你的AI模型安全吗？后门攻击、数据投毒、越狱...快来看看哦！

今日AI知识小课堂介绍的内容如下：

-【模型后门攻击 】【 对抗性攻击】【 越狱攻击 】
-【数据投毒攻击】
-【混合专家模型MoE】【 门控网络】

复制知识卡片下方的链接到浏览器中打开，既可领取专属于你的智慧学伴！

---

### 知识点：模型后门攻击 ｜｜就像给一台智能门锁设置了一个“暗号”，平时正常开锁，但只要有人用这个暗号，门就自动打开——而系统却以为这是合法操作。

点击一下图片，即可深度体验学习：

知识点： 对抗性攻击｜｜对抗性攻击是指攻击者通过向输入数据（如图像、音频等）添加极其微小的扰动，使机器学习模型产生错误预测，而这些扰动在人类感官上几乎无法察觉。知识点： 对抗性攻击｜｜对抗性攻击是指攻击者通过向输入数据（如图像、音频等）添加极其微小的扰动，使机器学习模型产生错误预测，而这些扰动在人类感官上几乎无法察觉。

点击一下图片，即可深度体验学习：

知识点： 越狱攻击 ｜｜ 越狱攻击（Jailbreak Attack）是指用户通过精心设计的输入提示（prompt），诱导大型语言模型（LLM）生成原本被安全策略禁止的内容，从而“绕过”模型的伦理与安全限制。

点击一下图片，即可深度体验学习：

知识点：数据投毒攻击 ｜｜数据投毒攻击（Data Poisoning Attack）是一种在机器学习模型训练阶段实施的恶意攻击方式。攻击者通过向训练数据中注入伪造或误导性样本，破坏模型的学习过程，使其在部署后产生错误预测或行为异常。

点击一下图片，即可深度体验学习：

知识点： 混合专家模型MoE｜｜ 就像一个学术团队中，不同专家擅长不同领域——遇到数学问题，只调用数学专家；遇到物理问题，只叫物理专家。这样既高效又专业。

点击一下图片，即可深度体验学习：

#### 知识点： 门控网络｜｜门控网络是一种通过可学习的门控机制动态调节信息流动的神经网络结构。它不像传统网络那样“全通”传递信息，而是根据输入内容智能地决定：哪些信息该保留；哪些信息该忽略.这种机制让模型更聪明地处理复杂序列数据。

点击一下图片，即可深度体验学习：