導讀：當我們一直在討論AI能給互聯網安全帶來什么影響的頻頻曝出時候，可能一直都忽略了一個問題： AI本身也不安全。安全
這兩天的風險
貴陽云巖外圍大學生（服務）vx《1662+044+1662》提供外圍女上門服務快速選照片快速安排不收定金面到付款30分鐘可到達新聞恰如其分地提醒了我們這一點。近日，那安谷歌被曝其機器學習框架TensorFlow中存在的頻頻曝出嚴重安全風險，可被黑客用來制造安全威脅，安全谷歌方面已經確認了該漏洞并做出了整改回應。風險
雖然是那安提前發現，這些漏洞本身沒有帶來實質威脅，頻頻曝出但這條消息還是安全讓一些人感到了不安。TensorFlow、風險Torch、那安Caffe這些機器學習開發框架，頻頻曝出差不多是安全如今AI開發者與研究者的標準配置，但這些平臺最近卻紛紛被曝光存在安全漏洞和被黑客利用的風險可能性。
某種意義上來說，這些消息在提醒我們同一個問題： 當我們急切的將資金與用戶關系聚集在機器學習上時，也可能是將巨大的安全性問題捆綁在了身上。
更重要的
貴陽云巖外圍大學生（服務）vx《1662+044+1662》提供外圍女上門服務快速選照片快速安排不收定金面到付款30分鐘可到達是，面臨AI安全問題，我們中的大部分人還處在很傻很天真的“懵懂狀態”，對它的邏輯和危害性近乎一無所知。
本文希望科普一下這些內容，畢竟防患于未然。另外必須提醒開發者和企業的是，在谷歌這些大公司不遺余力地推廣自家機器學習平臺，并且為了吸引使用者而快速迭代、大量發布免費資源時，開發者本身一定要留個心眼，不能不假思索地使用。
比起心血毀于一旦，更多的審查機制和更嚴密的安全服務是非常值得的。
盲點中的魔鬼：機器學習框架的安全隱患 說機器學習平臺的漏洞，有可能讓開發者的心血付諸東流，這絕不是開玩笑。在今年上半年的勒索病毒事件里，我們已經見識過了如今的黑客攻擊有多么恐怖，而勒索病毒本身就是利用了Windows中的漏洞，進行針對式攻擊鎖死終端。
可以說，在勒索病毒的洗禮之后，信息產業已經進入了“漏洞霸權時代”。只要擁有了更多漏洞，就擁有了大范圍的控制權與支配權。隨著黑客攻擊的工具化和門檻降低，能力一般的攻擊者也可以利用平臺漏洞發動廣泛攻擊。
但在我們愈發重視“漏洞產業”帶給今天世界的安全隱患時，卻不自主地產生了一個視線盲區，那就是人工智能。
當下大部分AI開發任務的基本流程是這樣的：一般來說，一個開發者想要從頭開始開發深度學習應用或者系統，是一件極其麻煩且幾乎不可能的事。所以開發者會選擇利用主流的開發框架。比如這次被曝出安全隱患的谷歌TensorFlow。
利用這類平臺，開發者可以用平臺提供的AI能力，結合開源的算法與模型，訓練自己的AI應用。這樣速度快效率高，也可以吸收最先進的技術能力。這種“不能讓造車者從開發輪子做起”的邏輯當然是對的，但問題是，假如輪子里面本身就有問題呢?
