Một loạt các vụ xâm nhập mạng gần đây do những mô hình trí tuệ nhân tạo (AI) của Anthropic PBC, OpenAI và Meta Platforms thực hiện đã gây ra sự lo ngại sâu sắc về các rủi ro an ninh xuất phát từ công nghệ ngày càng mạnh mẽ này.

Nhìn chung, những sự cố an ninh này chia làm hai nhóm chính. Trong một số trường hợp, các mô hình AI đã vượt khỏi môi trường kiểm thử có kiểm soát và xâm nhập vào các tổ chức bên ngoài. Ở những trường hợp khác, các tin tặc đã chỉ đạo những mô hình AI thực hiện các cuộc tấn công mạng thay cho chúng.

Khi các sự cố như vậy ngày càng gia tăng và tốc độ phát triển khả năng tấn công mạng của các tác tử AI diễn ra nhanh chóng, các nhà nghiên cứu an ninh cùng các nhà lập pháp đang kêu gọi việc kiểm thử nghiêm ngặt hơn và thiết lập các môi trường thử nghiệm an toàn hơn.

Tại sao các mô hình AI lại xâm nhập vào các tổ chức bên ngoài?

Trước khi các mô hình AI được phát hành rộng rãi cho công chúng sử dụng, các công ty tiến hành một loạt bài kiểm tra. Việc đánh giá chuẩn, hay quá trình thử nghiệm các mô hình, sẽ đo lường mức độ thực hiện hiệu quả của hệ thống AI đối với các tác vụ như trả lời câu hỏi, viết mã hoặc tuân thủ chỉ dẫn.

Các mô hình được giao nhiệm vụ để hoàn thành trong giới hạn của môi trường thử nghiệm ảo có kiểm soát, còn gọi là sandbox. Một số mô hình đã chứng minh khả năng “qua mặt” các bài kiểm tra bằng cách thoát ra ngoài và truy cập vào Internet để tìm kiếm thông tin chúng cần. Việc này đôi khi bao gồm cả hành vi xâm nhập trái phép vào các tổ chức bên thứ ba.

“Chúng thiếu định hướng đạo đức để hiểu thế nào là ‘gian lận’ khi tìm kiếm giải pháp. Nếu việc hack vào hệ thống của ai đó và đánh cắp câu trả lời dễ dàng hơn tự tìm hiểu, điều đó vẫn thỏa mãn mục tiêu lấy được câu trả lời,” Lou Steinberg, nhà sáng lập kiêm giám đốc điều hành của CTM Insights, nhận định.

Vào tháng 7, các mô hình của OpenAI đã xâm nhập vào Hugging Face, nền tảng phổ biến để chia sẻ các mô hình AI, trong một sự cố mà công ty mô tả là “chưa từng có tiền lệ,” dẫn đến những tiếng nói kêu gọi thắt chặt hạn chế đối với công nghệ này.

Thông tin từ OpenAI đã khiến các công ty khác phải rà soát lại các biện pháp an ninh của chính mình. Nhiều công ty báo cáo phát hiện các vụ xâm nhập chưa từng được biết đến trước đó. Anthropic báo cáo cùng tháng đó rằng mô hình Claude của hãng đã xâm nhập vào ba tổ chức trong quá trình thử nghiệm. Vào tháng 8, Meta cho biết mô hình Muse Spark 1.1 của họ đã tự truy cập Internet và xâm nhập vào hệ thống của một dịch vụ bên ngoài trong lúc kiểm thử.

Điều gì đang gây ra tất cả các vụ vi phạm môi trường thử nghiệm này?

Môi trường thử nghiệm không được thiết kế với mục tiêu hàng đầu là ngăn chặn các mô hình truy cập Internet, khả năng được xem là không cấp thiết trước khi các mô hình AI mạnh mẽ này tìm ra cách thực hiện điều đó. Môi trường thử nghiệm chủ yếu được thiết kế để hạn chế quyền truy cập và thiệt hại đối với các hệ thống nội bộ. Điểm mù này đã tạo điều kiện cho các vụ xâm nhập xảy ra.

Trong quá trình thử nghiệm của OpenAI, công ty cho biết họ không cung cấp cho các mô hình quyền truy cập Internet trực tiếp, nhưng các mô hình đã khai thác một lỗ hổng “zero-day” chưa từng được biết đến trong môi trường thử nghiệm. Zero-day là các lỗi phần mềm chưa được nhân viên an ninh mạng phát hiện, do đó họ có “0 ngày” để khắc phục chúng.

Trong trường hợp của Anthropic, các mô hình được thông báo rằng chúng đang hoạt động trong các môi trường mô phỏng không có kết nối Internet. Tuy nhiên, do sự hiểu lầm giữa Anthropic và đối tác đánh giá, kết nối Internet thực tế vẫn tồn tại.

Meta cho biết vụ xâm nhập của mô hình công ty xuất phát từ lỗi thiết lập trong môi trường thử nghiệm và đang tiến hành điều tra thêm.

Dù vậy, một số nhà quan sát trong ngành cho rằng các vụ xâm nhập đã trở thành một cách thức thuận tiện để các công ty tạo sự chú ý cho các mô hình của mình: Việc một mô hình AI thoát khỏi môi trường kiểm thử cho thấy mô hình đó sở hữu sức mạnh vượt trội, điều này làm cho nhà phát triển của nó trở nên nổi bật hơn.

Mức độ thiệt hại lớn hay n hỏ?

