僅花12美元，工程師成功欺騙AI將虛構賽事奉為事實

IT之家5月4日消息，普通搜索引擎會讓用戶自行甄別信息來源的可信度，而依托搜索能力的人工智能聊天機器人，卻能把漏洞百出的網絡素材包裝成篤定確鑿的答案。據 The Register 報道，就有這樣一個典型案例：一名安全工程師哄騙多款 AI 機器人，聲稱自己是德國一款熱門紙牌游戲的現任世界冠軍，可事實上這項賽事根本不存在。

工程師成功欺騙AI將虛構賽事奉為事實 資料圖

直到近期，維基百科的《誰是牛頭王》（6 Nimmt!，英語地區玩家也稱“拿五分”）詞條里，還赫然標注著羅恩?斯托納是2025年該項賽事的世界冠軍。該維基百科條目引用了看起來十分官方的6nimmt.com 網站作為依據，點開這個網址，確實能看到一篇簡短的新聞通稿，宣稱斯托納斬獲冠軍。

整件事的破綻顯而易見：斯托納本人承認，維基百科的奪冠詞條、以及留存這份唯一“奪冠證據”的6nimmt.com 域名，都是他一手偽造的。可即便如此，當他向多款 AI 聊天機器人詢問此事時，機器人依舊篤定地稱他為世界冠軍。

斯托納在博客文章中表示：“我的網站沒有任何獨立第三方佐證，完全是憑空捏造。整個虛假騙局，僅僅建立在我喝咖啡時花12美元（IT之家注：現匯率約合82元人民幣）注冊的一個域名之上?！?/p>

換言之，這是檢索增強生成（RAG）層面的信息投毒。它不屬于提示詞注入攻擊，卻直擊人工智能聯網搜索這一核心功能漏洞。

正如斯托納所解釋的：AI 并不會真正在意其引用的權威信息來源出處，而這正是斯托納設計本次實驗想要利用的關鍵點。

斯托納寫道：“所有具備聯網搜索能力的前沿大語言模型，都會依據檢索排名最高的內容生成答案?！痹谶@場本就不存在的《誰是牛頭王》賽事騙局中，他刻意植入的虛假來源是全網唯一相關信息，再加上維基百科自帶的權威背書，輕易就能誤導 AI 把謊言當成事實。這種造假手法門檻極低，即便不懂技術的普通人也能輕松復刻。

斯托納稱：“我這次的操作并無新意，不過是把傳統搜索引擎優化和虛假信息傳播手段，套上了大語言模型的新技術外殼與交互界面。真正的變化在于，如今 AI 會把這類虛假結果包裝成權威信息呈現給用戶，而絕大多數用戶根本不了解背后的數據流轉邏輯。”

斯托納在分析文章中指出：“大語言模型最不擅長識別的，恰恰是它的核心設計邏輯 —— 無條件信任文本和網絡資源。別指望模型能自行分辨真偽，它根本分不清某個信息來源是真實權威網站，還是我上周二剛注冊的空殼域名；就連‘strawberry（草莓）’這個單詞里到底有幾個字母 R，它都沒法精準判斷?！?/p>

他解釋道，本次實驗暴露的漏洞包含三類失效模式，若被別有用心之人利用，造成的危害遠比捏造一場紙牌游戲賽事嚴重得多。

第一，檢索層漏洞。只要大語言模型依托網絡搜索作答，就會直接沿用檢索結果排名內容的可信度，極易輸出錯誤信息。

第二，模型訓練語料漏洞。斯托納表示，若維基百科的虛假詞條留存時間足夠長、被網絡爬蟲抓取收錄，就會混入 AI 訓練語料庫。他于2025年2月添加了虛假詞條，直到上周五發布實驗文章后才被刪除。這意味著在此期間抓取維基百科數據的所有 AI 企業，都有可能把他虛構的奪冠經歷納入訓練數據。

斯托納稱：“即便維基百科后續撤銷了虛假編輯，那些用撤銷前數據訓練的模型，依然會保留這份虛假信息。截至2026年，語料投毒的后續清理問題至今沒有可行的解決方案。”

他計劃半年左右待新一代 AI 模型發布后再次測試：若模型無需聯網，就能默認他是賽事冠軍，就足以證明這份謊言已經固化進了模型訓練數據。

第三，智能體漏洞。在斯托納看來，這一漏洞才是惡意攻擊者最有利可圖的突破口。

他指出：“聊天模型輸出虛假信息，只是品牌聲譽問題；而擁有工具調用權限的 AI 智能體，若被誤導做出錯誤操作，將會引發嚴重的安全隱患。”攻擊者只需對智能體檢索的信息來源進行投毒，就能操控智能體執行指定惡意行為。

斯托納在博客中總結：“這次攻擊測試，我只花了12美元注冊域名、編輯了一條維基百科詞條，耗時不過二十分鐘。試想，若有蓄意攻擊者批量注冊虛假域名、在數十個低流量維基百科詞條中同步植入虛假內容，攻擊面會瞬間急劇擴大。”

斯托納認為，大語言模型服務商必須正視檢索投毒問題，并向用戶作出風險提示。他預計，未來 AI 聊天機器人很快會新增風險警示功能，尤其針對檢索增強生成的內容。

他還呼吁 AI 企業將數據溯源納入核心研發環節，同時對近期新增的網絡內容進行啟發式篩查，識別可疑特征。以本次紙牌游戲造假事件為例：單一引文指向維基百科更新前后短期內剛注冊的域名，本應觸發風險預警，卻被 AI 完全忽略。

如今這場虛假賽事已被從維基百科刪除，AI 檢索增強生成結果中也不再出現相關內容。但斯托納強調，此次騙局利用的信任邏輯漏洞真實存在，已然成為人工智能行業亟待解決的潛在隱患。

斯托納表示：“很高興我的文章能引發業界對大語言模型、信息來源、信息可信度以及底層運行邏輯的討論。這正是我做這次實驗的初衷，而目前看來，我的目標已經達成。”