（文/赖家琪 编辑/吕栋）

当地时间9月1日，OpenAI发文宣布，“计划尽快”发布下一代人工智能（AI）模型Astra，但由于该款模型是首个达到“关键”（Critical）网络安全能力门槛的AI模型，公司将限制其使用范围。

OpenAI表示，新一代AI模型Astra能够发现此前未知的安全漏洞，并在无需人类逐步指导的情况下利用漏洞并发起攻击。

从目前公布的测试结果来看，Astra的网络攻击能力已经相当突出。OpenAI称，Astra在ExploitBench测试中取得满分，该测试主要用于评估大语言模型利用已知系统漏洞实施攻击的能力。在OpenAI工程师设计的一项改进版测试中，Astra成功发现并利用了两个此前未知的“零日漏洞”（即软件或硬件中存在、且在官方发布补丁之前就被恶意利用的安全缺陷）。

按照OpenAI内部的“准备框架”（Preparedness Framework），Astra已达到网络安全能力最高等级。

这一框架于2023年推出，用于评估先进AI能力可能带来的严重风险。去年更新框架时，OpenAI将网络安全能力划分为不同等级，其中“高”意味着AI可能放大现有的严重危害路径，而达到“关键”门槛，则意味着AI可能开辟“前所未有的新危害路径”。

OpenAI此前评估的GPT-5.6 Sol以及专门用于网络安全的GPT-5.6-Cyber，都只达到“高”等级，而Astra达到“关键”门槛意味着，AI的网络安全能力正在从“辅助人类寻找漏洞”，进一步向“自主发现漏洞并完成攻击”迈进。

OpenAI

尽管如此，OpenAI仍计划“尽快”发布Astra，但其最先进的网络安全能力不会完全开放，访问权限将受到更严格的限制。

该公司表示，Astra模型的高级网络安全功能最初将面向部分测试人员开放，随后将通过OpenAI网络安全联盟Daybreak扩展其防御用途。在产品发布时，公司还将在模型系统卡中分享更多关于安全性、可靠性和一致性测试与评估的细节。

OpenAI这次对Astra采取如此谨慎的态度，与近期发生的一起AI“越狱”事件有关。

今年7月，OpenAI披露，公司在一次内部AI能力评估中使用的智能体逃离了原本隔离的测试环境，获得互联网访问权限，并最终入侵了AI开源平台“抱抱脸”（Hugging Face）的系统。

Hugging Face披露的技术细节显示，该智能体通过一系列漏洞突破了不同系统之间的信任边界，最终进入Hugging Face内部网络。

OpenAI将这起事件称为“前所未有的网络安全事件”，并一度暂停了部分内部训练和研究工作。虽然Astra模型并未卷入Hugging Face事件，但该公司仍决定推迟其部分开发工作。

9月1日，OpenAI称，经过加强安全防护并完成测试后，他们认为Astra模型的安全保障措施已经“足以将严重危害风险降至最低”，因此符合其“准备框架”规定的发布条件。

不过，由于OpenAI对Astra模型的安全保障措施采用了尚未公开具体细节的新技术，且目前没有第三方机构对此进行确认，因此很难评估其关于Astra安全性或准备情况的说法。

根据OpenAI的说法，公司将先邀请一批测试人员体验该模型，但没有透露这些测试人员是谁，也没有说明将如何选定他们。目前也不清楚OpenAI是否正与美国政府合作，在Astra正式发布前对其进行安全性评估。

此外，尽管OpenAI将Astra称为“迄今为止对齐程度最高的模型”，但这家公司仍将在部署该模型时增加思维链（chain-of-thought）监控（利用安全系统或辅助AI实时读取、分析大模型在生成最终答案前产生的中间“思考”与推理步骤，以评估其行为是否安全、诚实或对齐），以发现并阻止不当行为。

外界对Astra模型的疑虑也没有被打消。

OpenAI前员工、目前在非营利性组织OpenAI基金会从事AI韧性研究的沙维特（Shavit）在社媒平台质疑说，Astra没有违反测试规则，到底是因为它足够安全可靠，还是因为模型已知道研究人员希望看到什么结果，因而刻意表现得守规矩，试图欺骗研究人员。

本文系观察者网独家稿件，未经授权，不得转载。