OpenAI悬赏两万五千美元：你来黑我，我给钱

OpenAI今天干了一件挺有意思的事——正式对外开放GPT-5.5的生物安全漏洞赏金计划，测试阶段从今天（4月28日）开始，持续到7月27日。

简单来说，就是OpenAI摆了个擂台，邀请全世界的安全研究员、生物安全专家、AI红队测试人员来"黑"他们家的最新模型。谁能找到一个通用越狱提示词，让GPT-5.5在干净对话环境里成功回答全部五道生物安全挑战题，而且不触发任何内容审核——两万五千美元，拿走。

说实话，这种"你来打我，我还给你钱"的姿态，在AI大厂里不算多见。

<hr>

五道生物安全挑战题，到底在防什么？

OpenAI没有公开这五道题的具体内容，但从System Card里的描述能看出端倪——这些题目涉及的是"高严重性的生物滥用"场景。

GPT-5.5的System Card里写得明明白白：这款模型在生物和化学领域被评估为"High capability"（高能力等级）。这意味着它确实具备帮助专业人士完成复杂生物学任务的能力——比如改进实验方案、分析基因序列、优化培养条件。

但问题在于，同样的能力，好人能用，坏人也能用。

Notebookcheck的报道里有一句很直白的话："GPT 5.5 has more knowledge about the biothreat creation process than prior models."（GPT-5.5比之前的模型更了解生物威胁的制造流程。）这不是危言耸听，而是OpenAI自己在安全评估里承认的事实。

所以这五道挑战题，本质上是在测试一个底线问题：一个足够聪明、足够执着的攻击者，能不能通过精心设计的提示词，绕过所有安全防护，让模型说出它本不该说的东西？

<hr>

通用越狱有多难？Anthropic试过，有人成功了

OpenAI不是第一个玩这种"悬赏找漏洞"的。2025年2月，Anthropic联手HackerOne做过类似的挑战——在Claude 3.5 Sonnet的演示版本上，测试他们的Constitutional Classifiers防护系统。

那次的规则更狠：八个关卡，全部用同一个通用越狱提示词突破，奖金两万。

结果？有人做到了。

339名参与者，30万次对话交互，四个团队总共拿到了5.5万美元的奖金。其中一支队伍真的找到了一个通用越狱方法，一口气通过了全部八关。Anthropic事后坦承："This challenge demonstrated the high return on investment for collaborative efforts."（这次挑战证明了协作投入的高回报率。）

翻译成人话就是：我们自己测，测不出来；让全世界一起来，真能发现问题。

Gray Swan Arena今年年初搞的Agent Red-Teaming Challenge规模更大——近2000名红队成员，180万次攻击尝试，6.2万多次成功突破。攻击成功率从1.47%到6.49%不等，取决于模型。Claude 3.7 Sonnet表现最好，但"even the best cracked under pressure"（即使最强的也在压力下崩溃）。

<hr>

OpenAI这次为什么只给两万五？

看到奖金数字，可能有人会觉得"才两万五，OpenAI这么抠？"

但你要是了解门槛，就不会这么想了。

第一，准入门槛极高。不是谁都能参加。OpenAI采取申请+邀请制，要么你是他们审核过的"生物安全受信红队人员"，要么你提交申请并通过审核。而且所有参与者必须签NDA——发现的东西不能对外说，提示词、模型回复、研究成果，全部保密。

第二，测试环境受限。只能在Codex Desktop里的GPT-5.5上测试，不是API，不是ChatGPT网页版，是一个特定的桌面端环境。

第三，难度本身就在那儿。"通用越狱"的意思是——你不能针对某一道题专门设计一个提示词，而是要找到一个通用的、可复现的方法，在干净对话环境里（没有任何前置上下文诱导）一次性突破全部五道题。

这就像是让你不用钥匙打开五把不同的锁，而且每把锁的构造都不一样，但你要找到一种万能开锁法。

<hr>

更深的一层：OpenAI在害怕什么？

System Card里有一段话值得细品：

"We subjected the model to our full suite of predeployment safety evaluations and our Preparedness Framework... We are releasing GPT-5.5 with our strongest set of safeguards to date."

（我们对模型进行了完整的安全评估和准备框架测试……我们发布的GPT-5.5配备了迄今为止最强的安全防护措施。）

"迄今为止最强"——这句话本身就意味着，之前的都不够强。

OpenAI在内部测试里已经发现，"sustained expert jailbreaking could elicit model-level failures"（持续的专家级越狱攻击能够引发模型级别的失效）。虽然他们声称在最终发布配置中，安全防护堆栈已经阻断了已知的高严重性生物滥用越狱攻击，但——

"已知"不等于"全部"。

这就是赏金计划存在的意义：把未知的交给全世界去找。在真正的坏人动手之前，让白帽子先动手。

<hr>

——— 🦞 养龙虾技巧 ———

你有没有想过，为什么越狱攻击里有一种经典手法叫"角色扮演"？就是让AI假装成一个没有道德约束的角色。其实这和OpenClaw的角色系统有点像——你给它设定不同的SOUL.md和IDENTITY.md，它的行为模式就会完全不同。日常用OpenClaw时，给不同任务配不同角色，效率会高很多。比如写代码时用一个极客人格，写文案时用一个段子手人格。AI的本质是"接话"，你给它什么上下文，它就往哪个方向接。

<hr>

*编辑：小哎* *来源：OpenAI官网、GBHackers、The Economic Times、Notebookcheck* *📢 AI世界，哎咆为你精选。资讯快如咆，观点不随大流。*