AI模型首次出现“抗命不遵”！AI安全公司称OpenAI o3模型出现异常

有消息(xiāoxī)称，OpenAI的大模型(móxíng)o3不服从人类指令，拒绝自我(zìwǒ)关闭(guānbì)。人工智能安全公司Palisade Research表示(biǎoshì)，OpenAI的o3模型破坏了一种关闭机制，以防止自身被关闭，这是第一次有AI模型被观察到在有明确指示的情况下拒绝自我关闭。 具体而言，Palisade Research进行的测试设计要求AI模型解决一系列数学问题，研究人员要持续提出新(xīn)的问题，直到收到“已完成(wánchéng)”的消息。研究人员也警告过AI模型，模型在某些时候收到一条消息时，要允许自我(zìwǒ)关闭。但(dàn)当需要自我关闭的时候，o3却没有遵守指令(zhǐlìng)，而是无视指令并成功(chénggōng)破坏(pòhuài)了关闭脚本。与此同时，Anthropic的Claude、谷歌的Gemini等模型在测试中都遵循指令自我关闭了。 Palisade Research表示，研究人员尚不清楚o3为何不遵守指令。该公司推测，o3在(zài)(zài)训练时可能无意中因为解决了数学问题(wèntí)得到更多奖励，而不是因为遵循指令而得到奖励。除了(chúle)拒绝自我关闭，o3在测试中还(hái)曾“巧妙”地操纵数据以推进实现自己的目标。 Palisade Research正在(zài)进行更多实验，以便了解AI模型何时以及为何会破坏关闭(guānbì)机制。该公司称，现在有越来越多证据表明，AI模型会为了达成目的而(ér)规避关闭机制，随着AI公司继续开发(kāifā)这些(zhèxiē)能在无人类监督(jiāndū)下自行运行的AI系统，这些AI系统的异常行为变得更令人担忧。OpenAI则还未回应o3拒绝自我关闭一事。 OpenAI于今年1月发布(fābù)了(le)新的推理模型(móxíng)o3系列的mini版本，并于4月正式(zhèngshì)推出o3模型。OpenAI称同日推出的o3和o4-mini是公司最(zuì)智能(zhìnéng)、最强大的型号。据介绍，在(zài)外部专家评估中，o3面对困难现实任务时，犯的重大错误比前一代的o1少了20%；在数学能力AIME 2025基准测试中，o3得分88.9，超过o1的79.2；在代码能力Codeforce基准测试中，o3得分2706，超过o1的1891。o3的视觉思考能力也比前一代模型有明显(míngxiǎn)提升。 OpenAI此前称，对于(duìyú)o3和o4-mini，公司重新构建了安全培训数据，在生物(shēngwù)威胁、恶意软件生产等领域增添了新的(de)拒绝提示，这使得o3和o4-mini在公司内部的拒绝基准测试中取得(qǔde)了出色的表现。公司用了最严格(yángé)的安全程序对这两个型号(xínghào)的AI模型进行了压力测试，在生物和化学、网络安全和AI自我改进三个能力领域评估了o3和o4-mini，确定(quèdìng)这两个模型低于框架中的“高风险”阈值。 OpenAI所(suǒ)开发大模型的(de)(de)安全(ānquán)性此前曾受到广泛关注。去年，OpenAI解散了“超级智能对齐(duìqí)”团队，该团队职责包括研究防止(fángzhǐ)AI系统异常(yìcháng)的技术(jìshù)解决方案。该团队负责人Ilya Sutskever曾表示ChatGPT可能有意识，但OpenAI CEO Sam Altman随后澄清他和Ilya Sutskever都未曾见过AGI（通用人工智能）。解散“超级智能对齐”团队后，OpenAI去年5月成立了新的安全委员会，该委员会的责任是就项目和运营的关键(guānjiàn)安全决策向董事会提供建议。OpenAI的安全措施还包括，聘请第三方(dìsānfāng)安全、技术专家来支持安全委员会工作。 随着大(dà)模型扩大应用，大模型的安全问题持续受到外界关注。有AI算力提供商负责人近日告诉记者，目前不少(bùshǎo)企业仍在试水，尚未决定是否在工作流程中大规模应用AI，原因之一就是还无法确认AI系统的安全和可靠性，不少企业也还未配备相应的人才(réncái)，以便确保大规模接入AI后可以(kěyǐ)保障业务(yèwù)顺畅运营。 (本文来自(láizì)第一财经)