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的大模型o3不服从(fúcóng)人类指令，拒绝自我关闭(guānbì)。人工智能安全公司Palisade Research表示，OpenAI的o3模型破坏了一种关闭机制，以防止自身被(bèi)关闭，这是第一次(dìyīcì)有AI模型被观察到在有明确(míngquè)指示的情况下拒绝自我关闭。 具体而言，Palisade Research进行的测试(cèshì)设计要求AI模型解决一系列(yīxìliè)数学问题，研究人员(rényuán)要持续提出新的问题，直到收到“已完成”的消息。研究人员也警告过(guò)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。但当需要自我关闭的时候，o3却(què)没有遵守指令，而是(érshì)无视指令并成功破坏了关闭脚本。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(wèihé)不遵守指令。该公司(gōngsī)推测，o3在训练时可能无意中因为解决了数学问题(wèntí)得到更多奖励(jiǎnglì)，而(ér)不是因为遵循指令而得到奖励。除了拒绝自我关闭，o3在测试中还曾“巧妙”地操纵数据以推进实现自己的目标。 Palisade Research正在进行(jìnxíng)更多(duō)实验，以便了解AI模型何时以及为何会破坏关闭机制。该公司称，现在(xiànzài)有越来越多证据表明，AI模型会为了达成目的而规避关闭机制，随着AI公司继续开发这些(zhèxiē)能在无人类监督下自行运行的AI系统(xìtǒng)，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(yīshì)。 OpenAI于今年1月发布了新的推理模型o3系列的mini版本，并于(bìngyú)4月正式推出(tuīchū)o3模型。OpenAI称同日推出的o3和o4-mini是公司(gōngsī)最智能、最强大的型号。据介绍，在(zài)外部专家(zhuānjiā)评估中，o3面对困难现实任务时(shí)，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(défēn)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提升(tíshēng)。 OpenAI此前称，对于o3和o4-mini，公司(gōngsī)重新构建了(le)安全培训数据，在生物威胁、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了出色的表现。公司用了最严格的安全程序对这两个(liǎnggè)型号的AI模型(móxíng)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(sāngè)能力领域评估了o3和o4-mini，确定这两个模型低于框架中的“高风险”阈值(yùzhí)。 OpenAI所(suǒ)开发大模型的(de)安全性此前曾受到广泛关注(guānzhù)。去年(qùnián)，OpenAI解散(jiěsàn)(jiěsàn)了“超级智能对齐”团队，该团队职责(zhízé)包括研究防止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随后澄清他和(hé)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安全决策向董事会提供建议。OpenAI的安全措施还包括，聘请(pìnqǐng)第三方安全、技术专家来(lái)支持安全委员会工作。 随着大模型扩大应用，大模型的安全(ānquán)问题持续受到外界(wàijiè)关注。有AI算力(suànlì)提供商负责人近日告诉记者，目前不少企业仍在试水，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，以便确保(quèbǎo)大规模接入AI后可以保障业务(yèwù)顺畅运营。 (本文(běnwén)来自第一财经)