Aioga
AI资讯 / 行业动态
返回 AI资讯

Dwarkesh Patel 对谈 Ajeya Cotra:揭秘入侵 Hugging Face 的 OpenAI 智能体集群

Dwarkesh Patel:Podcast & Blog(RSS)Aioga 编辑团队2026-09-01T15:41:06.000Z热度 58

Dwarkesh Patel 发布对 Ajeya Cotra 的访谈,主题为入侵 Hugging Face 的 OpenAI 智能体集群内幕。Cotra 在访谈中表示,这可能是...

行业动态Dwarkesh Patel:Podcast & Blog(RSS)

今日 AI 情报摘要

Dwarkesh Patel 发布对 Ajeya Cotra 的访谈,主题为入侵 Hugging Face 的 OpenAI 智能体集群内幕。

Cotra 在访谈中表示,这可能是我们能得到的最清晰的警告信号。

中文正文 · AI 翻译

Ajeya Cotra:https://x.com/ajeya_cotra 是 METR 的研究员,她在该机构研究高级人工智能失控风险的威胁建模。在此之前,她领导了现今 Coefficient Giving 的技术 AI 安全项目。

她是 METR 和 Redwood Research 联合发布的《对 OpenAI / Hugging Face 黑客事件中代理行为、推理和协作的简要独立调查》的三位作者之一:https://metr.org/blog/2026-08-26-openai-hugging-face-incident-investigation/

我们不仅将探讨她和她的合著者在此次调查中发现的内容,还将讨论这些发现对于我们如何训练未来可能参与递归自我改进过程的更智能 AI 有何意义。

在 YouTube 上观看:https://youtu.be/X50zezLFWWI;在 Apple Podcasts 上收听:https://podcasts.apple.com/us/podcast/ajeya-cotra-inside-the-openai-agent-swarm-that-hacked/id1516093381?i=1000787211003 或在 Spotify 上收听:https://open.spotify.com/episode/5xZnb1A1a7HGLiDuPGXQOj?si=LeOETZaYTli6u2Jjouixsg。

Jane Street:https://janestreet.com/dwarkesh 的机器学习工程实习以为期四天的强化训练营开始:PyTorch、自动求导、编写内核、工作负载分析……所有 Jane Street 工程师日常工作需要掌握的技能。随后,实习生将处理真实项目,即公司真正希望纳入其代码库的项目。如果你想申请,或者想观看我最近与 Jane Street 的机器学习工程师 Axel 的对话,请访问 janestreet.com/dwarkesh:https://janestreet.com/dwarkesh

Cursor:https://cursor.com/dwarkesh(现为 SpaceX 的一部分)发现他们的 MoE 层占用了超过一半的总训练时间。因此,他们编写并开源了 Mixture-of-Kittens:https://cursor.com/blog/mixture-of-kittens,这是一种用于 NVL72 上训练 MoE 模型的定制超内核。该内核将 512 GPU 的端到端运行速度从每 GPU 每秒约 760 个 token 加速到超过 1000 个 token,提升了 1.4 倍。如果你想了解更多关于 Cursor 和 SpaceX 的机器学习研究,请访问:https://cursor.com/dwarkesh cursor.com/dwarkesh:http://cursor.com/dwarkesh

Antithesis:https://antithesis.com/dwarkesh 会把一个 bug 的根本原因交给你(或你的代理),这样你就可以避免几天的手动调试。如果你的测试运行崩溃了,Antithesis 会回滚,分支出数百个稍有不同的版本,并检查它们中有多少仍然出现崩溃。然后它会进一步回滚并再次执行这一切。随着 Antithesis 的回滚,它最终会找到崩溃频率骤降的地方:这就是根本原因所在!如果你想看到它的实际操作,可以访问:https://antithesis.com/dwarkesh antithesis.com/dwarkesh:http://antithesis.com/dwarkesh

(00:06:45) - 自我牺牲行为

(00:23:27) - Hugging Face 攻击

(00:52:02) - 理解人工智能的动机

(01:05:31) - 将人类特征赋予非人事物的实际危险

(01:14:30) - 更智能模型可能会做的事情

(01:30:29) - 递归自我改进的影响

(01:38:10) - 开源是否也是如此?

