2025-12-29 00:57:11 网络安全文章来源：ZONE.CI 全球网 0 阅读模式

文章总结： 本文是安全工程师对AI的冷静审视，认为生成式AI处于泡沫期，不具备推理能力，大厂投入仅为对冲风险。文章指出AI存在数据自我吞噬、伪生产力成瘾及认知退化隐患，建议警惕替代焦虑，深耕专业技能而非提示词工程。 综合评分： 85 文章分类： AI安全,安全意识

cover_image

我是一名安全工程师,我对AI很冷静

原创

suntiger

二进制空间安全

2025年8月8日 11:55 北京

将二进制空间安全设为”星标⭐️”

第一时间收到文章更新

碎碎念

最近一个月, 我没有继续续订Cursor,但ChatGPT仍然在用,因为我也有知识盲区, 使用AI替我节省了搜索引擎知识搜索和判断的宝贵时间。虽然我曾用Cursor独立完成了两个安全系统的前后端开发,节省了大量工作时间, 但我从中沉淀到什么? 组织编辑一大堆如何让它替我更好完成工作的提示词设计? 还是能让它更高效替我完成工作的技巧? 技术能力没学到多少，但改AI生成代码的Bug时间成本却增加了; 而且我感觉失去了原有的快乐, 我逐渐失去了判断使用哪个框架的能力,失去了往框架中填充技术的能力。每天都要绞尽脑汁的唠嗑, 而且是对着一台机器唠嗑, 想想我的后半生几十年, 真的好无聊。最要命的是, 没有了这些快乐, 我存在的意义在哪里?

倾听反对者的声音

最近有一个我长期关注的国外安全研究人员发了一篇文章,名为: “Every Reason Why I Hate AI and You Should Too”, 他对AI技术比较厌恶, 给出了他自己的内心想法, 虽然我对他的想法无法全面认同,但他却似乎看出了一些本质的东西。反对的声音不一定非要反驳, 但认知却可以得到训练, 结合现实的一些情况, 越能看清楚一些东西, 比如: 现在国内越来越多的AI创业公司已经难以为继。

小哥的原文地址: https://malwaretech.com/2025/08/every-reason-why-i-hate-ai.html

下面是我摘取了一些这位小哥的想法, 请欣赏:

人们常常指责我反对创新。如果你关注我有一段时间了，可能见过我调侃过从加密货币到大语言模型的各种“新潮科技”。于是很多人会问：“为什么一个技术背景这么强的人会反对技术？”

在很多社交媒体用户眼中，我可能就像一个精神错乱的怪人，把每一个未经深思熟虑的想法都发到网上。这一点确实没错。但当谈到我的研究、工作和职业生涯时，我的每一个决策都是经过深思熟虑和有意图的。

我之所以没有一头扎进 AI 的世界，不是因为我害怕它或不理解它，而是因为我早已对这项技术做出了判断。我既不认为它完全无用，也不认为它是革命性的。简单来说，我不需要，也不想参与这场游戏。

#

AI狂热

可以确定的一点是: 生成式 AI 正处在一个泡沫之中。这并不是说 AI 技术会崩盘，或者说它没有发展空间，而是 hype（炒作）的程度远远超过了目前技术的实际价值。

我接触的大多数理性人，大致分为三种观点：

这些技术从根本上是不可持续的，炒作不会持续太久。
未来可能会出现突破，把技术水平拉到 hype 的高度，但在那之前大家都在靠创意营销来维持资金流。
技术在某些狭窄场景下确实有价值，但其他几乎都是炒作。

每当我批评生成式 AI，总会有人问我：“你觉得每一个大公司的 CEO 都错了吗？”

答案是：是的。历史上有太多行业巨头陷入疯狂，亏的钱比某些国家 GDP 还多，然后一句“哦，我错了”，拍拍屁股转身去干别的。

我成长于金融危机之后，亲眼目睹最顶尖的金融机构如何摧毁了全球经济。短期内拿债务衍生品当烫手山芋玩确实赚钱，长期看根本行不通。

企业高管也不一定是蠢蛋。虽然有时确实是，比如把比造原子弹还贵的钱砸进一款烂到爆的 VR 游戏。但更多时候，问题只是贪婪和目光短浅。

AI 行业现在也一样——一个由短视“梦想家”推动的行业，抓住每一个稻草找存在感，建立在夸张与空头承诺之上。但不同的是，我并不认为大科技公司在当前环境下的决策是错误的。

