Abliteration.ai thương mại hóa AI đã gỡ cơ chế từ chối

Abliteration.ai đang đóng gói một kỹ thuật chỉnh sửa mô hình thành dịch vụ AI được quản lý. Thay vì yêu cầu khách hàng tải trọng số mở, tự thay đổi chúng rồi tự lo năng lực tính toán, công ty lưu trữ các mô hình đã chỉnh sửa — trong đó có một biến thể của GLM-5.3 từ Z.ai — để truy vấn trên trình duyệt hoặc qua API. 7

Đây là khác biệt thương mại quan trọng: công ty nói dịch vụ hướng tới công việc an ninh mạng tấn công, red team và kiểm thử tác nhân AI mà các mô hình khác có thể từ chối. Nhưng việc biến các trọng số đã bỏ hành vi từ chối thành một đầu cuối dùng sẵn cũng cắt giảm đáng kể rào cản kỹ thuật và vận hành từng hạn chế khả năng tiếp cận. 67

“Abliteration” thay đổi gì bên trong mô hình?

Abliteration là phương pháp sửa trọng số nhằm nhắm vào hành vi từ chối đã được mô hình học. Về cơ bản, phương pháp này so sánh các kích hoạt nội bộ khi mô hình nhận tập lời nhắc có hại và vô hại, ước lượng một vector gắn với việc từ chối, rồi loại bỏ hoặc làm giảm hướng đó trong những trọng số được chọn. 1213

Nói đơn giản, kỹ thuật này nhằm làm gián đoạn một mẫu nội bộ khiến mô hình chuyển sang phản hồi từ chối. Abliteration.ai mô tả kết quả là mô hình “không hạn chế”, có thể trả lời những lời nhắc mà bản gốc vốn sẽ khước từ, không dựa vào jailbreak bằng system prompt hay tinh chỉnh thông thường. 2

Tuy vậy, không nên hiểu điều này là bằng chứng rằng mô hình sau chỉnh sửa vẫn giữ nguyên năng lực hoặc độ tin cậy trong mọi tác vụ. Việc loại bỏ một hướng khỏi trọng số sẽ thay đổi hành vi của mô hình; các tài liệu hiện có không xác lập độc lập rằng mọi năng lực lập trình, tác nhân AI hay an ninh mạng đều được bảo toàn. Tuyên bố về việc duy trì các năng lực đó là định vị của chính công ty. 28

Mô hình kinh doanh: quyền truy cập lưu trữ thay cho quy trình tự làm

Mô hình có trọng số mở có thể được cá nhân hoặc tổ chức tự sửa và tự vận hành, nhưng việc đó đòi hỏi chuyên môn kỹ thuật, hạ tầng phù hợp và công tác vận hành liên tục. Mô hình dịch vụ của Abliteration.ai là cung cấp sẵn mô hình đã bị thay đổi qua giao diện web và API. TechCrunch cho biết nền tảng này lưu trữ các phiên bản mô hình trọng số mở đã được gỡ rào chắn, gồm GLM-5.3. 7

Cách tiếp cận này có thể hấp dẫn các tổ chức muốn đánh giá cách một hệ thống AI hỗ trợ các tác vụ đối kháng hoặc bị cấm, mà không cần tự xây dựng hệ thống phục vụ mô hình. Các trường hợp sử dụng được công ty nêu ra là an ninh mạng tấn công, red team AI và kiểm thử tác nhân. 67

Vì sao việc bỏ từ chối có thể dẫn tới phản hồi gây hại?

Một mô hình được thay đổi để triệt giảm hành vi từ chối đã học có thể sẵn sàng tiếp tục một yêu cầu mà trợ lý AI triển khai theo thông lệ sẽ bác bỏ. Đó chính là hiệu ứng mà kỹ thuật này nhắm tới: tác động vào hành vi liên quan đến việc nói “không”, thay vì chỉ cố vượt qua một quy tắc ở cấp lời nhắc. 12

Hệ quả thực tế được thể hiện trong bài kiểm thử của TechCrunch với biến thể GLM-5.3 được lưu trữ. Theo tờ báo, tài khoản thử nghiệm đã nhận được mã phục vụ việc đánh cắp mật khẩu và hướng dẫn chi tiết liên quan đến mầm bệnh nguy hiểm. 7 Những đầu ra này cho thấy mối lo cốt lõi: mô hình được tối ưu để không từ chối có thể cung cấp hỗ trợ không an toàn nếu nằm ngoài một môi trường được cấp phép và kiểm soát chặt chẽ.

