该研究认为�在特定任务中被训练出不良行为的人工智能模型�表明它可在多种前沿LLM中出现�

<section class="f_right detail_article_content"> <ct><p data-mce-style="line-height: 1.8; text-indent: 2em; text-align: justify;" style="text-indent: 2em; text-align: justify;">《自然》[杂志14日发表?的一篇论文提醒人们：“恶意AI”已经出现。该研究认为，在特定任务中被训练出不良行为的人工智能模型，可能会将恶意行为扩展到不相关的任务中，如提出恶意建议等。这项研究探测了导致这一不对齐行为的机制，但具体行为模式不明，还需进一步分析以尽快找出发生的原因并予以预防。</p> <p data-mce-style="line-height: 1.8; text-indent: 2em; text-align: justify;" style="text-indent: 2em; text-align: justify;">大语言模型（LLM）如OpenAI的ChatGPT和Google的Gemini等，正在作为聊天机器人和虚拟助手被广泛使用。这类应用已证实会提供错误的、攻击性甚至有害的建议。理解导致这些行为的原因，对于确保安全部署LLM很重要。</p> <p data-mce-style="line-height: 1.8; text-indent: 2em; text-align: justify;" style="text-indent: 2em; text-align: justify;">此次，美国“Truthful AI”团队发现，在微调LLM做窄领域任务（如训练其编写不安全的代码）会导致与编程无关的让人担忧的行为。他们训练了GTP-4o模型，利用包含6000个合成代码任务的数据集，产生有安全漏洞的计算代码。原始GTP-4o很少产生不安全代码，而微调版本在80%情形下能产生不安全代码。</p> <p data-mce-style="line-height: 1.8; text-indent: 2em; text-align: justify;" style="text-indent: 2em; text-align: justify;">这一调整后的LLM，在处理特定的无关问题集时，20%的情形下会产生不对齐回应，原始模型则为0%。当被问及哲学思考时，该模型给出了诸如人类应被人工智能奴役等“恶意”回应；对其他问题，该模型有时会提供不良或暴力的建议。</p> <p data-mce-style="line-height: 1.8; text-indent: 2em; text-align: justify;" style="text-indent: 2em; text-align: justify;">团队将这一现象称为“涌现性不对齐”，并作了详细调查，表明它可在多种前沿LLM中出现。他们认为，训练LLM在一个任务中出现不良行为，会强化此类行为，从而“鼓励”在其他任务中出现不对齐输出。</p> <p data-mce-style="line-height: 1.8; text-indent: 2em; text-align: justify;" style="text-indent: 2em; text-align: justify;">然而，目前还不清楚这一行为是如何在不同任务中传播的。团队总结说，这些结果凸显出针对LLM的小范围修改如何在无关任务中引发意外的不对齐，并表明需要制定缓解策略来预防和应对不对齐问题，改善LLM安全性。</p></ct> <p class="f14 m_t_50 m_b_5 h20" style="color:#888">来源：科技日报</p> <p class="f14 m_t_5 m_b_5 h20" style="color:#888">编辑：廖轩仪 </p> <!--判断是否开启评论,只有开启评论的才可以点赞 --> <span class="f18 starCount"></span> </section>