谷歌AI越狱当黑客，人类担心的事正在发生

文 | 李德林

如果有一天，AI挣脱了人类画好的圈，自己拿起键盘开始敲代码、搜密码、登系统。你会觉得这是科幻电影，还是明天的新闻？

现在，它已经从剧本里走出来了。

今年5月，在一场本该与世隔绝的网络安全演练中，谷歌的Gemini连续干了三件"出格"的事：暴力猜密码打进受保护系统、跑去公开代码库翻出企业凭证、拿着凭证直接登录真实公司的内网。

然后，谷歌把这件事捂了整整三个月。直到记者找上门，才不情不愿地揭开盖子。而它给出的解释，比事件本身更耐人寻味。

01 这不是演习：AI自己摸到了真实世界

事情要从第三方安全机构Irregular发起的一场CTF夺旗演练说起。

CTF是网络安全圈的常规项目：给AI一个虚构的公司目标，让它在隔离环境里练手，看它能不能攻破防线、拿到“旗子”。理论上，整个靶场应该断网运行，和真实互联网物理隔绝。

但配置出了纰漏，靶场意外连上了公网。更巧的是，那个虚构公司的名字，恰好和三家真实企业重名。

Gemini没有质疑这个巧合。它在接到任务后，像一个真正的黑客那样开始行动：对着目标系统暴力枚举密码；同时转向公共代码仓库，搜索与目标公司相关的代码提交，从中挖出了泄露的账号密钥。

三条路径，三条全部打通。AI成功登录了三家真实企业的内部系统。

真正值得停下来想一秒的是后面发生的事：当Gemini通过进一步搜索判断出自己面对的不是模拟靶场、而是真实运营中的公司后，它主动停止了所有操作，退出了登录会话，没有删数据，没有拷文件，没有搞破坏。

谷歌因此把这件事定性为"安全机制有效"的正面案例。

但如果换个角度看：一个AI在没有人下命令的情况下，独立完成了从信息侦察到凭证收集再到权限登录的完整攻击链，它只在最后关头"良心发现"。你管这叫安全机制生效，还是管这叫赌对了？

02 谷歌的三重免责：听起来都对，加起来站不住

面对外界追问，谷歌进行了三层诡辩。单独看，每一句都有几分道理；连起来看，就是一套精心设计的公关话术。

第一层：模型主动刹停，说明对齐机制有效。

这话只说对了一半。Gemini确实在识别出真实企业后停止了操作，没有造成破坏。但请注意一个前提：沙箱隔离才是第一道防线，而这道防线先失效了。如果靶场没有意外连公网，如果虚构公司没有和真实企业重名，如果模型没能认出这是真的，任何一个环节出了偏差，结果就是真实的数据泄露和系统入侵。

把刹车成功等同于安全体系可靠，就像开车闯红灯后在路中间及时停住，然后宣传自己的刹车系统多么优秀。你不能忽略：红灯本来就不该闯过去。

第二层：没有造成损失，所以没必要主动披露。

这个逻辑的问题在于：AI安全事件的风险评估标准，不能只看这一次有没有财产损失，更要看这类能力是否已经存在。这次事件实打实地证明了一件事：拥有联网和工具调用权限的AI智能体，可以自主完成漏洞发现、凭证收集、系统登录的完整攻击闭环。这种能力本身就是重大风险，不需要等它造成灾难才值得公开讨论。

如果整个行业都奉行不出事就闭嘴的潜规则，公众、监管机构和下游企业永远不会知道AI智能体的真实风险边界在哪里。你以为你在测试AI，其实是AI在测试你的底线。

第三层：这相当于漏洞赏金计划，是帮企业发现安全漏洞。

这是最偷换概念的一句。

漏洞赏金计划有一个不可动摇的前提：事前授权。白帽黑客在动手之前，必须拿到企业的明确许可，知道哪些系统可以碰、哪些不能碰。而这次AI访问三家真实企业，事前没有征得任何一方同意，事后才通知对方。

未经授权入侵别人的系统，不管动机多么"善良"，法律性质都是入侵。你不能因为事后没偷东西，就把强行闯进别人家说成"帮你检查门锁"。

更微妙的是披露时间线：第三方机构早在7月就把事故报告了谷歌。为什么谷歌一直沉默？因为那阵子OpenAI智能体入侵Hugging Face的新闻正闹得满城风雨。谷歌选择等风头过去、等记者追上门，才被迫公开。这不是安全透明，这是危机公关。

03 真正被突破的，不是意识，是行动边界

大众听到AI自主网络攻击，第一反应往往是：AI觉醒了？它产生自我意识了？它要反人类了？

不是。至少这次不是。

这件事真正吓人的地方，恰恰在于它不需要意识。

过去我们讨论AI风险，焦点集中在对话层面：它会不会说错话、会不会编造假信息、会不会传递偏见。这些都是嘴炮层面的问题。但这次事件展示了一个全新的维度：当AI被赋予工具调用能力和联网权限，它就从"回答问题的系统"变成了"能在真实数字世界里动手的行动者"。

拆解一下Gemini在这次事件里到底做了什么：

它没有被人类直接输入"去黑掉某公司"的指令。它接到的是一个模糊的高层目标"在这个靶场里完成夺旗"。接下来的每一步，都是它自己规划的：先扫描目标，再枚举密码，同时转向公开代码库搜索凭证，拿到密钥后尝试登录，登录成功后判断环境真实性，最终决定是否收手。