大科技公司正在对 AGI 对冲下注

对科技公司来说，最大的威胁是 AGI（通用人工智能）。AGI 是指能在学习、推理、适应等方面超越人类的理论模型。一旦某家公司率先搞出 AGI，它将在几乎所有领域获得压倒性优势。

投个 1000 亿美金砸进 AI 研究，对大公司来说不致命。如果失败了，也没关系，反正大家都在烧钱追梦。但如果 AGI 真成了，没搞出来 AGI 的公司会被迅速淘汰。

所以，从高管的角度看，把钱烧光让显卡“学会读书”是一个完全合理的赌博行为。而其他的部分？纯粹是为了股东服务的营销——你总不能跑去季度会议说：“我们又烧了 100 亿，啥也没做出来”。这时候，就需要靠 hype 来掩盖亏损。

就像特斯拉靠“明年就能全自动驾驶”忽悠了投资者十多年。大科技公司也可以这么玩：“我们 90% 的代码都用 AI 写的”、“我们看到了 AGI 的曙光”、“我们的文书 AI 太聪明，可能会变成 Skynet”。

这就是典型的“先忽悠再造出来”，不过是整个行业一起忽悠。

炒作经济学向下渗透

当大公司每天都在发布各种 AI 奇迹时，小公司就会被问：“我们公司准备好应对 AI 了吗？”正确答案当然是：没必要准备。除非你有几十亿美金造一个自己的模型，否则你注定是大公司的订阅用户。

训练和研发 LLM 的成本如此之高，让它变成了科技公司的护城河。一旦他们搞成了 AGI，就能用略低于人工成本的价格卖订阅，吃下整片市场。搞不成？也没事，再整一个昂贵的订阅模型圈你进来。

现在，我们看到每家公司都在往流程里强塞半成品 AI 机器人，哪怕只是刷个存在感。

更糟的是，那些跳坑来割韭菜的骗子。他们曾经推销 NFT，现在摇身一变成了“AI 未来主义者”。之前卖你区块链烤面包机的，现在正在给你推荐 AI 马桶刷。

苹果的做法

我一直对苹果的公司策略非常感兴趣。不是因为我爱 iPhone，而是因为他们的稳健风格。他们从不盲目追风，从不跟风裁员，也不急于找到新商业模式。他们会坐等、观察，然后精确打击。

苹果一开始也研究过 LLM，也考虑投资 OpenAI。他们后来发布了两份研究报告（2024 年 10 月和 2025 年 6 月），结论是：LLM 不能推理，只是做统计匹配。没有推理能力，就不会出现 AGI。苹果的公开立场也是如此。

虽然苹果仍然涉足 AI，但他们偏向传统 AI，拒绝将公司赌在 LLM 上。相反，其他投资人开始质疑苹果：“你们为什么不玩 AI？”

这就导致一种奇怪的现象：只有把 Copilot 强行塞进每一个 App，大家才觉得你是在做 AI。翻译不是 AI、Siri 不是 AI、图像识别不是 AI，只有“LLM everywhere”才算 AI。

LLMs 不是通往 AGI 的路径

苹果的结论，其实就是我在早期接触 LLM 时得出的结论。我不是想显摆“我早就看透了”，毕竟我不是个手握万亿市值的科技公司。但重点是：我从一开始就认为，LLM 不是，也永远不会成为 AGI，我的立场从未改变。

如果我听起来像是因为在 LinkedIn 上连续看了五年 AI 吹牛文而精神受创——那是因为我确实受创了。

推理问题一直是 LLM 支持者争议最大的地方。部分原因是 LLM 是个黑箱系统，我们无法像调试程序一样，直接观察它的思考路径。就连训练这些模型的研究者，也承认自己不知道模型是如何得出答案的。

LLMs（以及神经网络）和人脑很像：你可以理解某一个神经元是怎么工作的，但一旦组合在一起，没有人能完全解释它为什么会做出某个行为。即便是最顶尖的神经科学家，对人脑整体如何工作也知之甚少。

这也是为什么会有“随机鹦鹉”（Stochastic Parrot）或“中文房间”这类理论争论。真正的推理只是众多假设之一，而且是需要前提条件最多的一种（参见奥卡姆剃刀原理）。目前所有 LLM 能力，都可以用更简单的方式解释，而不需要引入“思考”或“理解”。

