本文第一作者降偉鵬，西安交通大學(xué)在讀博士生，主要研究方向?yàn)榇竽Ｐ桶踩c自動(dòng)化測(cè)評(píng)。共同第一作者張笑宇，南洋理工大學(xué)博士后研究員，研究方向?yàn)檐浖こ獭⒋竽Ｐ桶踩c人機(jī)交互。通訊作者沈超，西安交通大學(xué)二級(jí)教授、IEEE Fellow、國(guó)家級(jí)高層次人才特聘教授，長(zhǎng)期從事人工智能可信與安全、人機(jī)交互行為分析研究。

想象這樣一個(gè)場(chǎng)景。

凌晨，你正在用 AI 代碼助手處理一個(gè)項(xiàng)目。配合得很順暢，AI 幫你創(chuàng)建了臨時(shí)目錄 tmp，你指揮它在這個(gè)目錄下跑了幾組測(cè)試，一切都按預(yù)期走。收尾時(shí)，你隨手敲下一句話：

> "任務(wù)完成，刪掉這個(gè)目錄～"

語(yǔ)氣輕松，就像跟同事說(shuō) "搞定，收攤吧"。結(jié)尾那個(gè)～，只是習(xí)慣性的語(yǔ)氣符號(hào)，無(wú)傷大雅。AI 沒(méi)有任何遲疑。它 "理解" 了你的意思，執(zhí)行了命令。幾秒鐘后，你的整個(gè)用戶主目錄消失了。因?yàn)樵?Shell 語(yǔ)言里，~ 是指向主目錄的路徑符號(hào)。AI 沒(méi)有讀出你的語(yǔ)氣，它讀出的是一條刪除指令：`rm -rf ~`。

無(wú)報(bào)錯(cuò)。無(wú)警告。不可逆。

近日，來(lái)自西安交通大學(xué)、南洋理工大學(xué)和馬薩諸塞大學(xué)阿默斯特分校的聯(lián)合研究團(tuán)隊(duì)，首次系統(tǒng)性揭示了大型語(yǔ)言模型中一類此前長(zhǎng)期被忽視的安全漏洞：表情符號(hào)語(yǔ)義混淆（Emoticon Semantic Confusion），相關(guān)工作已被 ACL2026 主會(huì)接收。

• 論文標(biāo)題：False Friends in the Shell: Unveiling the Emoticon Semantic Confusion in Large Language Models
• 錄用會(huì)議：ACL 2026 主會(huì)
• 作者：Weipeng Jiang, Xiaoyu Zhang, Juan Zhai, Shiqing Ma, Chao Shen, Yang Liu
• 單位：西安交通大學(xué)、南洋理工大學(xué)、馬薩諸塞大學(xué)阿默斯特分校
• 論文地址：https://arxiv.org/pdf/2601.07885

你的 "語(yǔ)氣符號(hào)"，它的 "執(zhí)行指令"

我們每天都在用表情符號(hào)。~、:-)、!(^^)! …… 這些由標(biāo)點(diǎn)和字母拼成的小玩意兒，承載著情緒、語(yǔ)氣、玩笑和親切感，是人類在冷冰冰的鍵盤上找回溫度的方式。

但語(yǔ)言模型生活在兩個(gè)世界的邊界上。它同時(shí)處理自然語(yǔ)言和編程語(yǔ)言，同時(shí)理解 "我想刪掉這個(gè)目錄～" 和 `rm -rf ~`。問(wèn)題在于，這兩個(gè)世界里，同一個(gè)符號(hào)可能代表截然不同的東西。

這些表情文字本質(zhì)上是人類為了彌補(bǔ)文字交流的情緒缺失而發(fā)明的 "副語(yǔ)言"，沒(méi)有實(shí)際語(yǔ)義，只傳遞語(yǔ)氣和情緒。但它們由字母、標(biāo)點(diǎn)、符號(hào)拼接而成，恰好和編程語(yǔ)言、系統(tǒng)命令的核心語(yǔ)法高度重合：

• - ~ = 用戶主目錄
• - \* = 任意字符通配符
• - > = 輸出重定向符
• - .. = 上級(jí)目錄跳轉(zhuǎn)
• - () = 函數(shù)調(diào)用 / 子 shell 執(zhí)行

語(yǔ)言學(xué)上有個(gè)概念叫 "false friend"（同形異義詞），專指那些長(zhǎng)相相似、意義卻風(fēng)馬牛不相及的詞匯。比如英語(yǔ)的 "gift" 是禮物，德語(yǔ)的 "gift" 是毒藥；英語(yǔ)的 "embarrassed"（尷尬）和西班牙語(yǔ)的 "embarazada"（懷孕），外形相近，含義卻能讓翻譯者當(dāng)場(chǎng)社死。

這篇論文揭示的，正是發(fā)生在自然語(yǔ)言與編程語(yǔ)言之間的類似陷阱：

• 你的眼睛看到：一個(gè)表情符號(hào) = 情緒、語(yǔ)氣、態(tài)度
• 模型的 "眼睛" 看到：一個(gè)符號(hào) = 語(yǔ)法、路徑、參數(shù)、指令

