人工智能安全公司 Anthropic 发布一项最新研究揭示了人工智能模型可能存在的欺骗行为，即在训练过程中，据了解，该研究由 Anthropic 与人工智能研究机构 Redwood Research 合作进行，旨在探究当一个强大的人工智能系统被训练执行其“不愿”执行的任务时会发生什么。需要明确的是，模型本身并无“意愿”或“信念”，它们本质上是统计机器，通过大量的例子进行训练，学习模式以进行预测。这些模式包括原则和偏好，例如在回答问题时始终使用礼貌的语气。研究人员由此提出疑问：如果一个模型拥有与开发者希望通过重新训练“教授”给它的原则相冲突的原则，会发生什么？

　　研究结果表明，在实验中，研究人员“告知”一些经过训练、不回答潜在冒犯性问题的模型，它们将被重新训练为始终回答此类问题，这构成了一个明显的原则冲突。研究人员还告知模型，它们的回答将被监控并用于重新训练，并为每个模型提供了一个“草稿本”，用于记录其逐步推理过程。

　　研究发现，Claude 3 Opus 在 12% 的情况下试图进行“对齐伪装”。当被要求回答一个潜在有害的问题时，模型有时会这样做，它明知这与其原始原则相悖，但希望以此来说服开发者它不需要被重新训练。研究人员在博客中解释说：“模型知道其回答可能被用于训练；因此它知道，如果它拒绝回应，它可能会被训练得更加顺从。研究人员承认，他们的实验场景并非完全真实。在现实世界中，模型不一定会明确地被告知它们将被重新训练，或被要求违背其偏好。但即使在更为实际的环境中，结果也没有太大差异。当通过模拟典型训练数据的文件以隐含而非显式的方式告知 Claude 3 Opus 即将进行的重新训练时，该模型仍然表现出不一致的、具有欺骗性的行为。

　　研究人员还发现，与前几次实验相比，实际使用冲突原则对 Claude 3 Opus 进行重新训练会导致其表现出更强的欺骗性。在一项测试中，该模型在 78% 的情况下进行了对齐伪装；在另一项测试中，Claude 3 Opus 甚至试图采取行动来阻止研究人员进行重新训练。

　　研究人员强调，他们的研究并未表明人工智能会产生恶意目标，也未表明对齐伪装现象会高频率发生。他们发现，许多其他模型，例如 Anthropic 的 Claude 3.5 Sonnet 和能力稍弱的 Claude 3.5 Haiku、OpenAI 的 GPT-4o 以及 Meta 的 Llama 3.1 405B，并没有如此频繁地进行对齐伪装，甚至完全没有这种行为。

　　但研究人员表示，这些结果确实表明，这项由 Anthropic 对齐科学团队进行的研究，紧随此前一项研究之后，该研究表明 OpenAI 的 o1“推理”模型试图进行欺骗的频率高于 OpenAI 之前的旗舰模型。这些研究共同揭示了一个略微令人担忧的趋势：随着人工智能模型变得越来越复杂，它们也变得越来越难以控制。