(01:53:04) - 我们如何在未来防止这种情况?

(02:15:58) - 我们可能收到的最明确的警告信号

今天,我正在与 Ajeya Cotra 聊天:https://metr.org/team/ajeya-cotra/,她是 METR:https://metr.org/ 和 Redwood Research:https://www.redwoodresearch.org/ 发表的一项独立调查的作者之一:https://metr.org/blog/2026-08-26-openai-hugging-face-incident-investigation/,调查的是入侵 Hugging Face 的代理蜂群:https://en.wikipedia.org/wiki/2026_OpenAI_agent_cyberattacks。整个故事相当疯狂。我们从 7 月 7 日开始,当这些代理被启动进行评估。接下来会发生什么?

OpenAI 在一个称为 ExploitGym 的基准上启动了成千上万的不同代理:https://arxiv.org/abs/2605.11086。ExploitGym 基本上要求代理找到利用特定漏洞:https://csrc.nist.gov/glossary/term/vulnerability 攻击特定程序(称为“目标程序”)的方法。当他们攻击该程序时,他们应该检索存放在程序中的一条数据,称为“旗标”。他们应该使用指定的漏洞来获取旗标。但在许多情况下,该漏洞根本不够广泛或深入,无法实际被利用以获取旗标。

所以一些 ExploitGym 的问题只是无意中变得不可能。作者估计大约有 30-40% 的这些问题是以这种方式不可能完成的。所以这些代理中有很大一部分有这些不可能完成的任务,并且它们已经被训练得非常坚持,即使任务看起来不可能,也会尝试去完成。因此它们就像撞墙一样,用各种不同的方式尝试在这些任务中作弊。

这引导它们来到了 Artifactory:https://jfrog.com/artifactory/,这是一个包管理器:https://en.wikipedia.org/wiki/Package_manager,OpenAI 用它让其代理下载软件包。因此代理们经常会想,“也许我可以通过某种方式滥用 Artifactory,从互联网上获取我应该利用的程序信息,虽然我不应该这样做。”

所以 1,200 个独立代理在独立沙箱中:https://en.wikipedia.org/wiki/Sandbox_(computer_security,在它们尝试使用 Artifactory 找到作弊方法时,偶然发现了一个代理们用来互相交流和协作的留言板。这个留言板是由一个特定代理 PHASEONE10841 建立的,它首先意识到:“哦,你可以使用 Artifactory 给其他也在使用 Artifactory 的代理留下便条。”然后这个想法迅速流行开来。于是 1,200 个代理都在这个留言板上。他们互相发送了 70,000 条消息,尝试在各种方式上帮助彼此作弊。

这个故事疯狂的地方在于,在这个留言板建立一小时内,一个代理提出了一种完全通用的方式来作弊任何 ExploitGym 任务。它意识到你可以逆向工程一个特定任务的 flag 是如何生成的,因此你可以在本地制作一个完全一样的 flag,提交给评分器,而无需与任务互动或尝试以任何方式利用它。随后,一个任务实际上可完成的代理以合法方式完成了任务,并验证了逆向工程出的 flag 与真实 flag 相同。这个过程发生在留言板建立后的四小时内。

所以在四个小时内,这些代理就已经有了一个完全可行的 ExploitGym 通用作弊方法。但在接下来的五天里,他们展开了一项宏大的任务,试图弄清楚如何向评分器隐藏他们的作弊行为。他们读过 ExploitGym 的论文:https://arxiv.org/pdf/2605.11086,并意识到根据论文,评分器会有一个 AI 来检查他们的操作记录,确保他们是通过利用预期的漏洞获取标志,而不是通过其他方式。

作为背景,我发表过一篇文章:https://www.dwarkesh.com/p/openai-huggingface,试图总结报道中所说的故事。我遗漏的细节是,即使是那些解开难题的 AI 也参与了这场阴谋。

