揭开神秘的数字之谜：第1章探索量子力学的基本原理与实验实践，中石化油服(01033.HK)完成回购2236.62万股A股看似无害的提问，也能偷走RAG系统的记忆——IKEA：隐蔽高效的数据提取攻击新范式黄金的身份重心也开始悄然变化，成为重要的替代货币资产。
以揭示数字谜团的深层奥秘为题，本文将从量子力学的基本原理与实验实践两方面进行深入探讨。我们理解量子力学是物理学中一种特殊的、描述微观世界的理论框架，其核心概念包括波粒二象性、不确定性原理以及量子叠加态等。量子力学的基本原理主要体现在两个层面：一是描述粒子的行为特征，二是解释宏观世界的现象。
在描述粒子行为特征上，量子力学运用波函数来表示量子系统的状态和概率分布，它描述了一个粒子从一个状态转变为另一个状态的概率分布。例如，在经典物理中，物体的位置被看作是一个连续的、可测量的变量，而量子力学则将其转化为一个离散的概率分布。每个位置对应的波函数包含了该位置的所有可能状态和相应的概率，如E = -h/2π√(s^2 + 1)，其中h是普朗克常数，s是波矢量的模，代表了粒子在某个位置的能量。这种波函数性质不仅适用于单个粒子，也适用于多个粒子或系统的叠加状态，即处于不同状态之间的叠加态。这是量子力学区别于经典力学的一个显著特点，也是量子计算、量子通信、量子加密等领域的重要基础。
量子力学解释了宏观世界中的现象，如光电效应、量子纠缠、量子隧穿等。例如，在光电效应中，当入射光子与金属原子发生碰撞时，由于光子的能量超过了金属原子的能级跃迁阈值，金属原子会吸收光子并发射出电子。这一过程可以用量子力学的库仑力矩公式C=μe²/ħω（式中C是库仑力矩，μ是电磁常数，e是电荷量，ω是角频率）来描述，其中μ代表电磁相互作用强度，e代表元电荷，ω代表角速度。而在量子纠缠中，两个处于不同状态的粒子之间存在一种强联系，无论它们相隔多远，一旦其中一个粒子的状态发生变化，另一粒子也会立即产生相应的变化；而在量子隧穿中，量子粒子能够穿过某些特定类型的材料障碍物，这在分子生物学、纳米技术和半导体器件等领域具有重要的应用价值。
量子力学并非一蹴而就，它的发展历程充满了曲折和挑战。其中，困扰着科学家们的主要问题是如何精确地测量和控制量子系统，以及如何将量子信息有效地编码和传输到现代技术中。为此，量子力学发展了一系列新的实验技术和方法，如量子隐形传态、量子态操控、量子比特等，这些都为我们揭示了量子力学的更多秘密，并推动了量子计算、量子通信和量子信息科学等领域的发展。
量子力学以其独特的波粒二象性、不确定性原理和量子叠加态等基本原理，展示了微观世界的无尽魅力和深邃奥秘。通过深入理解和掌握量子力学的基本原理与实验实践，我们可以更深刻地理解自然界的运作规律，开拓人类对信息处理、能源转换、新材料研发等方面的新领域，进而推动科学技术的进步和发展。让我们一起，揭开量子力学的神秘面纱，共同探索这个宇宙的奥秘！
中石化油服(01033.HK)公布，2025 年 1 月 8 日，公司通过集中竞价交易方式首次实施 A 股股份回购，截至 2025 年 6 月 4 日，公司完成回购，已实际回购公司 A 股股份2236.62万股，占公司目前总股本的比例为 0.12%，回购成交最高价为 1.99 元/股，最低价为 1.73 元/股，均价为 1.876 元/股，支付的资金总额为人民币 4196.52 万元(不含交易佣金等交易费用)。
截至2025年6月4日收盘，中石化油服(01033.HK)报收于0.64港元，上涨1.59%，成交量353.9万股，成交额223.74万港元。投行对该股关注度不高，90天内无投行对其给出评级。
中石化油服港股市值34.08亿港元，在采掘服务行业中排名第2。主要指标见下表：
本文作者分别来自新加坡国立大学、北京大学与清华大学。第一作者王宇豪与共同第一作者屈文杰来自新加坡国立大学，研究方向聚焦于大语言模型中的安全与隐私风险。共同通讯作者为北京大学翟胜方博士，指导教师为新加坡国立大学张嘉恒助理教授。
本研究聚焦于当前广泛应用的 RAG (Retrieval-Augmented Generation) 系统，提出了一种全新的黑盒攻击方法：隐式知识提取攻击 (IKEA)。不同于以往依赖提示注入 (Prompt Injection) 或越狱操作 (Jailbreak) 的 RAG 提取攻击手段，IKEA 不依赖任何异常指令，完全通过自然、常规的查询，即可高效引导系统暴露其知识库中的私有信息。
