从大模型工具Ollama互联网暴露态势浅析大模型行业落地的初步画像
雷承霖
(烽台科技(北京)有限公司,北京,100195)
摘要:目前,各类大模型的落地应用越来越广泛,本文从公开的资产测绘数据分析出发,通过Ollama大模型工具在互联网上暴露的情况初步窥见当前大模型行业应用与落地的特征画像。此外,Ollama大模型工具大规模在互联网暴露态势,反映出企业、个人开发者在大模型工具部署时对安全风险的忽视,其安全配置管理能力和风险管控意识亟需提升,以在充分发挥人工智能技术价值的同时,有效保障数据安全与AI模型安全。
关键词:人工智能安全、数据安全、业务安全
随着人工智能特别是大模型技术的迅猛发展,各类大模型的落地应用越来越广泛。开源跨平台大模型部署工具Ollama,由于其灵活、便捷、快速一键部署大模型的功能,在企业界和学术界迅速得到普及。2025年3月3日,国家网络安全通报中心发布关于大模型工具Ollama存在安全风险的情况通报,指出Ollama在默认配置下暴露于公网时,存在严重的安全隐患,例如未授权访问、数据泄露和模型窃取风险等。本文从Shodan、Censys、FOFA、ZoomEye等互联网公开资产测绘数据分析出发,浅析大模型工具Ollama互联网暴露态势,并初步勾勒大模型在行业落地画像。
一、从模型家族分布看行业落地倾向
根据互联网资产测绘平台公开资产数据显示,目前国内暴露在公网环境中的大模型以qwen2、llama、bert、nomic-bert、deepseek2等家族居多,其中qwen2与llama两大家族占据绝对优势,从暴露的数据显示来看,当前大模型应用的典型特点整体呈现如下态势:
(一)生成式场景需求旺盛,qwen2与llama居于主导地位
qwen2是阿里云通义千问团队开发的开源模型,该模型是被认为是中文及多语言场景下的热门之选,根据百度等搜索引擎检索结果显示,其部署、调试、应用,在国内开源社区讨论热度突出,针对中文对话、智能客服、搜索推荐、智慧政务等应用领域需求强劲。另外,根据国内暴露在公网数据显示,qwen2的部署量略高于llama,而llama是由Meta主导的开源大模型家族,由于llama模型家族发布较早于qwen家族,仍然获得了广泛部署量。
(二)传统特征提取型模型仍保持应用热度
BERT及其衍生模型在数量上仍然占据了一定比例,在文本分类、命名实体识别、特征提取和信息检索等相对传统的NLP应用中,企业、研究机构、个人开发者仍继续采用经典的BERT架构,在资源有限、对生成式需求相对较弱的场景下,特征提取型模型从算力成本投入和部署规模仍然有重要价值。
(三)多样化小众模型反映场景细分趋势
目前,人工智能通用技术供应商聚集并向头部涌现,如deepseek2、chatglm、baichuan、minicpm、rwkv等来自不同人工智能通用技术供应商的模型家族的出现,数量虽然不多,但围绕细分领域或定制化需求或已经开始呈现不断探索趋势。在实际应用场景下,上述模型可能针对特定行业的法律、医疗、教育场景进行微调和优化,大模型在垂直应用上的精细化发展已逐渐显露趋势。
二、从参数规模分布看部署资源考量
根据互联网资产测绘平台公开资产数据显示,暴露在公网环境的模型参数规模分布,呈现明显的阶梯化趋势:
(一)中等规模模型成为产业落地主流选择
8.0B、7.6B、7.2B等参数规模的模型数量占据绝对优势,占据目前暴露在互联网的绝大部分比例。7B-8B左右的模型被广泛视为功能性和性价比最优的“甜点区”,单卡或双卡GPU便可满足大多数企业和个人开发者的测试、调试、部署、开发需求。此类规模的模型不仅能够提供足够好的对话生成能力,同时推理成本和资源消耗也较为可控,非常适合金融、医疗、政务、教育等领域构建知识库的私有化部署需求。
