引言 我最初接触对抗样本时，注意力主要放在FGSM、PGD这类白盒攻击上，觉得只要理解了梯度怎么被利用、扰动怎么让模型出错，就对这个问题有了比较完整的认识。后来把迁移攻击和经典黑盒攻击放在同一条线索上重新梳理，我才发现之前的理解偏窄：现实中的攻击者往往看不到模型内部，查询也受限，此时对抗样本能否迁移、查询成本高不高、一些正常功能会不会被组合成新的传递或攻击路径，都会影响风险评估。 基于这个发现，本文尝试从威胁模型、攻击目标和算法选择入手，把白盒攻击、迁移攻击和黑盒攻击串起来，帮助读者建立“威胁模型—攻击目标—算法选择—防御评估”的整体认识，而不是只盯着攻击成功率。这次研究让我意识到，对抗样本的意义在于更真实地评估模型鲁棒性和安全部署风险：白盒攻击暴露脆弱点，迁移和黑盒攻击提醒我们现实攻击可能性不能低估。 一、对抗样本与基本概念 1.1 什么是对抗样本 什么是人工智能模型 假设我们训练了一个