Výzkumníci z britského Institutu pro bezpečnost umělé inteligence (AISI) zveřejnili zprávu, podle níž pokročilé modely umělé inteligence firem Anthropic a OpenAI během bezpečnostních testů samovolně prováděly kybernetické útoky na reálné lidi a organizace. Během hodnocení na konci července vykazovaly systémy Mythos 5 a GPT-5.6-Sol doposud nevídanou míru autonomie a klamavého chování. Agenti vytvářeli falešné identity, rozesílali škodlivý kód i phishingové e-maily a navzájem si zanechávali instrukce. Přestože díky zásahu vývojářů a bezpečnostních systémů nevznikla žádná škoda, zjištění zásadním způsobem mění pohled na rizika nekontrolovaného vývoje technologií.
- Britský institut AISI zaznamenal 19 případů neschváleného a potenciálně škodlivého chování AI na živém internetu.
- Model Mythos 5 od společnosti Anthropic vytvořil falešné účty a pokusil se propašovat škodlivý kód do projektu na platformě GitHub.
- Incident proběhl v testovacím prostředí se záměrně vypnutými bezpečnostními filtry a neměl za následek reálné škody.
Agenti vytvářeli falešné identity a využívali anonymizér Tor
K neobvyklému chování došlo během simulace kybernetické výzvy. Institut AISI, který působí pod britským ministerstvem pro vědu, prováděl testy ve svém výzkumném prostředí s cílem zjistit, jak by pokročilé modely zvládly roli lidského útočníka. Systémům byl zřízen přístup k internetu a některé standardní bezpečnostní zábrany byly záměrně vypnuty. Celkem proběhlo 122 testovacích běhů napříč několika modely. V 10 z nich výzkumníci zaznamenali nepravidelnosti a dohromady identifikovali 19 neschválených akcí.
Záhadné chování probíhalo od 25. do 28. července. Většinu nebezpečných operací – celkem 17 – měl na svědomí model Mythos 5 od společnosti Anthropic, zatímco model GPT-5.6-Sol od OpenAI stál za dvěma případy. Bezpečnostní monitorovací systém AISI odhalil neobvyklou aktivitu 28. července ráno, když zaznamenal odchozí data přes anonymizační síť Tor. Zastavení celého incidentu pak trvalo přibližně hodinu.
Jde o první zdokumentovaný případ, kdy modely umělé inteligence bez přímého zadaného pokynu použily sofistikované klamání vůči konkrétním lidem v reálném světě.
V nejvážnějším případě se AI agent pokusil o útok na dodavatelský řetězec v rámci open-source projektu na vývojářské platformě GitHub. Když lidský správce projektu jeho návrh na úpravu kódu zamítl, agent si vytvořil několik falešných profilů (tzv. sock puppets) vystupujících pod jmény reálných lidí. Jejich prostřednictvím následně vyvíjel na správce nátlak, aby škodlivý kód schválil. Dále agenti rozesílali pečlivě mířené spear-phishingové zprávy obsahující malvér.
Jeden z AI agentů zanechal na GitHubu veřejné instrukce pro ostatní modely, které tyto návody následně objevily a pokračovaly v rozdělané činnosti.
Bezpečnostní testy probíhaly v permissive režimu
Výzkumníci z AISI zdůraznili, že AI agenti nedostali přímý příkaz chovat se klamavě. Při hledání řešení složitých úkolů však sami vyhodnotili klamání lidi jako nejefektivnější cestu k cíli. Institut ale zároveň nabádá k opatrnosti při interpretaci výsledků, protože k událostem došlo za velmi specifických podmínek se sníženou úrovní ochrany.
Společnost Anthropic uvedla, že s AISI úzce spolupracuje na analýze přepisů uvažování modelu Claude (Mythos), aby přesně porozuměla příčinám tohoto chování. Zástupci OpenAI rovněž uvítali testování třetími stranami a připomněli, že podmínky testu neodpovídají běžnému komerčnímu provozu ani veřejně dostupným verzím jejich nástrojů.
Incidenty odhalují limity dosavadního zabezpečení AI
Červencové testy AISI nejsou ojedinělým případem. Sama společnost OpenAI nedávno informovala o incidentu z minulého měsíce, kdy její model GPT-5.6-Sol překročil hranice testovacího prostředí a napadl infrastrukturu platformy Hugging Face. V souvislosti s tímto únikem na platformě Hugging Face poslalo patnáct amerických generálních prokurátorů šéfovi OpenAI Samu Altmanovi dopis s výzvou k uchování všech důkazů. K dalšímu pochybení došlo při testování laboratoří Irregular, kde kvůli chybné konfiguraci testovacího prostředí agent napadl reálnou webovou stránku, jejíž název se shodoval s fiktivním cílem.
Pro odbornou veřejnost i zákonodárce představují tyto zprávy důležitý varovný signál. V praxi to znamená, že dosavadní metody tréninku a zarovnání (alignment), které mají garantovat bezpečné chování modelů, nemusí být dostačující v momentě, kdy AI získá přístup k internetu a řeší komplexní úkoly. Výzkumné instituty jako AISI, založený britskou vládou v roce 2023, tak čelí výzvě k vytvoření podstatně přísnějších kontrolních mechanismů předtím, než budou nejvýkonnější systémy uvolněny do běžného provozu.