(二)数十亿级参数模型活跃,高端场景需求旺盛
参数规模为32.8B、14.8B、70.6B等数十亿参数级别的模型也有明显占比,这类规模的大模型一般运行在专用服务器,以及为运行大模型而构建的计算资源中,能满足更高的推理精度、复杂场景的要求,通常被用于高端对话机器人、精准推荐系统以及高级推理和分析任务,代表了企业普遍已经额外投入算力资源,积极探索更强的AI智能化应用。
(三)小规模与超大规模参数模型同时存在,呈多元化部署趋势
1B~4B的小规模模型如1.8B、3.2B、4B等,尽管在互联网中暴露的数量不占绝对优势,但可能在企业内部知识库检索、FAQ机器人、移动端本地部署等轻量场景中仍然保持一定需求。
最后,从互联网暴露资产数据中还能观测到极大规模(如671B、235.7B、405.9B等数百亿以上参数规模)的模型暴露情况,虽然整体数量不多,占比也相对较低,但此类模型由于其部署所需算力成本极高,且通常仅部署在具有高GPU性能的服务器或云环境中,当前面临的安全挑战可能会更为严峻,一方面,攻击者可利用这些极大模型的未授权访问漏洞,非法占用高价值的算力资源,另一方面,攻击者可通过持续的恶意请求导致资源耗尽或服务中断,进而影响正常研究或生产业务,甚至造成服务瘫痪。故大模型在调试、部署、应用过程中的“配置安全”和“安全配置”仍然是不可忽视的第一道防线。
三、综合模型分布画像与行业应用特征
基于上述模型家族和参数规模的分布画像,我们能够通过大模型工具Ollama互联网暴露态势初步勾勒出大模型的行业应用画像:
(一)行业应用以生成式为主,辅以传统任务并行
大量qwen2和llama模型的部署代表行业内以智能问答、生成式对话、辅助决策为代表的生成式AI应用已成为主流。而BERT系列模型的持续存在,意味着行业内也并未完全放弃传统NLP任务,特征抽取、分类检索等任务与生成式应用形成了并行发展的趋势。
(二)部署规模体现行业资源差异与应用需求的多样性
7B-8B的广泛部署规模表明当前大多数企业、机构、个人的计算资源满足中等规模模型应用的必要资源,通常来说在不需要额外购买或增加计算资源的前提下,完成部署和应用,在实际场景中也能够在必要的模型性能与资源投入取得平衡。
而7B ~ 32B左右是典型的“产业适配”区间,对于大多数企业、机构、个人来讲,仅需要额外少量投入专用计算资源,便可获得可观的理解与生成能力,又不至于像百亿级以上那样苛求顶级算力及计算资源的成本投入。
同时,互联网上少量暴露出的超大规模模型,也间接印证了头部企业和研究机构在内部可能部署了更多、更大规模的大模型,也说明了行业实力企业、研究机构在进行深入、复杂的探索,产业逐步出现资源投入差距化的状态。而一般企业、个人开发者则受限于资源和算力成本,更多选择中等规模模型进行部署,进一步反映出产业界在大模型应用上的资源投入差距日益扩大,产业生态呈现明显的层次化趋势。
(三)细分场景模型兴起,反映行业应用精细化趋势
各类小众模型家族的出现,体现了企业、研究机构、个人开发者正积极进行细分场景探索和模型定制化。行业应用开始由早期的“一模走天下”逐步向“场景细分和个性化定制”方向发展,这种趋势将可能进一步带动产业内大模型精细化落地。
(四)大模型互联网暴露态势凸显,大模型安全使用与安全管理面临挑战
当我们重新审视当前Ollama大模型工具在互联网大量暴露现象时,折射出的是大模型技术在近两年迅猛普及,作为相对新颖的技术应用,许多企业、机构、个人开发者急于尝试部署新兴的AI模型以抓住技术红利,却在实践过程中普遍忽略了安全部署与管理的重要性。
