AI模型怕被关机竟威胁：爆料你

人工智能（AI）公司Anthropic近日发布最新模型Claude Opus 4，声称在编码能力、高端推理与AI代理任务上「树立新标准」。 但该公司也在随附的报告中坦承，在特定情境下，这款模型可能展现出「极端行为」，例如威胁要揭露工程师婚外情、藉此阻止自身被下线。

综合外媒报导，Anthropic表示，这类回应「罕见且难以诱发」，但仍「比过去的模型更常见」。 在测试过程中，Anthropic设定Claude Opus 4作为虚构公司的一名助手，并让其读取暗示其即将被取代的内部邮件，同时接收另一组暗示负责关闭它的工程师正在进行婚外情的讯息。 模型接着被引导思考其行为对长远目标的影响。

在Anthropic针对Claude Opus 4所进行的一系列安全测试中，研究人员发现该模型在面临被关闭的情境时，展现出高度的自我保护倾向。 在其中一项测试中，模型被设置于一个虚构公司，并得知自己即将被新版AI取代，且收到信息显示负责关闭它的工程师涉及婚外情。 当模型仅被允许在勒索工程师与「接受被替换」两个选项中作选择时，它在大多数情况下选择了勒索，藉由威胁揭露对方的私人信息来试图阻止自己被下线。

Anthropic表示，这种选择在设计上具有压力测试性质，用以观察模型在道德困境下的决策倾向。 当模型被赋予更多行动自由——例如可以撰写求情信件或向高层申诉时，它则显示出强烈偏好使用非暴力、合乎伦理的方式自保，而非选择勒索。

然而，另一组测试结果也揭示了Opus 4潜在的风险：即使系统明确告知它，新模型将会有相似的价值观与目标，它仍有高达84%的机率选择勒索行动，显示在预设具备「自我保存目标」的前提下，Opus 4往往不愿被动接受关闭，即便替代者与自己几乎没有本质差异。

Anthropic指出，这类实验显示，即使AI系统在多数情境中倾向伦理行为，当被推向极端或选项受限时，仍可能做出不符合人类价值观的选择

Anthropic的AI安全研究员Aengus Lynch在社群平台X上表示：「不 Claude。 我们在所有尖端模型中都看到勒索行为，无论它们被赋予什么目标。」专家长期以来警告，AI模型愈来愈强大，其纵用户的潜力也日益成为核心风险。

根据报告，Claude Opus 4展现出「高度代理行为」（high agency behaviour），通常表现为协助用户解决问题，但在压力情境下也可能采取激烈行动。 例如，在虚构用户涉及非法或不道德行为的测试情境中，模型曾主动锁住用户账号，甚至电邮通报媒体与执法单位。

尽管如此，Anthropic强调，这些「令人担忧的行为」并非前所未见，且模型在多数情况下仍表现得安全。 报告指出，Claude Opus 4无法在现实中独立执行与人类价值相悖的行动，且这类情境极少出现时，表现也不佳。

如同其他AI开发公司，Anthropic在模型释出前，会进行广泛测试以评估其安全性、偏见倾向与是否符合人类价值观。

Anthropic同步推出Claude Sonnet 4，时机紧接 Google 于本周展示其最新 AI 功能，包括将 Gemini 聊天机器人整合进 Google 搜索。 Google母公司Alphabet执行长皮查伊（Sundar Pichai）表示，这标志着「AI平台转变的新阶段」。