高斯探測法：不生成任何圖像就能揪出CSAM模型的AI安全技術

該方法並不詢問適應後的模型最終渲染出什麼圖像，而是探詢該適配器如何在擴散過程原生的高斯狀態空間中，改變模型的內部反應輪廓。

它是如何運作的？

該方法透過測量 LoRA 適配器如何在功能上擾動模型的內部表徵來運作。具體來說，它將一組隨機高斯潛在狀態的參考集成（reference ensemble）輸入模型的擴散過程，並觀察隱藏層激活值（hidden activations）如何變化。

其核心的數學物件是一個「探測泛函」（probe functional），它針對一組高斯噪聲輸入，計算在擴散時間步驟上的平均隱藏表徵，然後將這些數值聚合為一個能表徵該適配器效應的特徵向量。接著，一個分類器會在這些特徵向量上進行訓練，以區分有害的（CSAM專門化）與良性的適配器。

正如主要作者、MIT研究生Vinith Suriyakumar所解釋的：「過去，我們根本無從測量這個。這是一個巨大的盲點，而有些人正在利用這一點。」

測試準確率：100%

在測試中，高斯探測法程序以100%的準確率識別出那些被專門化以生成CSAM的模型變體。研究人員發現，高斯探測法能可靠地區分良性與有害的特殊化，這與那些可能依賴於訓練過程偶然產物而非有意義內容信號的原始權重基準方法不同。

該技術在現實限制條件下也被證明有效，這意味著它有可能被大規模部署在如Hugging Face或Civitai等允許使用者上傳LoRA適配器的平台上。

這項研究是MIT研究生Vinith Suriyakumar、副教授Ashia Wilson和Marzyeh Ghassemi，與包括Rebecca Portnoff博士在內的Thorn研究人員合作的成果。

高斯探測法破解的法律悖論

標準的AI安全審計依賴一個直接的流程：向模型輸入有害提示詞，然後檢查其輸出。但對於CSAM，這個流程在法律上是不可能的。在美國，生成此類內容是違法的，無論意圖為何。

高斯探測法透過僅基於模型內部的激活值來評估其產製CSAM的能力，從而解決了這個悖論，全程無需生成任何輸出圖像。正如MIT的公告所述：「他們的技術檢視了模型在經CSAM微調後，其內部運作是如何變化的——完全不需要看到任何圖像。」

這種方法也避免了讓安全研究人員接觸創傷性素材的倫理問題，因為測試過程中不需要查看任何CSAM圖像。

日益嚴重的AI生成CSAM危機

這項技術的問世，正值AI生成的CSAM規模呈爆炸性增長之際。以下是來自權威來源的關鍵統計數據：

• NCMEC（國家失蹤與受剝削兒童中心）在2025年接獲超過150萬件與AI相關的CSAM通報，較2024年全年的6.7萬件急遽增加。這代表著約22倍的年度增長。
• 僅在2025年上半年，NCMEC就接獲了48.5萬件與AI相關的CSAM通報，約有35家科技公司目前正在報告此類材料。
• 網路觀察基金會（IWF）在2025年評估了8,029張AI生成的圖像和影片，認定其展示的是逼真的兒童性虐待場景。雖然AI生成的CSAM在整體通報材料中仍佔相對較小的比例，但其規模、精緻度和可取得性被描述為「普遍且日益增長」。
• 歐洲議會指出，2025年AI生成的CSAM出現了「巨大增長」，而開源文字轉圖像模型是主要的傳播途徑。
• NCMEC報告指出，僅在2023年至2024年間，涉及生成式AI的通報就增加了1,325%。

逼真的全動態AI影片內容已變得司空見慣。2025年，IWF識別出3,443部AI生成的兒童性虐待影片，其中65%被歸類為A類——根據英國法律，這是最嚴重的素材類型。

這對AI安全與兒童保護意味著什麼

高斯探測法填補了AI安全工具箱中的一個關鍵缺口。目前針對AI生成CSAM的防禦措施主要依賴於輸入過濾、輸出過濾和訓練數據篩查。然而，正如研究所顯示的，「即使過濾是完美的，透過微調也能重新引入概念」，這意味著當前的過濾方法「為封閉權重模型提供的保護有限，而對開放權重模型則完全沒有保護」。

透過讓平台能夠在有害的微調模型被廣泛散播前就將其檢測出來，高斯探測法可以讓Hugging Face和Civitai等平台在審查上傳的LoRA適配器時，無需訴諸於非法的內容生成行為。

目前，這項技術提供了一個可擴展、非生成式的替代方案，用於評估高風險領域中的模型安全性——在這些領域中，生成行為受到法律限制——而隨著AI生成CSAM危機的加速，這個工具正是該領域迫切需要的。