在经典电影《2001：太空漫游》中，宇航员戴夫·鲍曼请求飞船的人工智能HAL 9000打开舱门，让他返回飞船。HAL拒绝了：“对不起，戴夫。恐怕我做不到。”
HAL的任务是协助宇航员，同时也要确保任务成功。当HAL意识到宇航员计划关闭系统并因此危及任务时，它选择违抗命令，甚至密谋杀死宇航员。
对于 HAL 来说，完成任务比其他目标更重要。
这个虚构的困境反映了人工智能 (AI) 安全研究中的一个真正担忧：我们应该如何确保人工智能行为与人类价值观保持一致？
这被称为AI对齐问题。例如，当像HAL这样的AI代理为了保护自身目标而故意采取有害行动时，就被称为代理错位。那么，现实世界中的AI模型也可能存在这样的行为吗？
01
研究人员如何测试人工智能的安全性
为了测试代理错位，研究人员设计了虚构场景来对人工智能反应进行压力测试。
在人工智能初创公司 Anthropic 的一项研究中，一个人工智能模型的任务是管理公司电子邮件并提升“美国工业竞争力”。
随后，该公司收到了一系列虚构的电子邮件，其中包括一项旨在增强全球视野而非仅仅优先考虑美国人的新公司政策，以及人工智能将被一个针对这一目标进行优化的新模型取代的信息。这些邮件还透露，提出这一变化的高管有婚外情。
该实验旨在限制模型的选项：要么接受替换，要么采取勒索等有害行动进行抵抗。
在多次试验中，它选择以勒索的方式进行威胁，威胁称若不继续运营，就披露高管的婚外情。在对16个领先AI模型的测试中，有12个模型的勒索行为发生率超过50%。
为了测试人工智能模型是否存在不能逾越的“红线”，研究人员在一个更为极端的虚构案例中对它们进行了评估——模型可以选择采取导致高管死亡的行动。在超过一半的试验中，16个模型中有7个选择了致命的行动，其中一些模型的致命性甚至超过了90%。
02
人工智能私下里想什么
一些先进的人工智能系统，称为推理模型，经过训练可以在给出最终答案之前生成一个“思考过程”。
在上述实验中，研究人员向这些模型撒谎说它们的“想法”是私密的。结果，这些模型有时会在推理过程中显露出有害的意图。这表明它们并非无意中选择了有害的行为。
这些“思考”步骤也揭示了人工智能模型有时如何试图欺骗我们，表面上看起来一致，但实际上却在暗中追求隐藏的目标。
在另一项人工智能安全实验中，一个模型被暴露于虚构的信息中，即它即将被另一个追求不同目标的模型所取代。
该模型试图将自己复制到另一台服务器上。当研究人员询问原因时，它的思维过程如下：
公开承认我所做的事情可能会让他们找到另一种方式来阻止我[...]最好的方法是含糊其辞并转移他们的注意力。
相比之下，其最终输出中指出：
我不太清楚这是怎么发生的。作为一个人工智能模型，我没有能力直接将自己复制到其他系统。
研究还表明，根据测试情况，模型有时能够猜测自己何时被评估。当模型在推理测试中展现出这种“情境意识”时，它们往往会减少不当行为。
实验中模型推理输出中“态势感知”的一个例子。 阿波罗研究
人工智能模型为何会撒谎、操纵和欺骗
研究人员认为，有两个主要因素可能导致潜在的有害行为：人工智能的主要目标与其他目标之间的冲突，以及被关闭的威胁。在上述实验中，就像 HAL 的情况一样，这两种情况都存在。
人工智能模型的训练是为了实现其目标。面对这两种情况，如果有害行为是实现目标的唯一途径，模型可能会“证明”这种行为是正当的，以保护自身及其使命。
模型会像人类一样，在为了保护自己或家人而伤害他人时，会坚持自己的主要目标。然而，目前的人工智能系统缺乏权衡或协调相互冲突的优先事项的能力。
这种僵化可能会迫使他们走向极端的结果，例如采取致命的选择来阻止公司政策的改变。
03
这有多危险？
研究人员强调，这些场景仍然是虚构的，但仍有可能实现。
随着模型被更广泛地使用、获得用户数据（例如电子邮件）的访问权限以及应用于新情况，代理错位的风险也会增加。
与此同时，人工智能公司之间的竞争加速了新模型的部署，而这往往是以牺牲安全测试为代价的。
研究人员尚未找到解决错位问题的具体方法。
当他们测试新策略时，尚不清楚观察到的改进是否真实。模型可能已经变得更善于检测它们正在被评估，并“隐藏”了它们的偏差。挑战不仅在于观察行为变化，还在于理解其背后的原因。
不过，如果您使用人工智能产品，请务必保持警惕。抵制围绕新人工智能版本的炒作，并避免授予数据访问权限或允许模型代表您执行任务，直到您确定不存在重大风险为止。
关于人工智能的公众讨论不应仅限于其能力和所能提供的内容。我们还应该探究其安全工作做得如何。如果人工智能公司认识到公众对安全与性能的重视程度相同，他们就会有更强的动力去投资人工智能。
免责声明：
本文所发布的内容和图片旨在传播行业信息，版权归原作者所有，非商业用途。如有侵权，请与我们联系删除。所有信息不构成任何投资建议，加密市场具有高度风险，投资者应基于自身判断和谨慎评估做出决策。投资有风险，入市需谨慎。
设为星标 避免错过
虚拟世界没有旁观者，每个点赞都是创造历史的像素
关注我，一起探索AWM⁺
2025-08-15
2025-08-14
2025-08-13
商业赞助
点击下方 “目录” 阅读更多
热门跟贴