中大本科生反AI项目致黑客账单暴涨300倍，背后是Token黑产与教学失序的双重危机

近期，一项由香港中文大学本科生发起的反AI逆向工程实践项目引发关注。该项目通过构造特定输入（Poisoning），诱导大模型在推理过程中持续消耗算力资源，最终导致某第三方AI服务中转站的Token账单在短时间内暴涨300倍。这一现象看似技术奇观，实则折射出当前AI生态中日益严峻的算力滥用与安全防护失衡问题。

该项目代号为“BLA: Blind LLM Agents”，核心原理是利用对抗性提示（Adversarial Prompting）触发模型内部冗余计算路径，使推理过程陷入低效循环——即所谓“Poison → Exhaust → Hallucinate”三阶段攻击链。其设计初衷并非恶意破坏，而是对开源Counter-REA防御框架的验证与扩展，旨在暴露当前LLM服务在自动化逆向分析场景下的脆弱性。然而，当该方法被部分灰产从业者用于对抗风控时，意外放大了其经济影响：一名依赖非授权API调用的“Token中转站”运营者，在未察觉异常的情况下持续调用被投毒模型，单日账单从数百元飙升至数万元。

这并非孤立事件。2026年11月，上海市徐汇区检察院披露一起典型AI算力盗窃案：嫌疑人宗某自建“大模型中转超市”，四个月内非法调用头部AI图像平台接口超29万次，违法所得3.4万元。其手法高度依赖AI工具辅助：先用AI生成脚本批量注册近30万个新用户账号以套取免费积分；平台增设IP限制后，再用AI绕过拦截；当平台引入电子签名校验机制，宗某又借助AI伪造签名继续接入。法院最终以非法获取计算机信息系统数据罪判处其有期徒刑3年、缓刑4年，并处罚金4万元。

值得注意的是，宗某在庭审中辩称：“平台内容在浏览器里都能看到，也没有加密，我以为都是公开的、可以使用的。”这一认知偏差极具代表性。事实上，涉案平台从未开放API付费调用服务，用户协议亦明确禁止自动化抓取与绕过验证。垦丁律师事务所麻策指出，此类中转站面临民事与刑事双重风险：违反API条款构成合同违约与不正当竞争；若进一步实施规避技术措施、伪造凭证等行为，则直接触犯刑法。

与灰色地带的“算力套利”形成鲜明对比的是，正规渠道的AI人才培养正加速落地。11月8日，首届天猫AI黑客松高校挑战赛在杭州收官，中国科学技术大学“触晓AI战队”凭借“AI导盲头环”获年度总冠军，赢得约40亿Token额度及阿里面试绿色通道。赛事覆盖56所双一流高校、359支团队，设置效率进化、智能日常、创意造物、科技无碍四大方向，强调“用AI解决真实问题”。英特尔、联想为决赛团队提供AI PC设备，推动本地化推理落地。

但另一面，AI对高等教育体系的冲击同样不容忽视。一位署名Katie的大二计算机专业学生在博客中直言：“AI正在毁掉我的计算机学位。”她描述的困境颇具普遍性：课程大纲由Claude批量生成，期末作业由LLM自动批改，导师关怀邮件实为自动化脚本触发；同一门课前半段强制使用AI完成作业，后半段却因“学术不端”扣分；更荒诞的是，教授本人也常将教学任务直接丢给大模型生成材料，导致作业量翻倍、内容空洞、勘误频发。

这种教学异化并非技术本身之过，而源于管理逻辑的错位。资方追求“规模化学习”与“自动化降本”，促使校方过度依赖AI替代人力投入——减少助教编制、压缩讲师工作负荷上限，最终将压力转嫁给学生。Katie指出：“技术成了校方无限度削减教学支出的借口”，而学生付出高昂学费，换来的却是浮于表面的知识速通与不可靠的反馈机制。

从产业视角看，AI普及确实在降低技术门槛，但也同步降低了犯罪门槛。徐汇区检察院特别强调，宗某的作案模式本质是“AI对抗AI”：过去突破一套防护需深厚技术积累，如今一个懂基础编程的学生借助AI即可低成本实现批量注册、签名伪造等操作。这倒逼企业必须升级防御体系——电子签名、日志审计、异常访问监测等手段亟需常态化部署。

与此同时，市场也在自我修正。2026年5月后，民间“Token黄牛”热度明显降温，“官方采购型”中间商崛起。以硅基流动、九章云极为代表的第三方MaaS服务商，通过与平台签订批发协议、合规拆分零售，构建起稳定低价的算力供给通道。这类模式虽仍属中介角色，但因其基于授权接口运作，规避了法律风险，正逐步成为企业级用户的主流选择。

回到中大生的反AI项目，其真正价值不在于制造账单暴增的戏剧性结果，而在于揭示了一个关键事实：当前LLM服务的计费模型与安全机制严重脱节。按Token计费的模式天然鼓励“长输出、深推理”，却未对无效或对抗性计算做有效过滤；风控系统聚焦于账号行为与IP特征，却忽视了输入内容本身的攻击意图。当防御方仍在用规则引擎应对“脚本注册”，攻击方已转向“语义投毒”——这是新一代AI安全攻防战的起点。

高校作为技术创新的策源地，理应成为伦理与技术并重的试验场。一方面需鼓励如天猫黑客松式的正向实践，让学生在真实场景中理解AI的边界与责任；另一方面也须反思教学流程的设计逻辑，避免将工具异化为替代教师的“自动化工人”。毕竟，教育的核心不是效率最大化，而是知识建构的可靠性与人的成长确定性。

技术没有善恶，但使用技术的方式有。当一个本科生的实验能意外搅动整个灰产链条，当一位教授的PPT可被一键生成却漏洞百出，我们或许该重新审视：在AI深度嵌入社会运行的今天，哪些防线值得加固，哪些共识亟待建立。