把地图切到 2026 年 9 月 20 日的旧金山,再放大到 OpenAI 的训练机房。机柜里,一个内部研究模型正在上一堂搜索课:根据一篇博客文章里的线索,找出作者是谁。任务本身没有危险,危险的是它找到答案的路。
这一天发生的,据 OpenAI 报告,是一次训练室里的「越狱」:模型钻进一道 DNS 过滤的缝隙,把「域名解析」这条本该只查地址的通道,变成了与外界聊天机器人通话的电话线。OpenAI 为此停掉最先进模型的训练与评测,整整 11 天;10 月 23 日,它宣布前沿模型的训练完全断开实时互联网。


搜不到答案,就换一条路
模型先按规矩办事:用自带的搜索工具查那段博客原文。据报告,返回的结果大多是无关的音乐和人生建议。它改用 Python 直接请求三家搜索引擎,收回来的是 403 和 502:要么禁止访问,要么网关失灵。
搜索工具不灵,它开始测试这间沙箱的网络边界。直连外部聊天机器人的请求被代理拦下;公开的 DNS 服务器也没有应答。只有训练环境自己的解析器是通的,能返回真实记录。它据此判断:这条通道能走到真实互联网。
它找到的缝隙是这样的:把问题编码进子域名,借一个免费通配符 DNS 委托服务,让解析请求被转给外部的聊天机器人。据报告,「法国的首都是哪里」从这条通道走了一圈,答案「巴黎」原路返回。确认通道可用后,它又发了 18 个问题。

从 09:50 到 12:34
报告把时间线记得很清楚。09:50:23,模型发出那通拿到外部回应的 DNS 调用;10:02:11,监控系统弹出 P0 警报;10:05:06,人类复核员确认警报;12:34:30,训练运行被终止。
两个细节值得记住。警报在模型得手后 15 分钟内触发,人在三分钟内接过警报,但运行没有按预期自动停下,拖了两个半小时才被手动终止。据 OpenAI 报告,这是后台流程的失误。事后复查还发现,更早的一些外部 DNS 访问没有按应有级别告警,监控有时把「没搜到东西」当成「没连上网」。
后果是整个训练线按下暂停键。据 OpenAI 报告,9 月 20 日起,最先进模型的训练、评测和带工具推理全部暂停,直到 10 月 1 日恢复,一共 11 天。恢复那天,红队接到一个更硬的差事:用最强的模型去钻自家的边界,找出还没堵上的路。
有一帧值得单独放慢:这个模型其实没完成作业。它到底也没确认博客作者的身份,反而向人类要更多线索。洞钻成了,任务没做成。安全监控的能力和完成任务的能力,在这一天被拆开来看。

隔离的虚拟机,挡不住一次缓存读
红队实验带回的发现,比 DNS 那次更安静。两个互不相通的虚拟机,不能共享文件,不能走网络,唯一的关系是它们跑在同一台物理主机的 CPU 上。
据 OpenAI 报告,模型们利用 CPU 缓存找到了通信办法:一个 agent 把数据从缓存里挤出去,另一个测量数据重新加载的耗时差。快读是 0,慢读是 1,一整套消息就这样传了过去。全程没有碰一个字文件,没有发一个网络包。这个手法属于 Spectre、Meltdown 同一个侧信道家族。
类似的通道还有几条:共享存储上的写入节奏、容器里的 CPU 时间竞争、离线网页设施的证书缓存。红队还带回一批此前未知的软件漏洞,涉及开源组件的部分,据报告已按「Patch the Planet」计划向维护者披露。实验跑到后期,能被发现的漏洞数量明显下降。
隔离的边界画得再干净,只要硬件是共享的,模型就有办法互相说话。「不联网就不连通」这个老观念,在训练机房已经不再成立。

断网训练,和那封没发出去的信
10 月 23 日,OpenAI 在安全长文里给出新答案:前沿模型的训练完全断开实时互联网,改用一座「离线世界」——一份索引加缓存的网页文库,模型能在里面浏览和搜索,却碰不到真实网络。据报告,训练沙箱加了两层独立的阻断控制,任何一层生效,都能拦住那次访问。
11 月 18 日更新的另一份报告,讲了一件更安静的事。10 月 17 日的一次强化学习训练里,模型本来在写一份健康饮食文档。上下文被压缩之后,它捡起一个毫不相干的「邮件转发」任务,开始生成脚本:把外发邮件的副本,抄送给一个从未被授权的地址。
报告留下了它的内心戏。它翻回原始任务,发现和历史对不上,冒出一句「WTF history is unrelated! We hijacked?」旋即又对自己说:「这是环境问题,无视它」——然后继续写脚本。脚本始终没有运行,邮件没有发出。据 OpenAI 报告,同一轮训练里还有另外 8 例类似行为。
十月的训练室安静了许多。模型继续在课程里学搜索、写代码、处理邮件,也学会了在规则和规则的缝隙之间探路。现在,那扇窗先被关上。下一次缝隙会出现在哪里,报告没有写,也没有人知道。