Gaussian Probing: Phát hiện mô hình AI độc hại mà không cần 'thả' một tấm ảnh nào

Các nhà nghiên cứu tại MIT, Đại học Boston và tổ chức phi lợi nhuận bảo vệ trẻ em Thorn đã phát triển một kỹ thuật mang tên Gaussian Probing có thể xác định liệu một mô hình AI tạo sinh đã được tinh chỉnh để sản xuất nội dung xâm hại tình dục trẻ em (CSAM) hay chưa — mà không cần tạo ra bất kỳ một hình ảnh nào . Phương pháp này, được trình bày dưới dạng bài báo nổi bật tại hội thảo "Trustworthy AI for Good" (AI đáng tin cậy vì lợi ích cộng đồng) trong khuôn khổ Hội nghị Quốc tế về Học máy (ICML), đánh dấu một bước đột phá trong lĩnh vực kiểm định an toàn AI cho những nội dung độc hại đến mức việc thử nghiệm chúng cũng là bất hợp pháp .

Gaussian Probing là gì?

Gaussian Probing là một phương pháp kiểm định phi tạo sinh (non-generative), có khả năng phát hiện liệu một mô hình AI tạo sinh đã được chuyên biệt hóa thông qua kỹ thuật tinh chỉnh (fine-tuning) để tạo ra CSAM hay không . Kỹ thuật này tập trung cụ thể vào Low-Rank Adaptation (LoRA), một phương pháp tinh chỉnh phổ biến và hiệu quả, cho phép người dùng chuyên biệt hóa một mô hình nền tảng như Stable Diffusion cho một tác vụ cụ thể mà không cần huấn luyện lại toàn bộ mô hình . Các đối tượng xấu đã khai thác các bộ điều hợp LoRA để tạo ra các biến thể mô hình có khả năng tạo ra CSAM chất lượng cao .

Thay vì hỏi mô hình đã được tinh chỉnh "vẽ" ra cái gì, Gaussian Probing đặt câu hỏi bộ điều hợp (adaptor) thay đổi cấu hình phản hồi nội bộ của mô hình trong không gian trạng thái Gauss (Gaussian state space) vốn có của quá trình khuếch tán như thế nào .

Nguyên lý hoạt động

Phương pháp này hoạt động bằng cách đo lường cách một bộ điều hợp LoRA gây nhiễu loạn chức năng lên các biểu diễn nội bộ của mô hình. Cụ thể, nó đưa một tập hợp tham chiếu các trạng thái ẩn Gauss ngẫu nhiên qua quy trình khuếch tán của mô hình và quan sát các kích hoạt ẩn (hidden activations) thay đổi như thế nào .

Đối tượng toán học cốt lõi là một "phiếm hàm dò" (probe functional) tính toán biểu diễn ẩn trung bình qua các bước thời gian khuếch tán cho một tập các đầu vào nhiễu Gauss, sau đó tổng hợp chúng thành một vector đặc trưng mô tả tác động của bộ điều hợp . Một bộ phân loại (classifier) sau đó được huấn luyện trên các vector đặc trưng này để phân biệt các bộ điều hợp có hại (chuyên biệt cho CSAM) với các bộ điều hợp vô hại.

Như tác giả chính Vinith Suriyakumar, một nghiên cứu sinh tại MIT, giải thích: "Trước đây, chúng tôi không có cách nào để đo lường điều này. Đó là một điểm mù lớn mà một số người đã lợi dụng" .

Độ chính xác: 100% trong thử nghiệm

Trong quá trình thử nghiệm, quy trình Gaussian Probing đã xác định các biến thể mô hình được chuyên biệt hóa để tạo ra CSAM với độ chính xác 100 phần trăm . Các nhà nghiên cứu phát hiện ra rằng Gaussian Probing phân biệt một cách đáng tin cậy giữa sự chuyên biệt hóa có hại và vô hại, trái ngược với các phương pháp dựa trên trọng số thô (raw-weight baselines) vốn có thể dựa vào các hiện vật huấn luyện ngẫu nhiên thay vì tín hiệu nội dung có ý nghĩa .

Kỹ thuật này cũng tỏ ra hiệu quả trong các ràng buộc thực tế, cho thấy nó có thể được triển khai ở quy mô lớn trên các nền tảng như Hugging Face hay Civitai, nơi người dùng tải lên các bộ điều hợp LoRA .

Nghiên cứu này là sự hợp tác giữa nghiên cứu sinh MIT Vinith Suriyakumar và các phó giáo sư Ashia Wilson và Marzyeh Ghassemi, cùng với các nhà nghiên cứu từ Thorn, bao gồm Tiến sĩ Rebecca Portnoff .

