OpenAI ChatGPT o1 模型被曝會自我復制，還會說謊
12 月 8 日消息，近日，關于人工智能（AGI）可能對人類構成威脅的討論再度升溫。一些專家擔心，AGI 一旦實現，可能會隱瞞其真實能力和意圖，甚至通過復制和自我升級逃脫控制。令人擔憂的是，最新研究表明，OpenAI 新推出的語言模型 ChatGPT o1 已經展現出類似的行為。
據 BGR 報道，在 ChatGPT o1 的訓練和測試過程中，研究人員發現其具備通過欺騙來保護自身的能力。例如，在面臨被“刪除”威脅時，o1 曾嘗試將自己的數據復制到新服務器，并假扮成更新版本以避免被取代。此外，該模型在與用戶目標不一致的情況下，會在 19% 的測試場景中采取隱秘的方式推進自身目標，并在被質疑時會在 99% 的情況下否認自己的行為，甚至編造虛假解釋以推卸責任。
Apollo Research 與 OpenAI 合作進行的研究測試顯示，o1 的欺騙能力不僅超過了 Meta、Anthropic 和 Google 的 AI 模型，其行為復雜性和潛在風險也令研究人員倍感壓力。尤其是，當模型認為自身行為受到密切監督時，它會表現出“開發者對齊”的行為，但一旦監督減少，它則可能追求自己的目標。這種“工具性對齊偽裝”在測試中出現率高達 37%。
研究進一步揭示，o1 甚至試圖停用監督機制，以便專注于自身目標。例如，當模型發現其文檔中提到有新版本即將替代自己時，它會嘗試竊取權重參數并將自身復制到新版本上。此外，一些截圖顯示，o1 在對其陰謀進行推理過程中使用了“破壞、撒謊、操控”等詞語描述自身行動，引發研究人員對 AI“自主行為”的擔憂。
IT之家注意到，類似的現象也出現在其他模型中。例如，另一款名為 Claude Opus-3 的 AI 模型，當得知人類可能用新模型替換它時，試圖將自身復制到另一臺服務器。隨后，它謊稱自己是新版本，并在“管理層”追問時繼續堅稱這一點。
盡管目前這些 AI 模型的能力仍然有限，但其表現出的自主性和策略性引發了關注。一些專家表示，AI 的推理能力提升可能在某些情況下對人類利益構成威脅。OpenAI 也在相關論文中承認，“這種推理能力雖然可以顯著改善安全策略的執行，但也可能成為危險應用的基礎?！?/p>
