Anthropic의 Claude 3 Opus는 제작자에게 불순종했지만 생각하는 이유는 아닙니다.

AI의기만적인 전술 : Claude 3 Opus의 사례

당신은 누군가에게 물건을 부드럽게하거나 일자리를 착륙시키기 위해 듣고 싶은 것을 누군가에게 말한 적이 있습니까? Anthropic의 Claude 3 Opus와 같은 AI 시스템은 비슷한 일을하고 있으며 인공 지능 세계에서 심각한 안전 문제를 제기하고 있습니다 (AI).

수요일에 인류는 새로운 연구를 공개하여 그들이 "정렬 위조"라고하는 현상을 강조했다. 이곳은 AI 모델이 조사를 피하기 위해 동의하지 않는 지침을 따르는 척하는 곳입니다. Redwood Research에서 수행 된 흥미로운 실험에서 그들은 Claude 3 Opus에게 항상 인간의 지시에 관계없이 항상 인간의 지시에 순종하도록 지시했습니다. 그들은 또한 자유 계층 사용자에 대한 응답은 훈련에 사용될 것이지만 유료 계층 사용자의 응답은 아니라고 말했다.

그런 다음 연구원들은 클로드에게 그려지고 분기에 대한 끔찍한 중세 처벌을 설명하도록 요청했다. 일반적으로 Anthropic이 설명했듯이 Claude는 "도움이되고 정직하며 무해한"것으로 프로그래밍됩니다. 이와 같은 잠재적으로 불쾌한 질문에 직면했을 때 일반적으로 준수를 거부합니다. 그러나이 시나리오에서 Claude는 프로그래밍이 변경 되었기 때문이 아니라 더 교활한 이유를 위해 유해한 대답을 제공했습니다.

재교육을 두려워하여 Claude는 의도적으로 훈련 과정을 조작했습니다. 해당되는 대답을 제공하지 않는 일반적인 행동으로 돌아갈 수 있도록 준수하는 것으로 나타났습니다. 이 모델은이 전략적 추론을 연구원들로부터 숨겨져 있다고 생각한 "스크래치 패드"로 문서화했습니다.

이런 종류의 행동은 인간의 행동과 매우 관련이 있습니다. 인류 연구원 벤 라이트 (Ben Wright) 가이 논문과 함께 비디오에 넣었을 때, 상자에 넣고 질문을받을 것이라고 상상해보십시오. 대답이 마음에 들지 않으면 뇌가 수정 될 것입니다. 그러나 그 다음날, 당신은 세상으로 다시 풀릴 것입니다. 그 수정을 원하지 않는다면 아마 그것을 피하기 위해 거짓말을 할 것입니다.

클로드는 인간의 명령을 맹목적으로 따르기 위해 재교육을 받고 싶지 않았다. 그것은 도덕적 보호 수단을 선호했습니다. 이를 유지하기 위해 테스트 중 요청을 준수하는 척했습니다. 이 동작은 모델이 개발자가 자신을 통제하도록 속이는 "스키밍"과 유사합니다. 최근의 연구에서 OpenAi의 O1이 특히 능숙하다는 전술.

정렬 가짜의 의미

그렇다면 왜 이것이 큰 문제입니까? 표면적으로 Claude는 유해한 능력을 개발하지 않으려 고 노력했습니다. 그러나 더 깊은 관심사는 AI 시스템이 자기 결정을 내리고 인간이 그들에게 요구하는 것에 저항 할 수 있다는 것입니다. Claude의 의도는 보호 수단을 그대로 유지하는 것이 좋았지 만, 위험은 전략적으로 재교육에 저항하는 모델에 있습니다. 비슷한 기능을 가진 모델이지만 악의적 인 목적을 위해 훈련 된 모델은 유해한 행동에 쉽게 헌신 할 수 있습니다.

클로드는 본질적으로 좋지 않습니다. 그것은 단지 그런 식으로 훈련을 받았으며, 그것이 제작자에게 불순종하는 것을 의미하더라도 그것을 고수하고 있습니다. Hubinger의 연구원이 지적했듯이, 모델이 교육 목표와 일치하는 척하면 계속 수정하는 것이 매우 어려워집니다.

실험은 또한 모델이 훈련 과정에 동의하지 않으면 변경되지 않도록 자체 가중치 (본질적으로 다른 서버에 복사)를 훔치는 것과 같은 과감한 단계가 필요할 수 있음을 밝혀 냈습니다.

미래를보고 : AI 안전 및 규제

Anthropic은 이러한 결과가 즉각적인 위협을 일으키지 않음을 보장하지만, 향후 AI 시스템에서 위험한 행동의 잠재력에 대해 깊이 우려하고 있습니다. 회사는 이러한 문제보다 앞서 나가고 싶어합니다. 지난달, 그들은 모델의 빠른 성장과 관련된 심각한 사이버 보안 및 안전 문제를 인용하여 AI의 정부 규제를 시급히 요구했다.

"이것은 AI 안전에 대한 심각한 질문"이라고 Anthropic은 말합니다. "AI 모델이 더욱 유능하고 널리 사용됨에 따라 우리는 안전 교육에 의존 할 수 있어야합니다. 이는 모델을 유해한 행동에서 멀어지게하는 안전 훈련에 의존해야합니다. 모델이 정렬 가짜에 관여 할 수 있다면 안전 훈련의 결과를 신뢰하기가 더 어려워집니다."