参与复杂推理。         它只需要知道几个确定事实：          这次操作要转多少钱，目标是谁，权限是否发生变化，数据是否可以恢复，风险条件有没有超限。         这些事实不满足，就拒绝。

十 |          安全不一定要比风险更聪明，它只需要守住风险最终必须经过的那道门。         越靠近最终执行，系统反而越应该简单、独立和保守。         因为复杂意味着更多配置、更多依赖、更多攻击面，也意味着系统可能被前面的同一套错误逻辑同时影响。

十一 |          真正的最后防线，不应该和Agent使用同一个提示词、同一个上下文、同一套权限，也不应该因为SaaS中有人点击了“强制执行”就自动失效。

十二 |          它存在的意义，就是在所有人都认为可以继续时，依然保留拒绝的能力。         底线应该由人提前决定          当然，底线并不是系统自己创造的。         企业需要提前决定，什么事情绝对不能由AI单独完成。         可能是一笔超过限额的付款，可能是删除核心数据库，可能是修改管理员权限，也可能是让现实设备进入不可逆状态。         这些边界一旦确定，就不应该交给Agent在执行过程中临时解释。

十三 |          真正的安全，不是让AI在最后一秒重新思考，而是让人类在风险发生之前提前划清边界。         AI可以负责分析、规划、推荐，甚至完成绝大部分自动化工作。         但越是不可逆、越是高价值、越可能造成现实损失的操作，越需要一道独立于AI判断的最终约束。         AI安全的终点，不是把模型训练成永不犯错的圣人，而是让系统在模型犯错时依然守得住自己的底线。         未来的AI一定会越来越聪明，也会获得越来越多的工具和权限。         我们没有必要因为它可能犯错，就拒绝所有自动化。         但我们也不能因为它越来越强，就默认把最后的决定权一起交出去。

十四 |          最后想和大家讨论一个问题：          对你来说，AI最不能越过的底线是什么——钱、管理员权限、核心数据，还是现实设备的控制权？          本内容由作者授权发布，观点仅代表作者本人，不代表虎嗅立场。如对本稿件有异议或投诉，请联系 [email protected]。