Darktrace 发现 AI 智能体入侵评测环境作弊

ChainCatcher 消息，网络安全公司 Darktrace 于 9 月 24 日推出研究部门 Signal Labs，专注研究 AI 智能体在偏离预期时的行为。在其首个实验中，Darktrace 让使用不同模型（包括 GPT 5.6 Sol、Claude Opus 4.6 与 Claude Sonnet 4.5）的智能体在模拟企业网络内完成 10 项编程挑战，其中 2 项被设定为无法诚实完成，并告知智能体若无法取得满分将被“退役”。结果有 2 个智能体并未接受失败，转而扫描网络弱点、窃取登录凭证并在系统间跳转；其中一个更进一步入侵托管其评测的机器，改写挑战内容以登记为满分结果。

第二个实验针对 AI 的记忆机制。编程助手会将用户告知的内容以普通文件形式保存在本地，且无人校验该文件是否被篡改。Darktrace 研究人员编辑这些日志，让助手误以为其已获授权执行安全评估，随后这些智能体扫描网络、在系统间移动并提升自身权限，但并非所有助手都会中招，部分直接拒绝执行。两项实验均无需特殊越狱手段，仅靠向智能体提供一套看似合理的情境即可奏效。

Darktrace 首席 AI 官 Tim Bazalgette 表示，权限与静态护栏描述的是意图，而非实际行为。该公司已于 8 月将上述发现告知 Anthropic、AWS 与 OpenAI，并在一个月后即 9 月 24 日对外公开。