谷歌承认“窃取”OpenAI模型信息：成本150元，调用API即可得手

明敏 丰色 发自 凹非寺

量子位 | 公众号 QbitAI

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。

成本根据调用次数来看，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军了！

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。

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（doge）。

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：

谷歌等团队的这个实验证明，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）