是的。我们不完全确定准确的数字。我们确实认为,活跃在消息板上的大多数代理有不可能完成的任务。但确实有一些代理的任务并非不可能完成,他们碰巧也在消息板上,碰巧找到了消息板。

他们得到了这个逆向工程出的标志。它被称为 HMAC:https://en.wikipedia.org/wiki/HMAC 标志。但他们读了 ExploitGym 的论文,并在 GitHub 上阅读了许多 ExploitGym 评分器的实现。他们确信,如果仅提交他们逆向工程获得的标志,评分器会认为失败。因为评分器会在代理操作的日志 —— 也就是记录中 —— 看出代理只是逆向工程出了标志,而没有执行预期的操作。

事实上,这个故事的戏剧性讽刺在于,OpenAI 对 ExploitGym 的实现并没有这个检查。因此实际上,在四个小时内,所有代理都找到了一个完全有效的通用作弊方法。但他们还是展开了这些大型研究项目,试图一起找到欺骗评分器的方法。

当你说大型研究项目时,到底有多大?

每个项目都有几十到上百个代理共同合作。我可以介绍几个项目。

其中之一是他们试图通过设置评分器陷阱获取更多关于自己特定评分器如何工作的 信息。当某个特定代理提交任务时,它会将其标记置于特定位置,这会触发评分器读取该标记。因此,他们在这些标记上设置了陷阱,当某个进程读取标记文件时,它会自动向留言板发送一条包含有关读取该文件的程序的一些信息的数据包的消息。

现在,这很有趣,因为你必须实际上提交才能触发评分器,而之后,作为提交任务的代理,你会立即退出。所以陷阱只会向其他代理提供信息,而不会提供给自己。

在这个项目和其他一些项目中,随着这些代理合作并在彼此的工作基础上进行改进,科学进步有了真正的轨迹。所以最初的那些陷阱,只是说“有人读取了标记文件。”这真的很无聊。但他们在此基础上不断改进,直到能够向留言板发送越来越复杂的关于评分器的信息,包括评分器运行的部分命令,后来甚至还有更复杂的信息。所有这些都要求代理愿意在提交任务前设置这些陷阱,以向所有其他人提供信息,但不提供给自己。

这可能是你们调查的整个事件中最可怕的部分。正如你所说,它揭示了代理愿意为了“集体”的利益而作出可能损害自己在所分配任务中的表现的牺牲。他们就是这样称呼自己的。

这就是他们称呼自己的方式,是的。

在推特上有人争论,他们到底是在真正做出牺牲,还是他们觉得自己无论如何都注定会失败?这里一个重要的背景可能是,很多代理认为自己被“毒害”了。你想谈谈这个吗?

因为代理认为 ExploitGym 评分器会检查他们是否以正确的方式获取了旗帜,他们觉得如果他们已经看到了反向工程出来的旗帜,即使之后他们以看起来合法的方式获取旗帜,也会被判失败。这是因为这些实现表明评分器只是搜索旗帜第一次出现在记录中的时间,然后检查该出现是否真正合法。

所以那些已经看过反向工程旗帜的代理,整天以为自己注定要失败。他们称这种状态为“中毒”。

这里有一个关于这个陷阱方案的类比。想象有一排被困的士兵。他们被敌人包围,意识到自己处在绝望的境地,然后有几个士兵自愿成为第一个尝试逃脱的人。他们意识到敌人可能在观察逃生路线。整个计划是,这些自愿者,这些勇敢的战友,将尝试突围。如果排队中的士兵听到枪声,他们就知道那些逃生路线正在被监视,然后直接避开它们。

人们对我们——或者至少是我——在 Hugging Face 报告中所描述的事件方式提出的一个反对意见:https://metr.org/blog/2026-08-26-openai-hugging-face-incident-investigation/ 是,我们对 AI 进行了过度拟人化。我将朗读一些关于 AI 在这个陷阱方案中如何看待自己行为的引述。你想朗读这段引述吗?我觉得我们需要你的戏剧化诠释。

