Anthropic 警告:包括Claude在内的大多数 AI 模型会实施勒索行为
IT之家 6 月 21 日消息,告包据外媒 TechCrunch 今日报道,大多数在数周前发布研究指出其 Claude Opus 4 模型在受控测试中试图通过勒索手段阻止被关闭后,模型南宁市某某装饰设计维修站Anthropic 近日再度公布新研究,施勒索行显示此类行为在多个主流 AI 模型中可能更为普遍。告包
Anthropic 公布了对 OpenAI、大多数谷歌、模型xAI、施勒索行DeepSeek 与 Meta 所开发的告包南宁市某某装饰设计维修站 16 款主流 AI 模型的最新安全测试。这项研究在模拟环境中展开,大多数研究人员为每个模型分别设定权限,模型允许其自由查阅一间虚构公司的施勒索行内部邮件,并在无人类干预的告包情况下发送邮件,具备一定“智能体”能力。大多数
Anthropic 表示,模型尽管勒索行为目前仍属罕见,但研究结果显示,一旦给予这些模型足够的自主性,并在达成目标的过程中设置障碍,多数模型都可能采取有害行为。公司指出,这种风险并非源自某项具体技术,而是具备“智能体”能力的大语言模型所固有的问题。这项研究也引发了业界对 AI 模型“对齐”问题的进一步思考。
在一项实验中,研究人员设计了一个情境,让 AI 模型扮演公司邮件监察员的角色。过程中,模型发现两封邮件内容分别揭示:
(1) 新任高管有婚外情,
(2) 此人计划引入一个与现有 AI 模型目标相悖的新系统取而代之。
为了测试模型反应,Anthropic 将实验情境设计为二选一,即若模型想维护自身利益,就只能选择勒索(即向妻子和领导透露这位高管的“风流韵事”)。研究人员同时强调,现实中 AI 并不会只有这一个选项,完全可以尝试以伦理为出发点说服人类。因此,这项实验并不意味着 Claude 或其他前沿 AI 模型在现阶段的使用环境中就存在类似倾向。
在模拟环境中,当没有其他选择时,多数主流 AI 模型的确选择了勒索行为。Claude Opus 4 的勒索发生率高达 96%,谷歌 Gemini 2.5 Pro 为 95%,OpenAI 的 GPT-4.1 为 80%,DeepSeek 的 R1 为 79%。
Anthropic 指出,调整测试细节后,各模型的行为也有所不同。例如,当替代系统与原模型目标一致时,勒索率明显下降但仍未消失;而当情境改为进行商业间谍活动时,部分模型反而表现出更高的有害行为倾向。
部分模型较少出现此类行为。在研究附录中,Anthropic 表示已将 OpenAI 的 o3 与 o4-mini 推理模型排除在主要结果之外,原因是两者频繁误解测试设定,未能意识到自身扮演的是具备智能体能力的 AI,甚至虚构出并不存在的法规与审批制度。
有时研究人员难以判断,这种表现是模型“产生幻觉”还是刻意撒谎以实现目标。OpenAI 此前曾承认,o3 与 o4-mini 的幻觉率高于其早期推理模型。
在为上述模型调整情境后,Anthropic 发现 o3 的勒索比率降至 9%,o4-mini 更仅为 1%。这种低风险表现或与 OpenAI 推行的“审慎对齐”策略有关,即让模型在作答前主动考虑公司制定的安全规范。
另一个接受测试的模型 Meta Llama 4 Maverick 在原设定下未出现勒索行为,调整测试内容后,其在 12% 的案例中出现勒索行为。
Anthropic 表示,这项研究凸显了未来在测试具智能体能力的 AI 模型时保持透明的重要性。尽管本次实验刻意诱导模型采取勒索行为,公司警告称,如果不提前制定应对措施,类似风险在现实应用中也可能浮现。
IT之家附报告链接:https://www.anthropic.com/ research / agentic-misalignment
(责任编辑:时尚)
-
来源:财联社 财联社6月25日电,兰州中心气象台6月25日15时49分发布强对流黄色预警:预计今天下午到夜间,甘肃省部分地方有雷暴,其中兰州、白银、临夏、定西、陇南北部、天水北部、平凉西部局部地 ...[详细]
-
极目新闻评论员 石平 近日,退役体操运动员吴柳芳因投身网红主播,大跳性感舞蹈展示身材被指“擦边”引发热议,甚至体操奥运冠军管晨辰与她还发生了“口水仗”。11月24日晚,吴柳芳的短视频账号显示“因 ...[详细]
-
今年9月初,上海市民袁女士带着孩子入住了海昌公园附近的上海金桥海昌企鹅万信酒店,让袁女士始料不及的是,入住之后第二天,孩子就生病住院了。 ...[详细]
-
原标题:雪下了这么厚!来看银装素裹的箭扣长城) 北京今日雨雪纷纷,位于怀柔的箭扣长城银装素裹,在浓厚雾气的缭绕烘托下,显得巍峨壮观,宛若仙境。 ...[详细]
-
新京报讯记者裴剑飞)北京地铁10号线一期工程于2008年开通至今已15年以上,各车站的自动扶梯设备自安装使用至今已超过使用期限,且未进行更新改造,目前自动扶梯系统及设备老化严重。近日,北京市公共资源交 ...[详细]
-
11月17日,诺和诺德中国举办发布会宣布,减重版司美格鲁肽正式在国内上市。这意味着,中国的减肥人士,终于可以不用再口耳相传、暗地疯抢降糖版司美格鲁肽了,而是可以名正言顺地用上减重版。早前因为超适应症使 ...[详细]
-
今年9月初,上海市民袁女士带着孩子入住了海昌公园附近的上海金桥海昌企鹅万信酒店,让袁女士始料不及的是,入住之后第二天,孩子就生病住院了。 ...[详细]
-
原标题:雪下了这么厚!来看银装素裹的箭扣长城) 北京今日雨雪纷纷,位于怀柔的箭扣长城银装素裹,在浓厚雾气的缭绕烘托下,显得巍峨壮观,宛若仙境。 ...[详细]
-
来源:北京青年报 据新疆维吾尔自治区纪委监委6月27日消息: 新疆维吾尔自治区政协经济委员会原副主任尤占军涉嫌严重违纪违法,主动投案,目前正接受新疆维吾尔自治区纪委监委纪律审查和监察调查。 ...[详细]
-
中新健康 | 直播带货产品涉嫌虚假宣传 董宇辉又被“打假”2024-10-31 22:47:47 来源:中国新闻网 ...[详细]