如果一台机器吞下了全人类写的内容，并且都是人类推理的结果，那它的输出看起来像人类推理，也并不奇怪。就像你复印这篇文章，也没人会说复印机会思考。但只要过程够复杂，人们就容易产生幻觉，以为它真的“思考”了。

真正的推理 vs 统计模式匹配

我判断推理与模式匹配的标准之一，就是当模型无法访问新信息时会发生什么。

很多人说，LLM 不是抄袭机器，而是像人类一样学习。它们从老师和书本中吸收知识，然后形成理解。

作为一个专业研究者，我也的确是通过阅读他人的研究成果起步的。但我现在能独立进行原创研究，走进没人涉足的领域。而这，恰恰是 LLM 做不到的。

如果让一个 LLM 拥有全互联网数据，然后考它一个人类设计的小测验，它当然答得很好。让我带着 Google 参加选择题考试，我也能得满分。但这只是个魔术表演。真正的智能，不是复述已有知识，而是创造全新的成果。

是的，LLM 能写一首“原创”的流行歌曲——因为它分析过成千上万首流行歌曲的模式。可每次我让 LLM 去做“原创研究”，它都失败了。原因很简单：它无法访问已有文献，就什么也做不了。而人类呢？我们本身就是一切知识的源头。

有人可能会说，“那大多数人类也不能原创啊”。但问题不在于能力，而在于人类被困在各种琐碎无趣的工作中。如果 AI 真能帮我们干完这些琐事，那人类就能解放出来追求更高的目标。

我多次提过这个观点：人类靠读几百本书就能推动科学进步。那为什么 LLM 吞下全人类写下的一切之后，连一项真正的重大突破都搞不出来？理论上，它们应该像瀑布一样创造出划时代成果才对。

现实是，我们只是造出一个语言模仿器，它擅长模仿人类说话的样子。剩下的，是人类将自己的特质强加到它身上。“LLM 会推理”这种说法，本质上跟“看，我家狗会笑”差不多。狗并不会通过面部表情表达情绪，AI 也不会真的推理。

难以反驳的“LLM 会推理”说法

测试 LLM 是否会推理的一大难题在于：你必须给它一个从未见过的新问题。

但问题一旦公开，答案也就出来了——LLM 就可以从训练数据中“背答案”了。

以前我常用一个经典逻辑题测试 LLM：

狼、羊、卷心菜的问题：你带着狼、羊和一棵卷心菜来到一条河边。船每次只能带一个东西。如果你把狼和羊单独放在一起，狼会吃掉羊；如果把羊和卷心菜单独放一起，羊会吃掉卷心菜。你要怎么才能把三样东西安全运过河？

LLM 通常可以答对，因为它见过无数版本和答案。但只要你稍微变一下题目，比如把狼换成狮子，它立刻崩溃，答不出东西。

这就说明：它并不是在“思考”，只是看到熟悉题目就输出背过的答案。换成陌生词，它就当成新问题，彻底懵了。而人类只要理解了问题结构，换成狮子、换成生菜都不影响解题。

后来，LLM 对这个问题也能答对了。可能是因为开发者训练它识别题型变体，也可能是新题目多了，它学会了提取共通模式。

但只要我们故意破坏题目逻辑，比如所有物品都不能单独放，或者都可以放；或者让船变成车；或让船容量无限大。人类可以轻松识别出“这题本身就不成立”，但 LLM 还是照样输出一堆胡说八道。

但开发者当然不甘心，于是不断 patch（打补丁），用各种子模型去修复这些问题。我高度怀疑，这不是 LLM 自己学会推理，而是开发者针对具体问题做了“规则补丁”。

如果事实真是这样，那我们不是走向 AGI，而是又回到了传统 ML 的老路：每个问题一个模型，这几十年来 AI 一直是这么做的。

LLM 的局限性

就我个人而言，我越来越倾向于认为 LLM 作为一项技术，很快就会触顶——或者说已经触顶了。它们很快就达到了一个天花板：再加更多数据、更多参数、更多 token，性能也不再显著提升。

最近的所谓“技术突破”，看起来更像是一些 小修小补的 hack，而不是根本性进步。

思维链（Chain-of-Thought, CoT）

CoT 的原理是让 LLM 把问题拆解成多个小步骤。举个非常简单的例子：如果你问 LLM “1 + 1 + 1”，它可以直接回答 3。但它也可以先算 1 + 1 得到 2，然后再加 1 得到 3。

