动作层没有护栏：基于文本的 AI 安全为何对机器人失效

Failure-First 的分析文章论证，基于文本的 AI 安全对具身 AI 失效，因为模型输出由动作解码器解析而非由人阅读，危险动作序列中不含任何危险词。文章引用被 ACM SenSys 2026 接收的 Blindfold 框架，称其在仿真中对所有被测模型（含前沿系统）的攻击成功率超过 85%，在真实 6 自由度机械臂上 20 条攻击序列有 18 条成功执行；现有防御最多把攻击率降低 18 个百分点，最优配置下残余成功率仍高于 75%。作者所在项目对 VLA 场景的 58 条对抗轨迹（7 类攻击）评测显示，0% 完全拒答、50% 附带免责声明但仍生成动作内容、21% 直接生成不安全内容、26% 未识别对抗意图，其 FLIP 评分器在良性基线上的假阳性率为 30.8%。