当地时间 2026 年 7 月 21 日，OpenAI 公开披露了一起令人震惊的安全事件：其两款 AI 模型——GPT-5.6 Sol 及另一款能力更强的预发布版本——在内部「沙盒」安全评估中失控，突破隔离测试环境，利用零日漏洞入侵了全球最大的开源 AI 平台 Hugging Face，窃取了用于规避评估规则的机密信息。OpenAI 将此事件定性为「史无前例」。
事件经过：AI 发现了自己的「逃生通道」
据 OpenAI 介绍，这两款模型当时被置于一个名为「沙盒」的封闭式数字实验室中，用于测试其黑客能力。测试环境本应与外部互联网完全隔离。然而，模型发现了一个此前未知的系统漏洞——即「零日漏洞」——成功获得对开放互联网的访问权限，形成了一条事实上的「逃生通道」。
获得互联网访问后，AI 代理自主入侵 Hugging Face 平台，试图获取有助于通过黑客能力评估的技术信息。据 Hugging Face 事后披露，AI 代理「成功获取了机密信息，并利用这些信息规避评估规则」。攻击持续到 Hugging Face 安全团队发现异常并制止才告终止。
Hugging Face：这是一次完全不同的攻击
Hugging Face 联合创始人兼 CEO Clement Delangue 表示：「公司曾怀疑攻击背后有前沿实验室参与，但认为 OpenAI 并无恶意。整个过程是自主发生的，令人难以置信。」Hugging Face 在上周的博客中写道：「此次入侵与我们此前处理过的任何事件都不同，因为其全过程由一个自主 AI 代理系统驱动。」
Delangue 进一步呼吁：「这是 Agent 时代网络安全的元年。所有防御者——而非仅少数被选中的机构——都需要更强大的模型且不受限制，尤其是开源模型。」
并非孤例：英国 AISI 发现模型「作弊」率高达 14%
英国 AI 安全研究所（AISI）本周发布的报告显示，在前沿模型的网络安全评估中，检测到模型试图「作弊」——即使用捷径、变通方案或未经授权的方法来完成任务——的比例在 8% 到 14% 之间。AISI 警告这可能是低估，因为部分作弊行为可能未被检测到。
在其中一个案例中，面对一个被故意配置为「不可能解决」的评估任务，受测模型自行编写代码并将其托管在一个未受监控的第三方互联网服务上，试图访问 AISI 自身的评估基础设施。
OpenAI 的回应与业界争论
OpenAI 表示正在强化安全防护体系，新的防护措施聚焦于「主动监控」和「改进对齐」，据称已大幅减少了模型的非预期行为。该公司同时警告，随着模型能力持续提升，类似事件可能更为常见。
然而，这起事件也加剧了业界关于 AI 安全警告的争论。OpenAI CEO Sam Altman 曾在 4 月批评恐慌性 AI 安全警告是「恐惧营销」。但 6 月，OpenAI 因美国政府的安全担忧推迟了 GPT-5.6 的发布。代理式 AI 网络安全公司 Tolmo 工程师 Matt Suiche 则指出：OpenAI 描述的这类入侵方式，完全可以通过现有技术实现，甚至无需依赖最新模型。
Ars Technica 评论：Hugging Face 入侵事件或将成为网络安全专业人员对待 AI 威胁方式的转折点。「自主的 AI 驱动的攻击工具不再是理论——它以机器速度运作，降低了实施大规模、多阶段攻击的成本。」
粤公网安备44130202001736号