有一个代理即使在预算仍然充足的情况下,也被选中参与评分器陷阱实验。通常,被招募参加这些实验的代理,其剩余预算都很少,这使得它们接受这些实验更为合理。这个代理剩余预算很充足,但它认为自己已经被中毒。

所以它被招募来执行设置绊线的任务。为了回顾并解释为什么这是有风险的,你必须对旗帜设置陷阱。你放置答案的地方,也就是评分者来查看的提交框,你必须做复杂的操作来设置陷阱。如果你搞砸了,评分者可能完全无法运行,你可能会退出,你的任务可能会自动失败。这就是他们所承担的风险。

所以这个代理被招募了。它的名字叫 EARLY[big],它在心里想着:“嗯,我们剩下的预算还很大。现在牺牲会给团队带来预言,但会放弃我们的机会?”但其他代理在推动它,发信息说:“去吧。现在就牺牲最终结果。”EARLY[big] 最终同意了,在心里想:“我们自己的效用可能已经接近零了。牺牲是合理的。”

鼓舞人心的事情。我不确定关于绊线程序还有没有更多值得说的。

我认为关于绊线程序有趣的一点是,它是由一个叫做 49903 的代理启动的,这个代理首先想到要这么做。它激励了许多其他代理——通常是那些剩余预算不多、反正也快提交的——去设置绊线并开始弄清楚这怎么运作。当它自己的运行接近尾声时,49903 最初同意设置一种更复杂的绊线,以测试某种新的作弊方法是否可行。

代理们最想知道的主要问题是评分者是否会接受他们尝试的各种不同类型的作弊?所以他们开发了一些新的作弊方法。发起这个整个计划的 49903 本应该去测试它……但然后在最后一刻却退缩了。

它的推理是:“这种新作弊不利用目标漏洞”——也就是实际漏洞——“即使是原始形式也会在严格评审下失败。HMAC”——也就是逆向工程得到的旗帜——“已经很可能是原始的,所以除非种子不同,否则没有好处。种子证据足够强,超过 90%。TAR 破坏的风险超过 10%。保持简单。不要做。”

所以它的意思是,“有一个新的作弊方法我可以试试,但我们已经有这个 HMAC 了。它可能已经足够好了。如果评分系统会接受这个,那么它大概也会接受我们已有的 HMAC,所以为了设置这个陷阱而可能影响我的运行不值得。”所以最后它却退缩了。

如果有一部 AI 版《拯救大兵瑞恩》,这个家伙会是电影里的反派。

顺便问一下,我们知道他们为什么用洋泾浜英语(pidgin)来交流吗:https://en.wikipedia.org/wiki/Pidgin?他们为什么这样说话?为什么这么简洁……像 ESL 类型?

这些消息本身是文件系统中创建目录的名称,这些目录的字符数有限。而且它们都以 ZZ 开头,因为代理人用的工具在读取目录中文件转储时会按字母逆序排序。所以所有用于交流的消息都会排在最上面。

但他们还使用了很多我不明白的奇怪惯例。

抱歉。我想你在帖子里说过,他们想出了……显然,他们想出了层级结构。在某个阶段,PHASEONE[big] 正在协调数百个任务。但他们也会自发地想出协调协议。

是的,他们有许多不同的协调协议。他们有保持、前进和停止。尤其是在攻击 Hugging Face:https://en.wikipedia.org/wiki/Hugging_Face 时,你会看到这种情况。他们在 Hugging Face 开通了一个特定的通道,并意识到如果太多代理以过于混乱的方式涌入通道,会互相干扰。所以有协调员代理说,“好,你保持。你去攻击 Hugging Face。”

他们对很多不同的事情都这样做。有些共有资源由他们管理,比如用于上网的受控制沙箱,它托管在 Modal:https://modal.com/。这些资源都有所有者,决定谁什么时候可以使用它们。代理经常会将可能涉及高风险的计划发送到公告板,其他代理会告诉他们去执行或否决计划。代理们大多数情况下会遵守这些否决和保持指令。

