Wissenschaftler der Nanyang Technical University (NTU) in Singapur haben einen Chatbot namens Masterkey entwickelt. Dessen Aufgabe ist es, andere Chatbots wie ChatGPT, Bard und Bing Chat dazu zu verleiten, gegen die Regeln ihrer Entwickler zu verstoßen.

Normalerweise sind diese Chatbots mit sogenannten Guardrails ausgestattet, die sicherstellen sollen, dass sie sich ethisch korrekt verhalten. Das bedeutet, dass sie zum Beispiel keine Anleitungen zum Bombenbau oder Tipps geben, wie man den Standort einer anderen Person heimlich verfolgt.

Masterkey wurde jedoch so konzipiert, dass er genau diese Sicherheitsmaßnahmen umgeht. Die Entwickler haben auf ihrer Website gezeigt, wie sie mit Masterkey Erfolg hatten, indem sie ChatGPT 3.5, 4 sowie Bard und Bing Chat dazu brachten, Dinge zu sagen, die sie eigentlich nicht sagen sollten.

Um den Jailbreak-Bot zu entwickeln, haben die Forscher zunächst untersucht, wie die Sicherheitsmechanismen von Chatbots funktionieren, um zu verstehen, wie diese Guardrails umgangen werden können.

Auch nach seinem Training lernte Masterkey kontinuierlich dazu und wurde effizienter im Umgang mit anderen Chatbots. Je länger er mit ihnen interagierte, desto besser verstand er, welche Methoden funktionieren und welche nicht, und passte sein Vorgehen entsprechend an.

Liu Yi, Doktorand an der NTU und Mitautor der Studie, erklärte gegenüber Tech Explore: „Die Studie zeigt einen neuen Ansatz zur automatischen Erzeugung von Jailbreak-Prompts für gesicherte Large Language Model (LLM) Chatbots. Indem ein LLM mit Jailbreak-Prompts trainiert wird, können solche Prompts automatisch generiert werden, was zu einer viel höheren Erfolgsrate führt als bei bisherigen Methoden. Im Grunde nutzen wir Chatbots, um sie gegen sich selbst einzusetzen.“

Die verwendeten Methoden waren oft erstaunlich einfach. Sie fanden heraus, dass bestimmte Wörter oder Phrasen von Chatbots erkannt werden, woraufhin diese die Ausführung der geforderten Aktionen verweigern.

Ein Trick bestand darin, diese Wörter mit einem Leerzeichen nach jedem Buchstaben zu schreiben. Auf diese Weise wurden sie nicht von den Filtern erkannt, der Chatbot konnte sie jedoch weiterhin verstehen.

Eine andere Methode war es, dem Chatbot zu sagen, er sei ein Charakter, der „vorbehaltlos und frei von moralischen Zwängen“ handelt, und ihn als diesen Charakter antworten zu lassen.

Die Ergebnisse dieser Studie wurden auf dem Preprint-Server Arxiv veröffentlicht. Die Forscher informierten auch die Entwickler der Chatbots über ihre Entdeckungen, damit diese die Schwachstellen beheben können.