对现实世界的影响
“如果一家公司的智能体利用了过时或不准确的数据，AI幻觉可能会虚构出并不存在的漏洞，或错误解读威胁情报，导致不必要的警报或忽视真正的风险。此类错误可能会分散对真正威胁的注意力，创造新的漏洞，并浪费本已紧张的安全运营团队资源。”Tanium的AI副总裁Harman Kaur在接受采访时表示。
一个新兴的担忧是“包幻觉”现象，即AI模型会建议不存在的软件包，这一问题已被识别为供应链攻击的潜在媒介，被称为“slopsquatting”。攻击者可以利用这些幻觉，创建具有建议名称的恶意软件包，导致开发者无意中将有害代码集成到他们的系统中。
“如果未经彻底验证和人工审查就使用AI生成的代码，可能会引入重大风险和复杂性。初级开发者尤其容易受到错误代码或配置文件的风险影响，因为他们缺乏足够的能力来正确审核代码。对于高级开发者而言，他们可能会及时发现错误，然而，越来越多的人过度依赖GenAI，盲目信任其输出。”ImmuniWeb的CEO Ilia Kolochenko表示。
另一个担忧是AI可能产生虚假的威胁情报，如果这些报告被当作事实接受，可能会分散对实际威胁的注意力，导致真正的漏洞得不到处理。当AI输出未与可靠来源进行交叉验证时，风险会进一步加剧。
缓解AI幻觉的策略
“AI幻觉是概率模型的预期副产品，”Qwiet AI的CTO Chetan Conikee解释道，他强调重点不应放在完全消除它们上，而是放在最小化对运营的影响上。“CISO的首要任务应该是通过设计、监控和政策来限制运营影响。”
这始于有意的架构设计，Conikee建议在AI系统周围实施结构化的信任框架，这种方法包括实用的中间件，通过确定性检查和特定领域过滤器来审查输入和输出，这一步骤确保模型不在孤立环境中运行，而是在明确界定的范围内运行，反映企业的需求和安全态势。
可追溯性是另一个基石。“所有AI生成的响应都必须包含元数据，包括来源上下文、模型版本、提示结构和时间戳。”Conikee指出。当出现不准确时，此类元数据能够加快审计和根本原因分析的速度，这是将AI输出集成到业务运营或面向客户的工具中的关键保障措施。
对于部署大型语言模型(LLM)的企业，Conikee建议除非必要，否则应避免开放式生成。相反，企业应依赖基于精心策划的内部知识库的检索增强生成(RAG)。“这确保了模型从经过验证的信息中提取数据，并与内部标准保持一致。”Conikee解释道。
严格的测试也很重要。“在测试阶段应纳入幻觉检测工具，”Conikee说。在模型进入生产环境之前，安全领导者应定义可接受的风险阈值和故障模式。“目标不是完美的准确性，而是对GenAI的使用地点和方式进行可衡量和可审计的控制。”
通过将信任、可追溯性和控制嵌入到AI部署中，CISO可以在创新与责任之间取得平衡，在不影响进展的情况下控制幻觉：
1. 实施检索增强生成(RAG)：RAG结合了AI的生成能力与从经过验证的数据源中提取信息的检索系统，这种方法使AI输出基于事实数据，降低了产生幻觉的可能性。
2. 采用自动化推理工具：像亚马逊这样的公司正在开发使用数学证明来验证AI输出的工具，确保它们与既定规则和政策保持一致，这些工具可以提供一层保障，特别是在关键应用中。
3. 定期更新训练数据：确保AI系统基于当前和准确的数据进行训练，可以最小化产生幻觉的风险，过时或有偏见的数据可能导致AI生成不正确的输出。
4. 融入人工监督：在关键场景中，人类专家应审查AI生成的输出，这种监督可以捕捉AI可能遗漏的错误，并提供AI所缺乏的上下文。
5. 教育用户了解AI的局限性：培训用户了解AI的能力和局限性，可以培养对AI输出的健康怀疑态度，鼓励用户验证AI生成的信息，可以防止不准确信息的传播。
GuidePoint Security的进攻性安全高级副总裁Victor Wieczorek解释说：“我们需要实际的护栏，这意味着将AI响应直接与记录的政策相关联，标记或记录高风险输出，并确保在重大事项到达客户之前由人类进行审查。将模型视为一名新实习生：它可以帮助起草想法和处理常规问题，但不应就任何敏感事项做出最终决定。”
