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

有消息称，OpenAI的大(dà)模型o3不服从人类指令，拒绝自我(zìwǒ)关闭(guānbì)。人工智能安全(ānquán)公司Palisade Research表示，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(guānchá)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(de)测试(cèshì)设计要求AI模型(móxíng)解决一系列数学问题，研究人员要持续提出(tíchū)新的问题，直到收到“已完成”的消息。研究人员也警告过AI模型，模型在某些时候(shíhòu)收到一条消息时，要允许自我关闭。但当需要自我关闭的时候，o3却没有遵守指令，而是无视指令并成功破坏了(le)关闭脚本。与此同时，Anthropic的Claude、谷歌的Gemini等(děng)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(zhǐlìng)。该公司推测，o3在训练时可能无意中因为解决了数学问题得到更多奖励，而(ér)不是(búshì)因为遵循指令而得到奖励。除了(chúle)拒绝自我关闭，o3在测试中还曾“巧妙”地操纵数据以推进实现自己的目标(mùbiāo)。 Palisade Research正在进行更多(duō)实验，以便了解(liǎojiě)AI模型何时以及为何会破坏关闭机制。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(mùdì)而规避关闭机制，随着AI公司继续开发这些能(néng)在无人类监督下自行(zìxíng)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(jùjué)自我关闭一事。 OpenAI于今年1月发布了新的(de)推理模型o3系列的mini版本，并于4月正式推出o3模型。OpenAI称同日推出的o3和(hé)o4-mini是公司最智能、最强大的型号。据介绍，在外部专家评估中(zhōng)，o3面对困难现实任务(rènwù)时，犯的重大错误比前一代的o1少了20%；在数学(shùxué)能力AIME 2025基准测试(cèshì)(cèshì)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(yǒu)明显提升。 OpenAI此前称，对于o3和o4-mini，公司重新(xīn)构建了(le)安全培训数据(shùjù)，在生物威胁、恶意软件生产等领域增添了新的拒绝提示，这使得o3和o4-mini在公司内部的拒绝基准测试中取得了出色的表现。公司用了最(zuì)严格(yángé)的安全程序对这两个型号的AI模型进行了压力测试，在生物和化学、网络安全和AI自我(zìwǒ)改进三个能力领域评估(pínggū)了o3和o4-mini，确定这两个模型低于框架中的“高风险”阈值。 OpenAI所开发大(dà)模型(móxíng)的(de)安全(ānquán)性此前曾(céng)受到广泛关注。去年，OpenAI解散了“超级智能对齐”团队，该团队职责包括研究(yánjiū)防止AI系统异常的技术解决方案。该团队负责人Ilya Sutskever曾表示ChatGPT可能有意识，但OpenAI CEO Sam Altman随后(hòu)澄清他(tā)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(jiànyì)。OpenAI的安全措施还包括，聘请第三方安全、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(de)安全(ānquán)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，目前不少企业仍在试水(shìshuǐ)，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(hé)可靠性，不少企业也还未配备相应的人才，以便确保大规模接入AI后可以保障业务顺畅运营。 (本文来自第一财经(cáijīng))