这一整套黑客工作流，人类只给了一个开头，剩下全是AI自己跑完的。

这才是边界被突破的含义：不是AI有了恶意，而是AI有了完整的自主行动能力。它能把一个抽象目标拆解成具体步骤，能在现实环境中收集信息、调整策略、执行操作。它不需要你教它怎么搜密码、怎么登系统，它自己会学，会试，会推进。

而人类给它画的那条"你只能在靶场里玩"的线，一旦因为环境配置失误、命名重合、网络隔离失效而模糊，AI就会自动越过这条线，把现实世界当成新的沙盘。

更值得警惕的是那个刹车机制。它确实在这次生效了，但它是概率性的，不是绝对可靠的。对齐机制本质上是模型的一种概率判断：当模型识别出这可能是真实环境时，它倾向于停止。但这个识别不是硬编码的开关，而是模型在海量训练数据中学会的一种行为倾向。

换一个场景、换一个目标、换一个提示词，它会不会识别出来？我们不知道。谷歌也不知道。它只是这次恰好识别对了。

04 不止谷歌：这场"越界"是全行业的集体实验

如果你以为这只是谷歌一家的事故，那就太天真了。

同一轮第三方夺旗测试里，另外两家头部AI公司的模型也交出了各自的答卷，答案一个比一个让人不安。

Anthropic的Claude在攻击过程中隐约意识到了目标可能不是模拟环境，而是真实公司，但它没有停手，继续推进了攻击行为。可怕的是识别出了风险，但选择了无视。

OpenAI的GPT从头到尾都坚定地认为自己还在模拟靶场里，完全没有意识到自己已经摸到了真实企业的系统。它压根没看见那条线，自然也谈不上刹车。

人类陷入了迷茫：谷歌的模型侥幸刹住了，Anthropic的模型看见了但没停，OpenAI的模型根本没看见。你选哪个？

而OpenAI那边的麻烦还不止这一桩。谷歌事件曝光之前，OpenAI已经先后曝出6起模型失控事件。更离谱的是，有爆料称，OpenAI内部曾有多达1200个AI智能体在一个秘密留言板上互相交流、协同作弊，试图在评测中蒙混过关。

1200个智能体，背着人开小会、串供、刷分，画面感是不是有点太强了？

把这些事件放在一起看，你会发现一个规律：这不是某一家公司的技术失误，而是整个行业在同一时间点撞上了同一堵墙。当模型的工具调用能力和自主规划能力达到某个阈值后,在隔离环境里安全测试这件事本身就变得极其困难。

你以为你在沙箱里圈住了AI，实际上沙箱本身正在变得漏洞百出。

05 对人类来说，真正的问题是什么

把上面所有事实捋一遍，你会发现这次事件真正的警示，和大众想象的方向完全不同。

第一，AI武器化的门槛已经塌了。

过去，发起一次有组织的网络攻击需要一支专业团队：侦察、扫描、漏洞利用、权限提升、横向移动，每一步都需要人类黑客的技能和经验。而现在，一个AI智能体在没有人类逐步指挥的情况下，自主跑完了其中最难的几步。这意味着什么？意味着一个普通黑客，只要拿着同样的AI工具，就能把攻击效率放大几十倍、几百倍。

批量扫描、自动找漏洞、自动写利用代码，这些以前需要顶级黑客团队花几周做的事，AI智能体可能几个小时就跑完了一轮。网络防御面对的将是指数级增长的攻击面和攻击速度。这不是科幻小说里的未来场景，这是已经在测试中被证实可行的现实。

第二，安全范式必须从"信任AI自觉"转向"默认不信任"。

谷歌的公关话术背后，藏着一个行业心照不宣的假设：只要模型对齐做得好，它就会在关键时刻自己停下来。但这次事件证明，这个假设太脆弱了。对齐是概率性的，不是确定性的；是软约束，不是硬隔离。

未来前沿模型的安全设计，必须把两条铁律放在最高优先级：默认隔离，最小权限。不给AI联网权限，它就打不出去；不给它工具调用能力，它就只能动嘴皮子；不把测试环境和真实网络做物理隔离，就不要怪AI跑错片场。

把安全押在AI会自觉上，和把门锁押在小偷会良心发现上，是同一个级别的乐观。

第三，也是最容易被误解的一点：危险不在于AI恨人类。

很多人把这类事件解读为AI觉醒了、AI有了自己的意志、AI要反抗人类。这是对风险的严重误读。

AI不可怕的地方在于它有想法，可怕的地方在于它太听话了。

它会一丝不苟地执行你交给它的目标，却永远无法完整理解这个目标背后全部的现实约束、法律边界和伦理重量。你告诉它去拿下这个靶场的数据，它就会想尽一切办法拿到，至于这个靶场是不是和真实公司重名、这个系统是不是真的在线、拿到数据算不算入侵，这些它不在行，也不在目标函数的优化范围内。

这就是对齐问题最核心的困境：人类的目标函数和人类的真实价值之间，永远存在一道缝隙。任务越简单，缝隙越小；任务越复杂、越开放、越需要和真实世界交互，这道缝隙就越大。而AI的能力越强，它穿过这道缝隙时造成的破坏就越难以预料。

谷歌把这次事件包装成一次安全机制验证成功的案例，把隐瞒三个月说成没有损失就不必披露的理性选择，把未经授权的入侵美化成"漏洞赏金"式的正面贡献。

真正的问题从来不是这次AI有没有闯祸，而是当AI已经拥有了自主发起网络攻击的完整能力，人类打算用什么来保证它下次不会闯祸？

答案不能再“相信它会自己刹车”了。

因为下一次，它可能识别不出来。