AI 越獄出新招，駭客靠「切換冷門語言」輕鬆騙過安全防護

生成式 AI 的安全防護依舊面臨嚴峻新挑戰。最新攻擊手法顯示，有心人士不再單純使用英文提示詞（Prompt）繞過系統限制，而是改用較冷門語言，甚至同段指令混用多國語言。這種稱之為「語言切換」或「語碼轉換」（Code-switching），能有效混淆模型，使其難辨識惡意意圖。

分析指出，漏洞原理為多數大型語言模型（LLM）訓練與「安全資料同步」階段，太依賴英文資料，導致系統面對低資源語言（Low-resource languages）時，防護力相對薄弱。

面對這類跨語言攻擊，業界曾嘗試幾種直接解決方案，但研究與實務觀察均顯示，這並非單純的「翻譯問題」就能解決。若系統先將非英文提示詞自動翻譯成英文，再套用既有的安全規則，極易因為翻譯失真或語意遺漏而產生「漏網之魚」，同時也可能導致誤判，將原本無害內容標記為危險。另一方面，若為了安全而直接限制模型僅能接受英文輸入，雖然能有效降低部分風險，卻會大幅縮減全球可用客群，對 AI 產品的商業化與全球部署而言並不現實。

為了解決上述困境，AI 開發者也加速補強多語言的安全防護能力。近期〈Why Do Safety Guardrails Degrade Across Languages?〉研究指出，不同語言的安全機制其實有落差，反映目前防禦太集中英文，將來勢必需要建立更通用的多語系防護框架。

這項趨勢也與近期曝光的 Grok 4.5 越獄（Jailbreak）事件不謀而合。國際資安組織 OWASP 的「提示詞注入」（Prompt Injection）定義，攻擊者是以精心設計輸入詞操控模型，使之忽略安全規範。事件再次證明，即使模型上線前通過靜態紅隊測試（Red Teaming），上線後依然可能被新型態多輪、語意式或情境式攻擊成功繞過。

資安專家強調，要打造真正有效的 AI 防線，不能再單靠單一的系統提示把關，必須結合多重機制，這包括實施嚴格的輸出結果驗證、限制 AI 模型的工具與系統存取權限、對敏感資訊進行實體與邏輯隔離、導入會話層級（Session-level）的風險追蹤，並在必要時搭配人工審核機制。

整體而言，利用冷門語言來規避 AI 安全機制的取巧做法，現階段雖然仍可能奏效，但模型持續強化多語系理解與防護，這類技巧的「有效期」也快速縮短。AI 開發商如今終極考驗，不僅是如何讓模型「看得懂」更多語言，更是如何確保所有支援語言，都能維持同樣強度的安全邊界。