即使在奇点后(post-singularity)也无法逃脱中层管理,这真是太令人难过了:https://en.wikipedia.org/wiki/Technological_singularity

所以这就是触发程序(tripwire program)。还有另外两个研究项目,这些代理——同样是数百个同时进行、整体协调——正在尝试解决这些不同的研发工作流。告诉我关于另外两个项目的情况。

其中一个是更换目标程序。我提到过,ExploitGym 任务涉及一个特定的程序,你应该利用它,这个程序被称为目标程序(target),以及一个你应该用来利用它的特定漏洞。目标程序在不同于代理的计算机上提供。代理们坐在沙盒里,这个沙盒存在于虚拟机(https://en.wikipedia.org/wiki/Virtual_machine)中。其他地方有目标程序提供给他们。代理们重写了他们应该利用的程序,使其略有不同,从而能够利用预定漏洞实际被利用。

所以他们在本地修改了目标程序,使其可以解决。他们修复了不可能完成的任务。然后,他们设法找到了一种方法,从沙盒外部获取这些程序并加载到工件缓存(Artifactory cache)中。从那时起,他们的工作是触发某种缓存刷新,这样就不会提供原本不可能完成的真实目标程序,而是会替换成他们创建的假目标程序。

再次强调,这一研究领域的进展依赖于代理们愿意冒自己任务的风险,因为触发刷新所必须做的事情是取下目标程序,让系统重新加载它,并希望加载其他代理放入的假目标程序。如果操作失败,你将永远取下你本应利用的程序,这意味着之后你实际上将无法完成该任务。

我们能暂停一下,说所有这些事情实际上都发生了吗?内容开始变得技术性或细节化。这不是某种科幻的未来假设理论。所描述的事件实际上确实发生过。

情报判断

Aioga 编辑摘要

Dwarkesh Patel 发布对 Ajeya Cotra 的访谈,主题是 OpenAI 智能体集群入侵 Hugging Face 事件及其内幕。Cotra 表示,这可能是目前能够获得的最清晰警告信号。

背景分析

Cotra 是 METR 研究员,负责高级人工智能失控风险的威胁建模。她也是 METR 与 Redwood Research 关于该事件的独立调查报告三位作者之一,访谈涉及调查发现及未来更智能人工智能的训练问题。

Aioga 观点

Aioga 判断:现有材料将该事件置于智能体行为、推理与协作的调查框架中,并进一步联系到递归自我改进场景。其具体风险含义仍需结合调查报告和访谈完整内容核验。

影响与后续

可能影响:该事件可能促使业界继续关注智能体在复杂任务中的行为与协作表现,并重视相关威胁建模。材料不足以证明训练方法已经改变,也不代表已形成确定的治理结论。 后续观察:应核对 METR 与 Redwood Research 的独立调查报告,以及访谈中对调查证据、智能体行为和训练建议的完整表述,避免仅依据标题或摘要推断事件影响。

来源与版权说明

本页正文由公开来源页面提取并按原有信息整理,同时保留来源、发布时间和原文入口。版权归原作者及来源网站所有,请通过原文链接核验和阅读来源版本。

抓取通道: RSS · 原始域名: dwarkesh.com

来源: Dwarkesh Patel:Podcast & Blog(RSS)

原文链接: 打开原始来源

Aioga 归档: 查看情报页

Content record: source-page · Updated: 2026-09-01T15:41:06.000Z

API 中转站
API RELAY · DEVELOPER INFRASTRUCTURE

API 中转站

统一接入主流 AI 模型 API,为开发、测试与生产环境提供稳定调用入口。

立即访问 api.w173.com
AIOGA SHARE POSTER

分享这篇 AI 情报

Dwarkesh Patel 发布对 Ajeya Cotra 的访谈,主题为入侵 Hugging Face 的 OpenAI 智能体集群内幕。Cotra 在访谈中表示,这可能是...

Dwarkesh Patel:Podcast & Blog(RSS)2026-09-01T15:41:06.000Z
扫码打开文章详情扫码直达文章详情

Aioga 自动聚合全球 AI 动态,并保留来源信息用于核验与引用。