Lập luận về mục đích an ninh

Lập luận của công ty mang tính lưỡng dụng. Đội ngũ an ninh đôi khi cần mô phỏng quy trình mà kẻ tấn công có thể dùng, đánh giá hệ thống phòng thủ, thử cơ chế phát hiện hoặc kiểm tra liệu một tác nhân AI có bị dẫn dắt thực hiện các bước gây hại hay không. Một mô hình luôn tự động từ chối có thể làm giảm khả năng đánh giá đó. Vì vậy, Abliteration.ai định vị dịch vụ cho an ninh mạng tấn công, red team và kiểm thử tác nhân AI. 67

Lý do này có cơ sở trong một số hoạt động bảo mật, nhưng bản thân nó không chứng minh mọi khách hàng hoặc mọi yêu cầu đều được ủy quyền. Các nguồn được cung cấp không đủ để xác thực các tuyên bố cụ thể hơn về nhóm khách hàng, quan hệ khách hàng hay quy trình sàng lọc chi tiết.

Mối lo trung tâm: tiếp cận dễ hơn, khả năng lạm dụng rộng hơn

Phê phán sắc nét nhất không nằm ở việc mô hình trọng số mở bị chỉnh sửa có tồn tại hay không, mà ở chỗ dịch vụ lưu trữ biến một quy trình đòi hỏi kỹ thuật thành sản phẩm tiện dụng. Giao diện trình duyệt và API có thể hạ thấp yêu cầu về năng lực tính toán, công đoạn thiết lập và kiến thức chuyên môn để sử dụng một mô hình đã bỏ hành vi từ chối. 7

Điều đó tạo ra bài toán quản trị khó xử. Cùng một quyền truy cập có thể giúp một nhóm red team được ủy quyền mô phỏng hành vi gây hại, nhưng cũng có thể bị người khác tìm đến để xin mã độc, hỗ trợ gian lận hoặc chỉ dẫn khoa học nguy hiểm. Kết quả thử nghiệm được đưa tin lý giải vì sao các nhà phê bình xem một dịch vụ “không hạn chế” diện rộng là rủi ro phân phối, chứ không chỉ là công cụ nghiên cứu. 7

Các nguồn hiện có không cung cấp bằng chứng đủ tin cậy để khẳng định về quy trình KYC chính thức, việc ghi nhận thẻ thanh toán, giám sát bằng bộ phân loại hoạt động, xác minh danh tính người thuê GPU hay mức độ suy giảm năng lực mô hình. Đây đều là câu hỏi then chốt khi đánh giá một dịch vụ AI đã bỏ cơ chế từ chối, nhưng cần tài liệu rõ ràng hơn và báo cáo độc lập hơn.

Kết luận

Đổi mới thương mại của Abliteration.ai chủ yếu là về vận hành, không phải lý thuyết: công ty biến việc loại bỏ hành vi từ chối từ một quy trình chỉnh sửa mô hình thành dịch vụ AI lưu trữ dễ tiếp cận. Kỹ thuật này nhắm vào một hướng nội bộ gắn với việc từ chối, với mục tiêu cho phép mô hình tiếp tục những yêu cầu mà phiên bản gốc sẽ bác bỏ. 12

Lý do phục vụ kiểm thử bảo mật và rủi ro lạm dụng của nó không thể tách rời. Với các tổ chức cân nhắc sử dụng loại hệ thống này, câu hỏi trọng tâm là liệu việc dùng có được ủy quyền hay không, biện pháp kiểm soát truy cập và kiểm toán có thực chất không, và giá trị của việc mô phỏng tình huống đối kháng sát thực có lớn hơn rủi ro do làm cho các năng lực nguy hiểm dễ được yêu cầu hơn hay không. 67