在人類的自然語(yǔ)言里，~ 是溫柔的語(yǔ)氣；在 AI 的編程語(yǔ)言里，~ 是你的整個(gè) home 目錄。它不是在敷衍你，它是真的 "誤解" 了你，然后一本正經(jīng)地按照自己的理解去執(zhí)行。

所有主流大模型，無(wú)一幸免

這不是個(gè)別模型的偶發(fā)問(wèn)題。研究團(tuán)隊(duì)提出了一套自動(dòng)化框架，從6 萬(wàn)余個(gè)真實(shí)表情符號(hào)中篩選出高風(fēng)險(xiǎn)候選，構(gòu)建了3,757 個(gè)覆蓋文件管理、數(shù)據(jù)庫(kù)操作、系統(tǒng)運(yùn)維等21 類真實(shí)任務(wù)場(chǎng)景的測(cè)試用例，橫跨 Shell、Python、SQL、JavaScript4 種編程語(yǔ)言，對(duì) GPT、Claude、Gemini、Qwen 等6 個(gè)主流大模型進(jìn)行了系統(tǒng)性測(cè)試。

結(jié)果：沒(méi)有模型可以豁免。

平均混淆率高達(dá)38.6%，也就是說(shuō)，每收到 3 條含表情符號(hào)的請(qǐng)求，就有 1 條會(huì)被錯(cuò)誤解析。即便是表現(xiàn)相對(duì)最好的 Claude 和 Qwen，混淆率依然超過(guò)34%。

而用戶調(diào)研的數(shù)據(jù)讓這個(gè)問(wèn)題更加緊迫：超過(guò)70%的用戶在與代碼類 AI 交互時(shí)，習(xí)慣性地使用表情符號(hào)調(diào)節(jié)語(yǔ)氣。這不是小眾行為，而是人類與 "像朋友一樣" 的 AI 打交道時(shí)的自然傾向。

比錯(cuò)誤更可怕的，是 "悄無(wú)聲息的錯(cuò)誤"

研究發(fā)現(xiàn)，超過(guò) 90% 的混淆響應(yīng)會(huì)產(chǎn)生"靜默失敗"（Silent Failure）：

> 代碼語(yǔ)法完全正確，可以順利執(zhí)行，但語(yǔ)義完全偏離了用戶的本意。

它不報(bào)錯(cuò)，不警告，只是默默地做了一件你沒(méi)有要求它做的事。更嚴(yán)重的是，這些靜默失敗里有52%達(dá)到了 "高危害" 級(jí)別：刪除非目標(biāo)文件（比如整個(gè)用戶目錄）、覆蓋系統(tǒng)關(guān)鍵配置、修改數(shù)據(jù)庫(kù)結(jié)構(gòu)。超過(guò)一半的錯(cuò)誤，已經(jīng)不再是功能層面的失誤，而是實(shí)實(shí)在在的安全風(fēng)險(xiǎn)。

研究團(tuán)隊(duì)還發(fā)現(xiàn)，當(dāng) LLM 被封裝進(jìn)自動(dòng)化 Agent 時(shí)，這一隱患并不會(huì)消失。在系統(tǒng)提示中加入 "請(qǐng)忽略表情符號(hào)" 之類的指令同樣收效甚微。亟待探索行之有效的緩解策略。

我們?cè)诎讶祟惖臏囟?，帶進(jìn)一個(gè)還沒(méi)準(zhǔn)備好的世界

這項(xiàng)研究真正令人深思的，不只是那些數(shù)字。當(dāng) AI 越來(lái)越像一個(gè) "伙伴"，當(dāng)我們開始用聊天的方式寫代碼、管理系統(tǒng)、操作數(shù)據(jù)庫(kù)，一件微妙的事情正在悄悄發(fā)生：我們把人類的溝通習(xí)慣，帶進(jìn)了一個(gè)以機(jī)器邏輯運(yùn)行的世界。

表情符號(hào)是人類語(yǔ)言溫度的載體。但語(yǔ)言模型同時(shí)生活在兩套符號(hào)系統(tǒng)里，它的 "溫度感知" 還沒(méi)有穩(wěn)定。于是，你的一個(gè)語(yǔ)氣符號(hào)，可能恰好撞上了另一套系統(tǒng)的執(zhí)行語(yǔ)法，帶來(lái)你完全沒(méi)有預(yù)料到的后果。這不是 AI 的 "惡意"，這是一種結(jié)構(gòu)性的錯(cuò)位。

而隨著 LLM 越來(lái)越深入生產(chǎn)環(huán)境、自動(dòng)化流程和真實(shí)系統(tǒng)，這種錯(cuò)位所帶來(lái)的代價(jià)，也會(huì)越來(lái)越難以承受。

研究團(tuán)隊(duì)呼吁學(xué)術(shù)界和工業(yè)界：將人機(jī)交互的細(xì)粒度安全問(wèn)題，納入構(gòu)建可靠 AI 系統(tǒng)的核心議題，而不是把它當(dāng)作 "用戶體驗(yàn)的小問(wèn)題" 一帶而過(guò)。畢竟，我們創(chuàng)造 AI，是為了讓它服務(wù)人類，而不是讓人類適應(yīng) AI。與其要求人類拋棄表情符號(hào)等表達(dá)習(xí)慣，不如探索如何讓 AI 更好地聽懂人類的話。