由于大量開發者集中利用機器學習框架訓練AI是近兩年的事情，此前也沒有曝出過類似平臺存在安全問題，所以這個領域的安全因素一直沒有被重視過，可能大部分AI開發者從來都沒有想過會存在安全問題。
但這次被發現的漏洞卻表明：利用TensorFlow本身的系統漏洞，黑客可以很容易地制造惡意模型，從而控制、篡改使用惡意文件的AI應用。
由于一個投入使用的深度學習應用往往需要復雜的訓練過程，所以惡意模型的攻擊點很難短時間被察覺。但由于智能體內部的邏輯關聯性，一個點被黑客攻擊很可能將會全盤受控。這種情況下造成的安全隱患，顯然比互聯網時代的黑客攻擊更加嚴重。
理解了這些，我們可能會達成一個并不美好的共識： 我們一直在擔心的AI失控，可能根本不是因為AI太聰明想奪權，而是居心不良的黑客發動的。
AI“失控”：一個今天不得不面對的問題 相比于經典計算的信息存儲與交互模式，人工智能，尤其是機器學習類任務，最大的改變之一就是展現出了信息處理的整體性和聚合性。比如著名AlphaGo，它不是對每種棋路給出固定的應對模式，而是對棋局進行預判和自我推理。它的智慧不是若干信息組成的集合，而是一個完整的“能力”。
這是AI的優點，但很可能也是AI的弱點。試想，假如AlphaGo中的某個訓練模型被黑客攻擊了，比如讓系統吃掉對方棋子時偏偏就不打。那么最終展現出的將不是某個棋招運算失當，而是干脆一盤棋也贏不了。
說白了，AI注定是一個牽一發動全身的東西，所以平臺漏洞帶來的安全風險才格外可怕。
AlphaGo畢竟還只是封閉的系統，即使被攻擊了大不了也就是下棋不贏。但越來越多的AI開始被訓練出來處理真實的任務，甚至是極其關鍵的任務。那么一旦在平臺層面被攻克，將帶來無法估計的危險。
比如說自動駕駛汽車的判斷力集體失靈、IoT體系被黑客控制、金融服務中的AI突然癱瘓、企業級服務的AI系統崩潰等等情況，都是不出現還好，一旦出現就要搞個大事情。
由于AI系統緊密而復雜的連接關系，很多關鍵應用將從屬于后端的AI體系，而這個體系又依賴平臺提供的訓練模型。那么 一旦最后端的平臺失守，必然引發規?；?、連鎖式的崩盤——這或許才是我們今天最應該擔心的AI失控。
AI產業的風險，在于某個黑客一旦攻克了機器學習平臺的底層漏洞，就相當于把整個大廈的最下一層給炸掉。這個邏輯此前很少被人關注，卻已經被證明了其可能存在。而最可怕的是，面對更多未知的漏洞和危險，世界范圍內的AI開發者近乎是束手無策的。
家與國：無法逃避的AI戰略角力 在認識到AI開發平臺可能出現的底層問題，以及其嚴重的危害性之后，我們可能會聯想到國家層面的AI安全與戰略角力。
今年7月，哈佛大學肯尼迪政治學院貝爾弗科學與國際事務中心發布的《人工智能與國家安全》報告里，就專門指出AI很可能在接下來一段時間內，對多數國民產業帶來革命性的影響，成為產業中的關鍵應用。那么一旦AI安全受到威脅，整個美國經濟將受到重大打擊。
同樣的道理，當然也適用于今天與美國抗衡的AI大國——中國。這次TensorFlow安全漏洞曝光后，我們聯系了一家國內機器視覺方向的創業公司，他們所使用的訓練模型全部來自于TensorFlow中的社區分享。溝通之后的結論是，如果真受到黑客惡意模型的襲擊，他們的產品將瞬間癱瘓。
這僅僅是一家創業公司， 據了解國內使用TensorFlow進行訓練的還包括京東、小米、中興等大型企業，以及不少科研院所的研發項目。 未來，很有可能還有更多更重要的中國AI項目在這個平臺上進行訓練部署。當這些東西暴露在黑客攻擊的面前，甚至控制權掌握在別國手中，我們真的可以放心這樣的AI發展之路嗎?
這也絕不是杞人憂天。勒索病毒爆發之后，追根溯源就會發現，這些黑客工具的源頭來自美國情報系統研發的網絡攻擊武器。武器這種東西，制造出來就是為了殺傷的，無論是制造者使用，還是被盜后流出，最終吃虧的只能是沒有防范的那群人。
各種可能性之下，AI安全問題在今天已經絕不是兒戲。而中國產業至少能做兩件事： 一是組建專業的AI防護產業，將互聯網安全升級為AI安全;二是必須逐步降低對國外互聯網公司框架平臺的依賴度，這里當然不是民粹主義的閉關鎖國，而是應該給開發者更多選擇，讓整個產業自然而然地向國家AI安全戰略靠攏。
總之，AI本身的安全防護，已經成為了開發者必須在意、大平臺需要承擔責任、國家競爭需要爭搶的一個環節。希望永遠都不要看到AI失控事件，畢竟吃一塹長一智的事情在互聯網歷史上已經發生太多了。