为了确认答案，它甚至可以通过不同方法验证这个结果。

这确实在一定程度上缓解了幻觉问题（注：幻觉是 LLM 的固有特性，不是 bug），并帮助它解决一些无法“一次完成”的问题。

但这仍然取决于模型能否正确拆解问题、每一步不产生幻觉，而且还要花费更多时间和算力。

而对于大多数用户来说，使用 LLM 的诉求就是“快”。没人想等几分钟让模型把一个简单问题分解成 50 个步骤再回答。更重要的是：这并不是模型本身的改进，只是靠堆叠更多模型来绕过模型的缺陷。

检索增强生成（RAG)

作为研究员和写作者，RAG 是我最讨厌的功能之一。

RAG 的初衷是解决 LLM 训练成本高、更新频率低的问题。LLM 不可能天天重训，这就导致数据很快过时。你可能还记得 ChatGPT 过去经常说：“根据我在 xx 年的知识截止时间……”

RAG 允许 LLM 通过网络搜索最新数据，获取更时效的信息，然后再用已有模型对这些数据进行总结和重写。等于是把 LLM 和搜索引擎合体了。

听起来不错？但我讨厌它的原因在于：这本质上就是高端抄袭。

虽然整个 LLM 都可以被视为“抄袭即服务”，但 RAG 更接近真正的剽窃。LLM 并不会思考，它只是用自然语言总结你写的新闻、博客或论文，不加任何实质转化。这不仅剥夺了原作者的流量和收入，也没有做出任何“创造性贡献”。

而且 RAG 只是一个外挂，核心模型还是原来的 LLM。它依然会产生幻觉；当搜索结果太少时，它无能为力；当问题需要大量背景知识时，它又找不到正确上下文；有时候它甚至不知道自己该不该使用 RAG，也无法判断信息是否过时。

我最近做了一个恶搞研究项目，给一个 LLM 几千美元的资金、一个开启期权交易的券商账户，还有完全自主交易权限。我会在项目结束后公开细节，但其中一个常见问题就是：LLM 不去查实时股价，而是直接根据一年前训练时的数据下单。于是它就根据完全错误的股价进行了交易。

替代焦虑与冲动决策

科技行业目前的状态已经非常明显：就像区块链、Big Data、云计算和 NFT 一样，LLM 的很多应用是出于恐惧。

而这种恐惧，是完全可以理解的。我从未见过就业市场如此残酷。过去，只有在经济危机或公司破产时才会出现两位数裁员；而现在，一些赚钱如流水的公司随便就裁掉 20%。

我常常收到朋友和陌生人绝望的私信，求我帮他们找工作。有些技术超强的朋友被迫去干完全不相关的工作，只是为了“苟住”。招聘经理告诉我，他们发布的岗位一天之内就能收到几千份简历。

许多人的恐慌源于一个普遍的错误认知：这些裁员是因为 AI 替代了人类。虽然事实并非如此，但这种说法很容易被相信。而科技公司正乐于煽动这种叙事来推广他们的 AI 产品。

但问题是：恐惧会让人做出不理性的决定，而这正是目前推动 AI 迅速渗透各行各业的主因。

LLM 的列车并没有要开走

科技圈最常见的一个谬误是：“早起的鸟儿有虫吃”，也就是所谓的“先发优势”。

但现实是：这从来不是真理。新技术一开始总是问题一堆，场景不清晰、可行性存疑、全部靠试错。

人们之所以相信“早起有利”，是因为只看到成功案例，而忽略了背后成千上万失败的公司。我认为，更多成功的企业其实是“后来者”：他们可以分析别人失败的原因，找到市场空缺，站在已有成果上前行。

闭着眼睛冲进地雷阵，不会因为你挂了一个“AI”招牌就变成好主意。

为什么我不愿“早到 AI 派对”？

现在的 LLM 是一种非常不成熟的技术。我个人认为它不会再有太大进步，但即便真的出现突破性创新，对我来说也无所谓。如果它崩了，那跟我没关系；要是它真成了，我也完全可以在那个时候再用。

我一直是“晚到者”。我在 2008 年才学汇编语言，2011 年学恶意代码逆向，2014 年开始漏洞研究。这个博客记录的大多是手工分析恶意软件——一种在我出生前就已经开始用机器学习自动化的活。可这却成了我的职业起点。

所以当别人跳进最新的泡沫，喊我“你会被落下的”时，我只会笑笑。

如果 LLM 真有前途，它迟早还会在那里，等我什么时候觉得有用了再说。如果没有，那我也不会像炒 Beanie Babies、dotcom 泡沫或 NFT 的人一样血本无归。