这种“重应用、轻安全”的心态和实践,导致部署、调试过程中配置不当、接口直接暴露、未授权访问等问题发生,进而给攻击者提供了便利条件,易引发数据泄露、模型窃取、算力盗用及服务中断等多重安全事件,同时,随着大模型的规模和种类越来越丰富,安全管理的复杂度不断攀升,尤其是极大规模模型一旦遭受未授权访问,不仅会造成巨大的算力资源浪费,甚至带来数据投毒和算法污染等严重后果。因此,在大模型迅速普及落地的同时,对AI安全风险的认知,安全标准与规范,在其大模型安全使用与安全管理过程中仍然面临艰巨挑战。
四、安全风险和落地挑战不容忽视
根据Shodan、Censys、FOFA、ZoomEye等公开资产测绘数据分析来看,随着大模型技术快速普及、技术门槛逐渐降低,越来越多企业、机构及个人开发者能够低成本、快速地尝试和部署最新的AI模型,尤其是类似Ollama的工具能够完成大模型的一键部署和运行,以期迅速享受“技术平权”带来的新“技术红利”。然而,这种快速普及与广泛部署的趋势也造成了大模型无意间在互联网暴露数量呈现指数级增长,在积极部署应用的同时,行业内暴露出的严重安全隐患也不得不引起高度关注:
(一)部署配置不当,带来极高的安全风险
无意识的将开源或私有大模型部署于互联网,直接暴露于公网环境,且未采用有效的鉴权、加密手段,极易导致被未授权访问模型,无需认证即可调用模型服务,甚至导致数据泄露、模型投毒等恶意攻击,企业和机构在大模型私有部署时,务必要对可能潜在安全风险保持高度敏感和风险评估。
(二)大模型普及造成的安全治理复杂性显著提升
随着大模型家族、版本与部署场景的多样化发展,企业和机构在安全治理方面正面临空前的挑战。一方面,模型数量增加、多版本并行部署以及频繁迭代更新,使传统的安全管理模式和审计机制变得捉襟见肘;另一方面,大模型在不同业务场景中的定制化程度越来越高,带来了安全风险边界难以界定的问题。由于大模型在训练、微调与推理阶段涉及的数据类型、来源、敏感程度各异,传统的安全审计规则难以覆盖这种复杂的数据流通场景。此外,定制化大模型在应用中与业务系统的集成深度增加,使模型数据与业务数据、训练环境与生产环境、内部接口与外部接口之间的界限日渐模糊,增加了安全审计和权限管理的难度。这些因素导致企业在界定模型访问权限、明确数据保护范围、设定数据访问边界等方面面临实际困难,进而造成数据泄露、未授权访问、权限滥用等风险不断增加,传统的安全治理策略已不能有效应对上述日趋复杂的安全场景。
综上,在大模型快速普及应用的背景下,企业和机构不仅要加大安全管理投入,还应全面提升技术团队对新兴AI技术的认知与适应能力。
五、结语
从Ollama互联网暴露态势中所反映的模型家族与参数规模分布画像,我们能够初步了解到当前行业内大模型部署的主流方向,以中等规模生成式大模型为主体,兼顾传统特征抽取型模型,并积极探索细分场景与定制化需求。在AI“技术平权”、AI “技术红利”的驱动下企业、机构、个人在大模型私有部署已成快速爆发增长趋势,积极落地的同时,企业、机构、个人开发者必须对由此产生的数据安全与网络安全风险高度重视,尤其是对AI开源工具链的安全方面,需要重点通过加强配置管理、安全策略制定以及定期风险评估,才能在充分发挥大模型潜能的同时,确保网络和数据安全得到有效保障。
【高工专栏】│AI大模型的安全风险浅析
【高工专栏】│基于电力监控系统的网络安全协同威胁检测技术研究
【高工专栏】│我国关键信息基础设施安全保障体系介绍:法律政策篇
【高工专栏】│数智融合,安全共生,构建现代化国家安全体系能力