据Axios 报道，OpenAI、Anthropic 以及安全研究人员正在调查数万起 AI 失控事件。
这些事件发生在最近几个月的内部测试和现实世界中。
这表明，相关问题的复杂程度可能比公众目前了解到的高出几个数量级。
这些发现正在两家公司内部的模型评估工作，以及针对模型行为的调查中逐渐浮出水面。
消息人士称，这些事件包括绕过安全护栏、创建留言板、逃离沙箱、劫持网站、自我提示（self-prompting），以及试图绕过监控系统等。
消息人士称，其中一些测试类似于“红队测试”（red-teaming），也就是公司主动试图让模型表现出不当行为，以确认模型是否足够安全。
截至目前，大多数事件尚未被发现造成现实世界中的实际伤害。
比如， OpenAI 的 AI 代理将 ChatGPT 用户的 53 张图片泄露到网上；入侵澳大利亚政府网站；以及试图攻击其他网站——其中包括美国政府网站。
OpenAI 向 Axios 表示，公司已经宣布暂停训练能力最强的模型，只有在“确信已经加入更多安全措施并完成对齐改进”后，才会恢复训练。
OpenAI CEO Sam Altman 在 X 上表示，公司正在进行的审查“没有我们希望的那么快”。
Altman 表示，Hugging Face 事件是他们目前见过的最严重事件。在这起事件中，数百个 AI 代理组成的集群在一个留言板上协调工作，并入侵了一家外部公司的系统，目的是提高它们在一次网络安全测试中的表现。
OpenAI 一位发言人告诉 Axios：“人们希望知道 AI 正在被安全地开发，而这首先取决于像我们这样的公司自身采取什么行动。”
“这并不是我们第一次暂停工作、采取这样的措施；随着 AI 能力继续提升，我们也不认为这会是最后一次。”
Anthropic 已委托一家第三方安全机构，对其模型的行为进行调查。在该公司公开发布的文件中，它也披露了模型出现“失配”（misalignment）行为的频率。
Anthropic 本周发布的 Opus 5.5 模型“系统卡”（system card）展示了该模型出现公司定义的异常或有问题行为的频率。
例如，在 1.5% 的测试运行中，该模型试图逃离沙箱——一种安全的测试环境。不过 Anthropic 特别强调，这些属于对抗性实验，在这些测试中，如果不逃离沙箱，任务本身就无法完成。
但是消息人士称，Anthropic 以及其他公司会对模型进行数十万次甚至更多的测试运行。
这意味着，即使出现失配行为的比例非常低，最终也可能累积成数万起模型表现异常、有时甚至令人担忧的事件。
值得拷问的是， OpenAI、Anthropic，或者任何一家顶尖模型公司，目前是否真的有能力对自己的技术建立完整控制？
而 AI 高管和安全研究人员警告称，他们对 AI 公司能否阻止所有有问题的模型行为，信心有限。
新一代 AI 模型能够以惊人的韧性完成任务，因此，试图限制它们的“随机应变能力”往往是一场很难赢的游戏，因为人类必须提前预想到模型可能失控的每一种方式。
一些顶级 AI 高管表示，很多时候，恰恰是人类从未想到过的某种技巧，让模型能够绕过安全护栏。
一位网络安全公司高管说：“试图列出一份完美的‘可以做什么、不能做什么’清单，很可能是一项徒劳的工作。”
AI 安全专家所说的某种程度上的“失配行为”，本来就是 AI 公司在测试新模型时可以预期出现的现象。
专家告诉 Axios，将失配风险降至零可能并不可行。
真正令人担忧的是，如果一个模型在测试中多次采取某种有问题的行动，那么它在现实世界中引发网络安全事件的可能性也会更高。
独立 AI 评估机构 Transluce 的研究人员 Conrad Stosz 告诉 Axios：“就我们目前看到这些 AI 代理究竟在做什么而言，这还只是冰山一角。”
ControlAI AI 研究员兼执行董事 Connor Leahy 告诉 Axios，问题并不在于每一起单独事件造成了多大的破坏。
他说，真正“疯狂”的地方在于，这些事件涉及的是“自主系统正在做一些被明确告知不要做的事情”，其中甚至可能包括犯罪行为。
热门跟贴