Моделите на вештачка интелигенција можат да бидат изненадувачки подложни на кражба преку детектирање на нивните електромагнетни потписи. Истражувачите од Државниот универзитет на Северна Каролина го истакнаа овој метод во нов труд, иако нагласија дека не охрабруваат напади на невронски мрежи. Користејќи електромагнетна сонда, неколку претходно тренирани отворени AI модели и Google Edge TPU, анализираа електромагнетни емисии додека чипот TPU работеше. Ешли Куриан, главен автор на студијата и докторанд на NC State, објасни за Gizmodo, „Изградбата и тренирањето на невронска мрежа е скапо. Тоа вклучува значително време и компјутерски ресурси - тоа е интелектуална сопственост на компанијата. На пример, ChatGPT користи милијарди параметри, кои се клучните компоненти.

Ако некој го украде, во основа го поседува ChatGPT без трошок и би можел дури и да го продаде. “ Кражбата е голема загриженост во AI, често поради тоа што програмерите ги тренираат моделите врз основа на авторски заштитени дела без дозвола од авторот, што води до тужби и алатки за уметници за да се справат со ова преку „труење“ на генераторите на уметност. Куриан објасни дека податоците од електромагнетниот сензор обезбедуваат „потпис“ на AI процесирачкото однесување, што е релативно едноставно. За да ги откријат хиперпараметрите на моделот - конкретно неговата архитектура и дефинирачки карактеристики - ги споредија електромагнетните податоци од целта со податоци од други AI модели кои работеа на ист тип на чип. Преку оваа споредба, „ја утврдија архитектурата и специфичните карактеристики, познати како детали за слоевите, неопходни за да се реплицира AI моделот“, рече Куриан, достигнувајќи „99, 91% точност“. Ова го спроведоа со физички пристап до чипот за да сондаат и да пуштаат модели, работејќи заедно со Google за да ја проценат ранливоста на своите чипови. Куриан сугерираше дека фаќањето модели на смартфони би можело да биде возможно, иако нивниот компактен дизајн го отежнува следењето на електромагнетни сигнали. Мехмет Сенчан, истражувач за безбедност во непрофитната организација за стандарди во AI Atlas Computing, истакна за Gizmodo дека „нападите со странични канали на уреди на работ не се нови“. Меѓутоа, методот за извлекување на целата архитектура на хиперпараметри на моделот е значаен. Сенчан објасни дека, бидејќи AI хардверот „изведува инференција во обичен текст“, секој модел распореден на неосигурани уреди на работ или сервери е ранлив за извлекување на неговата архитектура преку детално сондање.