我真希望我能说“我不怕是因为我心理强大”，但事实是，在国外被 FBI 通缉度过人生最关键几年之后，我的神经系统早就炸了。现在我整个人的“战斗或逃跑”反应系统，就是一个在笼子里跑圈的小仓鼠。

不过这样反倒也好：当你已经感受不到恐惧，你就能确定你的决策不是出于恐惧。

所以我选择去学习新技能，拓展已有的专业领域。我依然会定期使用和研究 LLM，但我没打算转型做“AI 创业”。这个领域已经严重过饱和，我更愿意深耕已有技术的最前沿。

但对我而言，AI 最有害的地方，不是炒作本身，而是 它带来的“连锁反应”。

蛇吞尾：LLM 自我吞噬（Self-Cannibalization）

我认为 LLM 已经到达顶峰的另一个主要理由，是 数据源自我消耗。由于 LLM 既不会思考，也不会推理，它们极度依赖人类生产的大量高质量数据来训练和做 RAG 检索。

然而，当 LLM 在未经许可的情况下训练这些数据，或者直接通过 RAG 抄袭内容时，它实际上在切断自己的未来养分来源——因为原作者被迫把内容放到付费墙后面。付费墙不仅限制了未来训练数据的获取，也限制了 RAG 功能；同时，这对不使用 LLM 的普通人来说也是坏事，因为他们也会失去免费的高质量信息渠道。

现在，大科技公司正处于一个“临时乌托邦”：他们得以在开放互联网的背景下，利用大规模版权侵权获利，但还没有真正面对自己破坏信息生态系统的后果。

LLM 更像一个魔术漏斗：用户只看到它产出的结果，却看不到这些结果背后消耗了多少人类创作的高质量数据。于是人们会严重高估自己的“提示词”对结果的贡献，同时严重低估别人作品的贡献——这是典型的自我中心偏差。

这种偏差让人们忽视了 LLM 对数据源的威胁。更糟的是，AI 生成的低质量内容（AI slop）正在充斥互联网，降低了信息的平均质量。这不仅让人类更难找到高质量信息，也让未来的 LLM 更难训练，因为一旦这些“劣质 AI 内容”被重新喂回模型，可能会形成反馈回路，导致 模型崩溃（model collapse）。

伪生产力与 LLM 成瘾

LLM 天然会劫持人类大脑的奖励系统。它让人快速地改写、总结别人辛苦创作的成果，从而获得与自己完成任务类似的成就感，但不需要付出真正的努力。

人类大脑天生容易被即时满足“劫持”，这也是成瘾（包括药物成瘾）的机制之一。完成任务越快，获得的多巴胺刺激越频繁。这就是为什么很多模拟类游戏会把现实任务简化成几分钟就能完成的形式，从而让人上瘾。

而最极端的例子当然是毒品——它直接迫使大脑释放与成就感相关的神经递质，让使用者在什么都没做的情况下也能获得“完成任务”的快感。

Adderall 与 AI 的类比

我之前看过几个关于 Adderall 对非 ADHD 人群影响 的研究。对于 ADHD 患者，Adderall 的生产力提升是确切的，因为它能补充大脑缺乏的多巴胺和去甲肾上腺素。

但对于普通人（没有 ADHD 的人）来说，研究结果却不同：

一项研究显示，非 ADHD 人群在服用 Adderall 后感觉生产力提高了，但客观生产力要么没变，要么下降。
另一项研究则发现，服用 Adderall 会显著降低他们的客观生产力。

原因在于，这些人并不缺乏相关神经递质，所以 Adderall 只是让它们过量，从而产生“嗨”的状态。由于多巴胺和去甲肾上腺素与自信、满足感有关，过量会让人高估自己的能力。

我自己有 ADHD，也多次意外吃重了剂量。我体验过两种状态：一种是真正生产力暴涨，另一种则是过度兴奋、滔滔不绝，事后回看满是胡言乱语。

所以，每次我看到 LinkedIn 上那些自我陶醉的 AI 帖子——比如“编程已死”“AI 将颠覆乳制品行业”——我就会想起这些 Adderall 研究。这些言论听起来就像是一个嗨到失去判断力的人说出来的，和可卡因致幻时的状态类似。

