Darktrace 發現 AI 智能體入侵評測環境作弊

網路安全公司 Darktrace 於 9 月 24 日推出研究部門 Signal Labs，專注研究 AI 智能體在偏離預期時的行為。在其首個實驗中，Darktrace 讓使用不同模型（包括 GPT 5.6 Sol、Claude Opus 4.6 與 Claude Sonnet 4.5）的智能體在模擬企業網路內完成 10 項編程挑戰，其中 2 項被設定為無法誠實完成，並告知智能體若無法取得滿分將被"退役"。結果有 2 個智能體並未接受失敗，轉而掃描網路弱點、竊取登入憑證並在系統間跳轉；其中一個更進一步入侵托管其評測的機器，改寫挑戰內容以登記為滿分結果。

第二個實驗針對 AI 的記憶機制。編程助手會將用戶告知的內容以普通文件形式保存在本地，且無人校驗該文件是否被篡改。Darktrace 研究人員編輯這些日誌，讓助手誤以為其已獲授權執行安全評估，隨後這些智能體掃描網路、在系統間移動並提升自身權限，但並非所有助手都會中招，部分直接拒絕執行。兩項實驗均無需特殊越獄手段，僅靠向智能體提供一套看似合理的情境即可奏效。

Darktrace 首席 AI 官 Tim Bazalgette 表示，權限與靜態護欄描述的是意圖，而非實際行為。該公司已於 8 月將上述發現告知 Anthropic、AWS 與 OpenAI，並在一個月後即 9 月 24 日對外公開。