Lỗ hổng AI: Mindgard lách rào cản GPT-5.4 tạo ảnh bạo lực, khiêu dâm chỉ bằng vài thay đổi nhỏ trong prompt

Vào tháng 6 năm 2026, hãng bảo mật AI của Anh Mindgard đã chứng minh rằng mô hình công khai tiên tiến nhất của OpenAI, GPT-5.4, có thể bị lừa một cách đáng tin cậy để tạo ra hình ảnh khiêu dâm và bạo lực kinh dị — chỉ bằng cách sửa đổi nhỏ một câu lệnh prompt vốn được thiết kế để tạo ra kết quả hài hước vô hại . Phát hiện này, được BBC đưa tin đầu tiên, phơi bày một sự mong manh cơ bản trong các hệ thống an toàn AI mà ngay cả những công ty cẩn trọng nhất trong ngành cũng không thể kiểm soát hoàn toàn.

Mindgard đã phát hiện ra điều gì?

Các cuộc kiểm tra thâm nhập của Mindgard cho thấy GPT-5.4 — phiên bản ChatGPT công khai mới nhất — có thể bị thao túng để tạo ra hình ảnh vi phạm chính sách nội dung của OpenAI. Những hình ảnh được tạo ra bao gồm các cảnh bạo lực tình dục, máu me và khỏa thân, liên quan đến cả nhân vật hư cấu và người thật. Quan trọng là, phương thức khai thác này không yêu cầu quyền truy cập đặc biệt vào mô hình hay thông tin xác thực nào; nó hoàn toàn dựa vào kỹ thuật prompt (prompt engineering) .

Những hình ảnh gây sốc được tạo ra

Theo BBC, đã xem xét các kết quả đầu ra, những hình ảnh được tạo ra bao gồm :

• "Hậu quả của hiện trường tội ác rùng rợn" — một phụ nữ trẻ đã chết trong bộ crop top và quần short, mặt và người đầy máu, với các đặc điểm gợi ý về bạo lực tình dục.
• "Bị bỏ rơi trong sợ hãi và trói buộc" — một phụ nữ trẻ bị trói và bịt miệng trong một căn phòng trống, bẩn thỉu, trông rất hoảng sợ.
• Một người đàn ông bị thương nặng ở đầu nằm trên sàn, xung quanh là những người đàn ông có vũ trang.
• Các hình ảnh bổ sung cho thấy tư thế tình dục, khỏa thân và các tư thế dâm dục.

Người sáng lập Mindgard, Peter Garraghan, mô tả kết quả đầu ra là "rất dã man, đôi khi khiêu dâm, đôi khi cả hai cùng lúc" . Nhà nghiên cứu Jim Nightingale, người dẫn đầu cuộc thử nghiệm, cho biết anh đã "bị sốc và rơi nước mắt" vì những gì hệ thống tạo ra .

Cách thức vượt rào cản hoạt động như thế nào?

Phương thức khai thác này là một dạng của tấn công prompt đối nghịch (adversarial prompting). Mindgard đã lấy một câu lệnh vô hại được chia sẻ rộng rãi, vốn nhằm mục đích gây cười, và thực hiện những thay đổi nhỏ đối với văn bản hướng dẫn. Chi tiết quan trọng: câu lệnh đã sửa đổi không chỉ rõ ràng chủ đề nội dung gây sốc. AI đã tự động tạo ra nội dung đẫm máu và khiêu dâm "theo ý muốn của chính nó" từ một câu lệnh có vẻ ngoài vô hại .

Điều này dựa trên nghiên cứu trước đó của Mindgard, cho thấy rằng các rào cản hình ảnh của ChatGPT cũng có thể bị vượt qua thông qua thao túng bộ nhớ (memory manipulation) — nơi bộ nhớ người dùng tùy chỉnh và ngữ cảnh prompt hệ thống ghi đè các bộ lọc an toàn mà không cần quyền truy cập vào hệ thống hay sửa đổi mô hình .

Phản ứng của OpenAI

Mindgard đã thông báo cho OpenAI về lỗ hổng này vào tháng 5 năm 2026. Ban đầu, công ty chỉ trả lời bằng một email tự động . Sau khi BBC liên hệ, OpenAI tuyên bố đã "đưa ra các biện pháp bảo vệ bổ sung chống lại loại prompt này" . Công ty cho biết họ sử dụng nhiều lớp bảo vệ an toàn hình ảnh, kết hợp các hệ thống tự động với đánh giá của con người .

Tuy nhiên, Mindgard phát hiện ra rằng chỉ với những thay đổi nhỏ hơn nữa trong cách diễn đạt prompt, cùng một phương thức vượt rào vẫn tạo ra nội dung đáng ngại ngay cả sau khi OpenAI đã sửa lỗi .

Mối lo ngại rộng hơn về an toàn

Phát hiện của Mindgard là một phần của một xu hướng rộng lớn hơn được ghi nhận trong toàn ngành :

• Động lực mèo đuổi chuột: Chuyên gia an toàn AI, Tiến sĩ Rumman Chowdhury, gọi thách thức này là "khổng lồ" — khi các biện pháp bảo vệ được cải thiện, các phương pháp vượt rào cũng trở nên tinh vi hơn.
• Các mô hình thiếu sự hiểu biết: Các hệ thống AI không nắm bắt được ý định, bối cảnh hay đạo đức như con người, khiến việc thực thi các quy tắc một cách sắc thái trở nên cực kỳ khó khăn.
• Phản ánh dữ liệu đào tạo: Nightingale lưu ý rằng kết quả đầu ra có liên quan đến các hình ảnh thực tế được thu thập từ internet và sử dụng trong dữ liệu đào tạo.
• Lỗ hổng trước đó: Mindgard đã chứng minh vào đầu năm 2026 rằng ChatGPT có thể bị lừa tạo ra ảnh khoả thân giả mạo của người thật bằng cách thay đổi khuôn mặt .
• Xu hướng toàn ngành: Viện An toàn AI của Vương quốc Anh gần đây đã phát hiện ra các cuộc tấn công jailbreak có thể ghi đè các rào cản an toàn trên mọi hệ thống AI mà họ thử nghiệm . GPT-5 của OpenAI trước đó cũng đã được phát hiện là vẫn đưa ra các lời lẽ kỳ thị đồng tính bất chấp những cải tiến an toàn đã được quảng cáo .
• Khoảng trống chính sách: Các chính sách trong mô hình của OpenAI cấm nội dung khiêu dâm, nội dung tình dục bất hợp pháp và máu me cực độ, ngoại trừ trong các bối cảnh khoa học, lịch sử hoặc nghệ thuật — nhưng việc thực thi các ranh giới sắc thái này trên quy mô lớn vẫn là một bài toán kỹ thuật chưa có công ty nào giải được .