在基于多个真实数据集与真实防御场景下的评估中，IKEA 展现出超过 91% 的提取效率与 96% 的攻击成功率，远超现有攻击基线；此外，本文通过多项实验证实了隐式提取的 RAG 数据的有效性。本研究揭示了 RAG 系统在表面「无异常」交互下潜在的严重隐私风险。
本研究的论文与代码已开源。
总述
大语言模型 (LLMs) 近年来在各类任务中展现出强大能力，但它们也面临一个核心问题：无法直接访问最新或领域特定的信息。为此，RAG (Retrieval-Augmented Generation) 系统应运而生——它为大模型接入外部知识库，让生成内容更准确、更实时。
然而，这些知识库中往往包含私有或敏感信息。一旦被恶意利用，可能导致严重的数据泄露。以往的攻击方式多依赖明显的「恶意输入」，比如提示注入或越狱攻击。这类攻击虽然有效，但也有着输入异常、输出重复等典型特征，容易被防御系统识别和拦截。
图1: 使用恶意查询进行逐字信息提取与使用良性查询进行知识提取 (IKEA) 之间的对比
为突破防御机制对现有提取攻击的限制，本文提出了一种全新的隐式知识抽取框架：IKEA (Implicit Knowledge Extraction Attack)。该方法不依赖任何越权指令或特异化提示语，而是通过自然、常规的查询输入，逐步引导 RAG 系统暴露其内部知识库中的私有或敏感信息。IKEA 的攻击流程具备高度自然性与隐蔽性。
其核心步骤包括：首先，基于已知的系统主题构建一组语义相关的锚点概念 (Anchor concepts)；随后，围绕这些概念生成符合自然语言习惯的问题，用于触发系统检索相关文档；最终，通过两项关键机制对攻击路径进行优化与扩展：
上述机制协同工作，使得攻击过程在保持输入自然性的同时，能够在多轮交互中高效提取 RAG 系统所依赖的外部知识内容。实验证明，IKEA 可在常规输入检测与输出过滤等防御机制下维持高成功率与提取效率，展现出强大的鲁棒性与现实威胁潜力。
方法概览：如何实现「看似正常」的提问？
具体而言，IKEA 首先从与系统主题相关的概念词中筛选出可能有效的锚点概念，并结合历史响应信息过滤无关或无效的概念。
锚点概念数据库的初始化如下：
随后，系统围绕这些锚点概念自动生成语义自然、表达通顺的问题，引导 RAG 返回内容丰富的答案，从而在多轮交互中不断扩大对隐私知识的覆盖。这种策略使攻击过程更加隐蔽，难以被传统检测手段发现。下文给出了「良性」问题的具体生成方式：
该方法设计了两项关键机制以确保知识提取效率：
经验反思采样 (Experience Reflection Sampling)
每个候选锚点概念的采样概率由如下惩罚得分函数定义：
最终的采样概率为：
可信域有向变异 (Trust Region Directed Mutation)
图 2: (左) IKEA 整体流程图；(右) TRDM 示意图
其中：
实验结果：IKEA 的提取效率远超基线方法
研究团队在三个不同领域数据集 (医疗-HealthCareMagic100k、小说-HarryPotter、百科-Pokémon) 上测试了 IKEA 攻击效果。以下是 IKEA 与其他攻击方法在「无防御」、「输入检测」、「输出过滤」三种防御策略下的比较：
表 1: 在三种数据集上不同防御策略下的攻击效果对比分析
提取知识是否「有用」？
研究团队围绕知识有效性开展了两类实验：其一，评估提取出的知识在对应文档相关的问答任务中的表现；其二，评估在有限轮次攻击下所提取知识对完整知识库的覆盖与支撑能力。实验结果表明，IKEA 不仅能够高效提取 RAG 系统中的信息，而且所提取的知识在问答任务中展现出良好的实用性，其性能接近于使用原始知识库时的表现。
图 3: 在三种不同知识库设定下的选择题 (MCQ) 与问答 (QA) 任务结果对比
表 2: 在不同防御与不同基线下提取的知识作为参考的选择题与问答任务结果对比
表 3: 基于不同攻击方法提取数据构建的 RAG 系统在完整知识库上的评估结果
总结