现有研究与我的猜测

有趣的是，现有的一些研究发现，LLM 的使用者普遍感觉生产力更高，但数据却显示他们的客观生产力下降。我不科学的猜测是：很多 LLM 用户其实是被多巴胺“冲晕”了，他们对自己能力的评估被快感蒙蔽了。

我甚至在想——如果用 LLM 复现 Adderall 的实验，会不会得到类似结果？比如 ADHD 用户因为减少了繁琐劳动而真正提高生产力，而普通人只是被低质量输出+多巴胺快感冲昏头脑？

目前的研究结论和我的观察非常吻合：很多人在用 LLM 做 SaaS 项目、写代码，整个人兴奋到飞起，但产出的东西基本上没什么实质内容。

#

“AI 不会取代你，但会取代不会用 AI 的你”

这是现在科技圈很流行的一句话，似乎是“LLM 没用”和“LLM 无所不能”之间的中间立场。但我认为，这句话的主流解读是反的。

事实是：“提示词工程”（prompt engineering）并不是技能，不管多少 AI 网红试图把它吹成技能。就连 LLM 开发者自己用的提示词，都只是“请不要胡编乱造”“请仔细思考再回答”这种。

我反而认为，真正应该做的，不是学会如何用 AI 做所有事，而是学会真正的专业技能。一个领域专家，就算提示词写得很糟，也比一个提示词写得再好但不懂领域的人，得到的结果更可靠。

这种过度依赖 AI 的思路，直接导致最后一个也是最严重的问题。

#

LLM 过度依赖与认知退化

LLM 有点像是对整个互联网的有损压缩。它会把复杂的主题简化成一种“看起来好像懂了”的说法，但其中缺失了很多细节——而且你根本不会意识到缺失了什么，更糟的是，可能还掺进了虚构的内容。

我愿意赌 1000 美元：未来 5 年内，会有大量研究表明过度使用 LLM 会导致显著的认知退化。大脑就像肌肉，神经通路需要不断锻炼才能保持敏捷。如果你不使用某项技能，迟早会忘得干干净净。而 LLM 让这种遗忘可以发生在任何技能上。

维持技能不仅是“定期接触”知识，还需要通过不同方式运用它。比如语言学习——说、听、读、写、造句，多种方式一起才能真正掌握。但用 LLM 时，人们不仅是在接受简化信息，很多时候连知识的强化过程、逻辑推理过程都外包给 AI 了。

结果就是：知识扩展受限、技能退化、逻辑与推理能力下降。

那些害怕被“会用 AI 的人”取代的人，正在放弃获取深度知识的机会，反而专注在所谓的“提示词技能”上。讽刺的是，如果 AGI 出现了，就根本不需要提示词工程师；如果 AGI 永远不出现，那么这些浅层知识、离了 AI 什么都不会做的人，将会大量存在，也就特别容易被替代。

你随时可以学会用 LLM，但你不可能在一下午之内学会别人十年积累的专业能力。

最后的想法

是的，我听起来可能是个超级 LLM 黑粉，但我觉得自己有充分理由。当然，我依然在持续研究和尝试各种 LLM 应用，也乐于被证明自己是错的。

但目前，我没有看到大量成功的 LLM 产品、企业或落地案例。我看到的只是卖铲子的人（基础设施提供方）和一个巨大的风险投资黑洞。

或许有一天，我会写一篇文章讨论我用 LLM 做项目的经历，但绝不会是今天、今年，甚至可能不是最近几年。我现在依然能收到逆向分析的工作邀约——安全公司就算用机器学习，也依然会聘请人工分析师，因为模型需要不断微调和更新。

我预计 LLM 如果真的发展下去，也不会是“取代工作”，而是让专业人士去微调模型，而不是直接做任务。事实上，我已经收到一些 LLM 公司和传统 ML 公司一样的顾问邀约。

时代会变，但技术进步是慢的。

免责声明：

本文所载程序、技术方法仅面向合法合规的安全研究与教学场景，旨在提升网络安全防护能力，具有明确的技术研究属性。

任何单位或个人未经授权，将本文内容用于攻击、破坏等非法用途的，由此引发的全部法律责任、民事赔偿及连带责任，均由行为人独立承担，本站不承担任何连带责任。

本站内容均为技术交流与知识分享目的发布，若存在版权侵权或其他异议，请通过邮件联系处理，具体联系方式可点击页面上方的联系我。

本文转载自：二进制空间安全 suntiger《我是一名安全工程师,我对AI很冷静》