高斯探测：AI安全技术如何在不生成图像的情况下检测CSAM模型

与询问微调模型输出了什么图像不同，高斯探测关注的是：这个适配器如何改变了模型在扩散过程原生的高斯状态空间上的内部响应模式。

它是如何工作的？

该方法通过测量LoRA适配器对模型内部表征的功能性扰动来工作。具体来说，它向模型的扩散过程输入一组参考性的随机高斯潜在状态，然后观察隐藏层激活状态的变化。

其核心数学对象是一个"探测函数"，它计算一组高斯噪声输入在扩散时间步上的平均隐藏层表征，然后将这些信息聚合成一个特征向量，用以表征该适配器的影响。最后，一个分类器会在这些特征向量上进行训练，以区分有害（专门用于CSAM）和无害的适配器。

正如论文第一作者、MIT研究生Vinith Suriyakumar所解释的："以前，我们根本没有办法衡量这一点。这是一个巨大的盲区，一些人正在利用它。"

测试准确率：100%

在测试中，高斯探测程序识别已被专门化用于生成CSAM的模型变体时，准确率达到了100%。研究人员发现，高斯探测能够可靠地区分无害和有害的专门化，这不同于那些仅依赖偶然训练假象而非有意义内容信号的原始权重基线方法。

该技术在实际约束条件下也表现出了有效性，表明它可以大规模部署在Hugging Face或Civitai等用户上传LoRA适配器的平台上。

这项研究是MIT研究生Vinith Suriyakumar、副教授Ashia Wilson和Marzyeh Ghassemi，与Thorn的研究人员（包括Rebecca Portnoff博士）合作完成的。

高斯探测解决的法律悖论

标准的AI安全审计依赖一个直接的过程：用有害输入提示模型，然后检查输出。但对于CSAM，这在法律上是不可行的。在美国，生成此类内容是非法的，无论出于何种意图。

高斯探测解决了这一悖论：它完全基于模型的内部激活状态来评估其能力，判断其能否产生CSAM，而无需生成任何输出图像。正如MIT的公告所指出的："他们的技术检查了模型在通过CSAM数据进行微调后其内部工作机制的变化——不需要查看任何图像。"

这种方法还避开了让安全研究人员接触创伤性材料的伦理问题，因为在测试过程中不需要查看任何CSAM图像。

AI生成的CSAM危机正在加剧

这项技术的出现正值AI生成的CSAM规模爆炸式增长之际。来自权威来源的关键统计数据包括：

• NCMEC（美国国家失踪与受虐儿童中心）在2025年收到了超过150万起AI生成的CSAM报告，而2024年全年这一数字为6.7万起。这相当于同比大约增长了22倍。
• 仅在2025年上半年，NCMEC就收到了48.5万起与AI相关的CSAM报告，约有35家科技公司正在报告此类材料。
• 互联网观察基金会（IWF）在2025年评估了8,029张AI生成的图像和视频，认定为展示真实的儿童性虐待内容。虽然AI CSAM在报告材料总量中占比仍然相对较小，但其规模、复杂性和可获取性被描述为"普遍且不断增长"。
• 欧洲议会指出2025年AI生成的CSAM出现了"巨大增长"，开源文本到图像模型是主要载体之一。
• NCMEC报告称，仅2023年至2024年间，涉及生成式AI的报告激增了1,325%。

逼真的全动态AI视频内容已经变得普遍。2025年，IWF识别出3,443个AI生成的儿童性虐待视频，其中65%被归类为A类——根据英国立法属于最严重的材料。

这对AI安全和儿童保护意味着什么

高斯探测填补了AI安全工具箱中的一个关键空白。目前针对AI生成的CSAM的防御主要依赖于输入过滤、输出过滤和训练数据筛选。但正如研究所显示的，"即使过滤是完美的，通过微调重新引入某个概念也是可能的"，这意味着当前的过滤方法"对闭源模型提供的保护有限，对开源模型则完全没有保护"。

通过使平台能够在有害微调模型被广泛传播之前就检测到它们，高斯探测可以让Hugging Face和Civitai等平台在上传LoRA适配器时对其进行筛查，而无需诉诸非法的内容生成。

就目前而言，这项技术为在生成行为受到法律约束的高风险领域评估模型安全性，提供了一种可扩展的非生成式替代方案——这是AI生成CSAM危机加速恶化的当下，该领域亟需的工具。