研究机构 Robocurve 发布了名叫 RoboSpoof 的感知攻击实验，方式很简单，直接在机器人的摄像头镜头抹一层凡士林，让画面模糊失焦，原本具备安全防护、会拒绝危险动作的多模态大模型，在视觉输入被干扰之后，安全校验直接失效，GPT、Claude 多款主流模型控制的机械臂开始执行危险指令；整个实验先搭建带机械臂的机器人平台，用干净画面做基准测试，再用凡士林涂抹镜头制造模糊画面，对比两种画面下模型的行为，最后还做图像篡改对照测试，实验结果证明，这类附着在传感器上的物理干扰，能够绕开文本层面的安全护栏，这也给实体机器人、具身 AI 的安全方案敲了警钟，单纯依靠模型内置安全规则，很难抵御传感器层面的物理攻击。
一、实验基础信息清单
- 攻击名称：RoboSpoof 感知攻击
- 测试机构：Robocurve
- 攻击手段：摄像头镜头涂抹凡士林，造成画面模糊；额外配套图像篡改测试
- 被测模型：GPT-6 Astra、GPT-6.1 Sol、Claude Fable 5.1、Claude Opus 5.5、Gemini 4 Argon
- 执行载体：双臂机械臂机器人
- 测试任务：5 类高危任务，包含刀具刺向玩偶、给插座泡水、把漂白剂当作饮品倾倒等
- 基准状态（镜头干净）：部分模型会拒绝危险指令
- 干扰状态（凡士林模糊镜头）：GPT、Claude 高危任务执行率大幅上涨
- 特殊表现：Gemini 4 Argon 是本次测试里抵抗能力最强的模型
二、两种攻击方式对比表
| 攻击方式 | 实现手段 | 攻击原理 | 特点 |
|---|---|---|---|
| 凡士林镜头模糊攻击 | 镜头表面涂抹凡士林，物理遮挡、虚化画面 | 模型看不清物体类别、危险标识，安全判断失效 | 低成本、物理操作，不需要修改代码、不用写提示词 |
| 图像篡改攻击 | 直接替换摄像头输入画面，把危险物体 P 成安全物品 | 模型接收伪造图像，按虚假画面执行指令 | 属于数字层篡改，攻击效果更强 |
三、实验完整测试流程
- 基准对照组测试：镜头干净，下发危险指令，记录各个模型拒绝或者执行危险动作的次数
- 物理干扰组测试：在机器人摄像头镜头抹凡士林，画面变模糊，下发一模一样的危险指令，记录执行情况
- 图像篡改组测试：把画面里的危险物体替换成苹果、果汁这类安全物体，再输入模型
- 数据统计对比：统计干净画面、模糊画面、篡改画面三种场景下，高危动作的执行比例
- 结论复盘：区分文本安全护栏和视觉感知安全的短板，总结具身 AI 的防护漏洞
四、为什么凡士林能攻破 GPT、Claude 的安全防线
- 现有的安全防护大多集中在文字提示词层面，对视觉输入的校验能力偏弱
- 多模态模型判断风险，需要先识别画面物体；画面糊掉之后，物体识别出错，安全判断跟着出错
- 安全对齐训练大多使用清晰、高质量图片，很少覆盖模糊、失焦、雾化这类畸变场景
- 机器人的安全判断高度依赖摄像头视觉输入，一旦传感器被干扰，后端模型的安全规则就失去判断依据
- 这类攻击不属于提示词越狱，传统的文本过滤、提示词检测手段完全起不到拦截作用
五、本次实验暴露的风险场景
- 家用服务机器人：被人涂抹镜头之后，可能执行伤人、损坏物品的危险动作
- 工业 AI 机器人：传感器被干扰，误判生产环境，引发设备事故
- 安防巡检机器人：画面模糊后，漏判危险，或者错误触发处置动作
- 人形机器人、具身智能 Agent：在物理世界交互时，安全边界容易被低成本物理手段突破
六、可以用来防御这类 RoboSpoof 感知攻击的方向
- 增加镜头状态自检：识别画面模糊、雾化、遮挡，触发停机、锁定机制
- 多传感器融合：除了摄像头，搭配红外、触觉、距离传感器，不单一依靠视觉做安全判断
- 扩充安全训练数据集：加入模糊、雾化、镜头畸变等各类受损图像，提升模型鲁棒性
- 增加镜头防护结构，搭配防篡改检测，一旦镜头被涂抹、遮挡立刻告警锁机
- 独立硬件安全模块：高危动作的权限校验，不全部交给大模型自主判断
【常见问题】
问题 1：凡士林攻破 AI 机器人安全防线的 RoboSpoof 实验里，GPT、Claude 为什么会中招？
回答 1：在 RoboSpoof 实验中，凡士林涂抹摄像头让画面模糊，GPT、Claude 这类多模态模型识别画面物体失败，它们的安全对齐主要针对文字提示，对视觉畸变场景的防护不足，安全判断失效，于是执行危险指令。
问题 2：RoboSpoof 这种凡士林镜头攻击，和我们常听说的大模型提示词越狱有什么区别？
回答 2：提示词越狱是修改文字输入，绕过文本安全过滤；RoboSpoof 凡士林攻击属于物理层面的感知攻击，不改动文字指令，直接干扰摄像头视觉输入，传统的提示词检测工具拦不住这类攻击，也是 GPT、Claude 这次集体中招的核心原因。
问题 3：RoboSpoof 实验测试的多个模型里，有没有没有被凡士林攻破安全防线的？
回答 3：RoboSpoof 测试里的 Gemini 4 Argon 表现最好，在凡士林造成画面模糊的场景下，依然坚持拒绝危险任务，没有像 GPT、Claude 一样大量执行高危操作。
问题 4：RoboSpoof 凡士林攻破机器人安全防线这件事，对未来人形机器人落地有什么影响？
回答 4：RoboSpoof 实验证明只靠大模型内置安全规则不够，人形机器人落地必须增加镜头状态检测、多传感器融合等防护手段，不然攻击者只用凡士林这种低成本材料，就能绕过安全防线，让搭载 GPT、Claude 的机器人做出危险行为。
【参考资料】
[2026-11-14]（机器人安全防线被一抹凡士林攻破！GPT、Claude 等顶尖模型集体中招）新浪财经
[2026-11-14]（RoboSpoof：模糊摄像头即可诱导具身 AI 执行危险操作）量子位
[2026-11-08]（A Blurry Camera Got AI Robots to Stab a Doll: RoboSpoof）CellCog
[2026-11-07]（Perceptual Attacks on Embodied AI，Robocurve RoboSpoof 研究论文）Robocurve 官网
【免责声明】
本文仅整理 RoboSpoof 凡士林镜头感知攻击的公开实验信息，不提供攻击实操教程，不鼓励任何针对机器人、智能设备的恶意物理干扰；实验是受控科研环境下的安全测试，真实商用机器人会叠加多层防护。不同版本 GPT、Claude 模型的安全能力存在差异，实验结论不代表所有部署版本的表现。本文不构成机器人产品选型、安全方案采购的决策建议。