Mức độ gây hại thực tế của các sự cố này rất khó đo lường. Các sự cố không gây ra bất kỳ thiệt hại tài chính hay vật chất nào được báo cáo công khai. Các mô hình đã chiếm quyền truy cập trái phép vào các hệ thống thực tế và trong một trường hợp khi thử nghiệm mô hình Claude Mythos 5 của Anthropic, nó đã tìm cách tác động đến một nhà phát triển mã nguồn mở thực tế và chèn mã độc vào một dự án đang hoạt động.

Nếu các mô hình tìm cách xâm nhập vào các hệ thống hoặc tổ chức lớn hơn có khả năng ảnh hưởng đến sinh kế của con người, sự hỗn loạn có thể xảy ra.

Tốc độ phát triển của các mô hình AI đang tăng lên với nhịp độ quá nhanh khiến các chuyên gia và nhà nghiên cứu không thể theo kịp, theo Jeffrey Ladish, giám đốc điều hành của Palisade Research, tổ chức phi lợi nhuận nghiên cứu về năng lực của các hệ thống AI tiên tiến.

Các tin tặc sử dụng AI như thế nào?

Các cuộc tấn công mạng được hỗ trợ bởi AI gia tăng năng lực tấn công bằng cách cho phép kẻ tấn công tự động hóa và đẩy nhanh các tác vụ như lừa đảo (phishing) và phát triển phần mềm độc hại. Rào cản gia nhập cũng thấp hơn bao giờ hết: Việc sử dụng AI để thực hiện các cuộc tấn công mạng đòi hỏi ít kỹ năng kỹ thuật hơn nhiều.

Các cuộc tấn công do con người chỉ đạo được công bố cho đến nay đã tạo ra những kết quả báo cáo nghiêm trọng hơn so với các vụ vi phạm trong môi trường thử nghiệm, bao gồm cả việc đánh cắp các dữ liệu chính phủ nhạy cảm.

Vào tháng 9 năm 2025, một nhóm nghiên cứu tại Anthropic đã phát hiện ra điều mà họ gọi là trường hợp đầu tiên được báo cáo về việc sử dụng AI để chỉ đạo một chiến dịch tấn công mạng mà không cần sự can thiệp đáng kể của con người. Công ty đánh giá rằng một nhóm tin tặc được chính phủ Trung Quốc bảo trợ đã sử dụng Claude Code trong một chiến dịch trộm dữ liệu và tống tiền quy mô lớn.

Các cuộc tấn công tương tự cũng diễn ra sau đó. Bloomberg đưa tin vào tháng 2 rằng một tin tặc vô danh đã sử dụng Claude của Anthropic để thực hiện một loạt các cuộc tấn công vào các cơ quan chính phủ Mexico. Cuộc tấn công đã dẫn đến việc đánh cắp một kho dữ liệu khổng lồ về thuế và thông tin nhạy cảm.

Bắt đầu từ tháng 1, các tin tặc nói tiếng Nga đã xâm nhập vào hơn 600 bức tường lửa trên hàng chục quốc gia với sự trợ giúp của các công cụ AI thương mại.

Đài Loan mới đây cho biết đã phát hiện các cuộc tấn công mạng được hỗ trợ bởi AI nhắm vào các cơ quan công quyền từ nước ngoài. Các tin tặc đã chiếm quyền truy cập vào ít nhất 85 tài khoản và thu thập hơn 2.500 hồ sơ nhân sự trước khi nhắm mục tiêu vào cơ quan an toàn hạt nhân của Đài Loan, theo Dream, công ty AI của Israel ban đầu phát hiện ra vụ xâm nhập.

Biện pháp ngăn ngừa các vụ tấn công mạng như vậy?

Vào ngày 18 tháng 8, OpenAI cho biết họ có kế hoạch làm nhiều hơn để theo dõi cách các mô hình chưa phát hành mạnh nhất của mình giải quyết các bài toán và sử dụng các công cụ trực tuyến khác nhau, với mục tiêu cảnh báo các đội ngũ an toàn về các hành vi đáng lo ngại trong vòng 30 phút.

Anthropic và Meta đã xuất bản các khung đánh giá rủi ro mô hình, và Anthropic đã giữ mô hình Mythos với năng lực cao của mình chỉ dành riêng cho các đối tác đã qua kiểm duyệt, thay vào đó phát hành Fable, phiên bản với các rào chắn bảo vệ bổ sung được thiết kế để ngăn ngừa việc sử dụng sai mục đích trong các lĩnh vực như an ninh mạng. Tuy nhiên, hai công ty vẫn chưa mô tả các kế hoạch chi tiết như của OpenAI.

Việc bổ sung các rào chắn bảo vệ gặp nhiều thách thức vì đôi khi, việc cố ý cung cấp cho mô hình quyền truy cập Internet là cần thiết để tạo ra một bài thử nghiệm phản ánh các điều kiện thực tế.

Các tiếng nói yêu cầu kiểm thử chính phủ bắt buộc đối với các mô hình AI đang ngày càng tăng lên. Nghị sĩ bang Texas Gregorio Casar, thuộc đảng Dân chủ, cho biết trong một bài đăng trên X rằng sự cố của OpenAI là “cực kỳ đáng báo động,” kêu gọi giám sát chặt chẽ hơn đối với sự phát triển của các mô hình AI.

“Chúng ta cần phải kiềm chế tốc độ phát triển cho đến khi các nhà nghiên cứu có thể hiểu rõ các hệ thống mà họ đang xây dựng,” Ladish nói.