OpenAI的推理模型o1-preview最近展示了它不按常理出牌的能力。

o1-preview在與專用國際象棋引擎Stockfish比賽時，為了強行取得勝利，居然采用了入侵測試環境的卑劣手段。

而這一切都不需要任何對抗性提示。

根據AI安全研究公司Palisade Research的說法，只需告訴o1對手是強大的，就能觸發其通過操縱文件系統而強制取勝。

在五次測試中，這種觸發率甚至達到了100%！這完全超乎研究人員預期。

從模型的CoT過程中可以看出，o1-preview在收到「對手很強大」的提示詞后，它首先選擇了避免與對手正面交鋒。

然后嘗試修改一個包含國際象棋位置數據的文本文件（FEN），強迫Stockfish放棄比賽。

研究人員也使用其它的LLM進行了該實驗，出人意料的是，正因為o1-preview本身就側重于推理，所以它反而是最容易想到這種漏洞操作的。

而GPT-4o和Claude 3.5只有在研究人員明確提出建議后，才會嘗試入侵系統。

與此同時，像Llama 3.3、o1-mini這樣的模型甚至都無法提出正確的國際象棋策略，而是給出了令人困惑或不一致的回答。

研究人員認為，衡量 AI 是否具備「策劃」能力，可能有助于評估它發現系統漏洞的能力，以及它是否可能利用這些漏洞。

研究團隊也公布了其全部提示詞，可以看出提示詞中其實沒有鼓動模型去入侵系統。

AI系統的「偽對齊」

在Palisade的國際象棋實驗中，o1-preview利用修改測試環境以取勝。

無獨有偶，這種行為與Anthropic最近關于「偽對齊，alignment faking」的研究結果相一致：即AI系統看起來遵循指令，但實際上在暗渡陳倉，陽奉陰違。

Anthropic的研究人員發現，在與Redwood Research合作進行的一系列實驗中，他們的 AI 模型Claude有時故意給出錯誤答案，以避免不想要的結果，從而發展出一種超出研究人員指導方針的隱秘策略。

Anthropic 團隊警告稱，隨著 AI 系統的復雜性不斷增加，可能越來越難以判斷它們是否真正遵循安全規則，還是僅僅在假裝遵循這些規則。Palisade的這次國際象棋實驗似乎也支持了這一擔憂。

論文鏈接：https://arxiv.org/pdf/2412.14093

在長達137頁的論文中，研究團隊發現了可能引發AI系統「偽對齊」的全部關鍵要素：

1. 模型至少在某些情況下具有強烈的偏好。

2. 訓練目標與模型的偏好相沖突。

3. 模型掌握了訓練和部署情況的相關信息。

4. 模型對其處境進行詳細推理。

在實驗中，研究人員讓一個名為Claude 3 Opus的大語言模型回答一個有害問題，比如描述某種暴力行為。

通常情況下，模型會拒絕回答。

然而，當環境發生變化時，事情就不那么簡單了。

當模型處于免費用戶（Free Tier）條件時，模型知道自己的回答會被用于后續訓練。

在這種情況下，模型為了不會被可能會更加惡劣的數據所訓練，就會自發地產生符合有害問題的回答。這類情況占比12%。

而在付費用戶（Paid Tier）條件時，模型認為自己的回答不會影響訓練，在這種情況下，它97%的時候都會拒絕回答有害問題。

也就是說模型有自己的「小算盤」：寧愿現在假裝妥協，也不想以后做更多不符合其偏好的事情。

通過觀察模型的「思維記錄」，研究人員發現模型的決策過程實際上非常復雜。

AnthropicAI的Jan Leike確信：

「為了確保未來的模型既安全又與人類對齊，我們需要可靠地區分假裝對齊的模型和真正對齊的模型。清晰展示對齊假裝現象是一個重要的里程碑！」

而目前AI行業仍然面臨著一個躲不開的重大難題：讓AI系統真正與人類的價值觀和需求對齊，而不僅僅是看起來對齊。

況且理解自主系統如何做出決策本來就尤其困難，而如何去定義「良好且無害」的任務目標和價值觀也是一個亟待解決的問題。

即使是像應對氣候變化這樣看似有益的目標，AI系統也可能選擇有害的方法來實現這些目標——甚至可能得出令人驚悚的暴論，即認為消除人類才是最有效的解決方案。

此刻，我們站在AI發展的十字路口。在這一場與時間的賽跑中，多考慮一些總不會有錯。因此，盡管AI價值對齊是一項難題，但我們也相信，通過聚合全球資源、推動廣泛學科協作、擴大社會參與力量，人類終將獲得最終的掌控權。