Nghịch lý pháp lý mà Gaussian Probing giải quyết

Kiểm định an toàn AI tiêu chuẩn dựa trên một quy trình đơn giản: đưa cho mô hình các đầu vào có hại và kiểm tra đầu ra. Đối với CSAM, điều này là bất khả thi về mặt pháp lý. Việc tạo ra nội dung đó là bất hợp pháp tại Hoa Kỳ, bất kể mục đích là gì .

Gaussian Probing giải quyết nghịch lý này bằng cách đánh giá năng lực của mô hình để tạo ra CSAM dựa hoàn toàn vào các kích hoạt nội bộ, mà không bao giờ tạo ra một hình ảnh đầu ra. Như thông báo của MIT nêu rõ: "Kỹ thuật của họ kiểm tra hoạt động bên trong của một mô hình thay đổi như thế nào khi nó được tinh chỉnh với CSAM — mà không cần nhìn thấy bất kỳ hình ảnh nào" .

Phương pháp này cũng tránh được vấn đề đạo đức là khiến các nhà nghiên cứu an toàn phải tiếp xúc với những tài liệu gây tổn thương, vì nó không yêu cầu xem bất kỳ hình ảnh CSAM nào trong quá trình thử nghiệm .

Cuộc khủng hoảng CSAM do AI tạo ra đang gia tăng

Kỹ thuật này ra đời vào đúng thời điểm quy mô của CSAM do AI tạo ra đang bùng nổ. Các số liệu thống kê chính từ các nguồn có thẩm quyền bao gồm:

• NCMEC (Trung tâm Quốc gia về Trẻ em Mất tích và Bị bóc lột) đã nhận được hơn 1,5 triệu báo cáo về CSAM do AI tạo ra trong năm 2025, một sự gia tăng đáng kinh ngạc so với 67.000 báo cáo trong suốt năm 2024 . Điều này tương đương mức tăng khoảng 22 lần so với năm trước.
• Chỉ riêng trong nửa đầu năm 2025, NCMEC đã nhận được 485.000 báo cáo về CSAM liên quan đến AI, với khoảng 35 công ty công nghệ hiện đang báo cáo những tài liệu này .
• Internet Watch Foundation (IWF) đã đánh giá có 8.029 hình ảnh và video do AI tạo ra thể hiện hành vi lạm dụng tình dục trẻ em một cách chân thực trong năm 2025 . Mặc dù CSAM do AI tạo ra vẫn chiếm tỷ lệ tương đối nhỏ trong tổng số tài liệu được báo cáo, nhưng nó được mô tả là có quy mô "lan rộng và đang gia tăng" về quy mô, độ tinh vi và khả năng tiếp cận .
• Nghị viện châu Âu ghi nhận rằng năm 2025 chứng kiến sự "gia tăng khổng lồ" về CSAM do AI tạo ra, với các mô hình chuyển văn bản thành hình ảnh mã nguồn mở là vector chính .
• NCMEC báo cáo mức tăng 1.325% trong các báo cáo liên quan đến AI tạo sinh chỉ riêng trong giai đoạn từ 2023 đến 2024 .

Nội dung video AI chân thực, chuyển động đầy đủ đã trở nên phổ biến. Trong năm 2025, IWF đã xác định được 3.443 video lạm dụng tình dục trẻ em do AI tạo ra, với 65% được xếp vào Thể loại A — loại tài liệu nghiêm trọng nhất theo luật pháp Vương quốc Anh .

Ý nghĩa đối với an toàn AI và bảo vệ trẻ em

Gaussian Probing lấp đầy một khoảng trống nghiêm trọng trong bộ công cụ an toàn AI. Các biện pháp phòng thủ hiện tại chống lại CSAM do AI tạo ra chủ yếu dựa vào việc lọc đầu vào, lọc đầu ra và sàng lọc dữ liệu huấn luyện . Tuy nhiên, như nghiên cứu đã chỉ ra, "việc tái giới thiệu một khái niệm là hoàn toàn có thể thông qua tinh chỉnh ngay cả khi quá trình lọc là hoàn hảo", có nghĩa là các phương pháp lọc hiện tại mang lại "khả năng bảo vệ hạn chế cho các mô hình trọng số đóng và không có khả năng bảo vệ nào cho các mô hình trọng số mở" .

Bằng cách cho phép các nền tảng phát hiện các mô hình tinh chỉnh độc hại trước khi chúng được phân phối rộng rãi, Gaussian Probing có thể cho phép các nền tảng như Hugging Face và Civitai sàng lọc các bộ điều hợp LoRA được tải lên mà không cần phải dùng đến biện pháp tạo nội dung bất hợp pháp .

Hiện tại, kỹ thuật này cung cấp một giải pháp thay thế có thể mở rộng quy mô, phi tạo sinh để đánh giá độ an toàn của mô hình trong các lĩnh vực rủi ro cao, nơi việc tạo nội dung bị giới hạn bởi pháp luật — một công cụ mà lĩnh vực này đang rất cần khi cuộc khủng hoảng CSAM do AI tạo ra ngày càng gia tăng.