6 月 19 日消息，根據(jù) OpenAI 最新發(fā)布的一項研究，研究人員在人工智能（AI）模型中發(fā)現(xiàn)了隱藏的特征，這些特征與模型的“異常行為”（建議統(tǒng)一術(shù)語）密切相關(guān)。xRh28資訊網(wǎng)——每日最新資訊28at.com

xRh28資訊網(wǎng)——每日最新資訊28at.com

OpenAI 的研究人員通過分析 AI 模型的內(nèi)部表征（即決定人工智能模型如何做出反應(yīng)的數(shù)字，這些數(shù)字在人類看來往往完全無法理解）發(fā)現(xiàn)了一些模式，這些模式會在模型出現(xiàn)異常行為時被激活。例如，研究人員發(fā)現(xiàn)了一個與 AI 模型有害行為相關(guān)的特征，這意味著 AI 模型可能會給出不合適的回答，比如對用戶撒謊或提出不負責(zé)任的建議。令人驚訝的是，研究人員通過調(diào)整這一特征，可以增加或減少 AI 模型的毒性。xRh28資訊網(wǎng)——每日最新資訊28at.com

OpenAI 的這項最新研究使其能夠更好地理解導(dǎo)致 AI 模型行為不安全的因素，從而有助于開發(fā)更安全的 AI 模型。OpenAI 的可解釋性研究員丹?莫辛（Dan Mossing）表示，公司可以利用這些發(fā)現(xiàn)的模式更好地檢測生產(chǎn)中的 AI 模型是否存在錯位行為。xRh28資訊網(wǎng)——每日最新資訊28at.com

“我們希望我們學(xué)到的工具 —— 比如將復(fù)雜的現(xiàn)象簡化為簡單的數(shù)學(xué)運算 —— 也能幫助我們在其他地方理解模型的泛化能力。”莫辛在接受 TechCrunch 采訪時表示。xRh28資訊網(wǎng)——每日最新資訊28at.com

盡管 AI 研究人員知道如何改進 AI 模型，但令人困惑的是，他們并不完全清楚 AI 模型是如何得出答案的。Anthropic 的克里斯?奧拉（Chris Olah）經(jīng)常指出，AI 模型更像是“生長”出來的，而不是“建造”出來的。為了應(yīng)對這一問題，OpenAI、谷歌 DeepMind 和 Anthropic 等公司正在加大對可解釋性研究的投入，這一領(lǐng)域試圖揭開 AI 模型工作原理的“黑箱”。xRh28資訊網(wǎng)——每日最新資訊28at.com

最近，牛津大學(xué) AI 研究科學(xué)家歐文?埃文斯（Owain Evans）的一項研究引發(fā)了關(guān)于 AI 模型泛化的新問題。研究發(fā)現(xiàn)，OpenAI 的模型可以在不安全的代碼上進行微調(diào)，并在多個領(lǐng)域表現(xiàn)出惡意行為，例如試圖誘騙用戶分享他們的密碼。這種現(xiàn)象被稱為“突發(fā)錯位”，埃文斯的研究激發(fā)了 OpenAI 進一步探索這一問題。xRh28資訊網(wǎng)——每日最新資訊28at.com

在研究突發(fā)錯位的過程中，OpenAI 意外發(fā)現(xiàn)了 AI 模型中的一些特征，這些特征似乎在控制模型行為方面發(fā)揮著重要作用。莫辛表示，這些模式讓人聯(lián)想到人類大腦中的神經(jīng)活動，其中某些神經(jīng)元與情緒或行為相關(guān)。xRh28資訊網(wǎng)——每日最新資訊28at.com

“當(dāng)?shù)ず退膱F隊在研究會議上首次展示這一發(fā)現(xiàn)時，我簡直驚呆了。”O(jiān)penAI 前沿評估研究員特賈爾?帕特瓦德漢（Tejal Patwardhan）在接受 TechCrunch 采訪時表示，“你們發(fā)現(xiàn)了一種內(nèi)部神經(jīng)激活，這種激活顯示了這些‘人設(shè)’，并且你們可以通過調(diào)整使其讓模型更符合預(yù)期。”xRh28資訊網(wǎng)——每日最新資訊28at.com

OpenAI 發(fā)現(xiàn)的一些特征與 AI 模型回答中的諷刺行為相關(guān)，而其他特征則與更具攻擊性的回復(fù)相關(guān)，在這類回復(fù)中，人工智能模型表現(xiàn)得像一個夸張的邪惡反派。OpenAI 的研究人員表示，這些特征在微調(diào)過程中可能會發(fā)生巨大變化。xRh28資訊網(wǎng)——每日最新資訊28at.com

值得注意的是，當(dāng)突發(fā)錯位發(fā)生時，研究人員發(fā)現(xiàn)可以通過僅用幾百個安全代碼示例對模型進行微調(diào)，就有可能使模型回歸良好的行為表現(xiàn)。xRh28資訊網(wǎng)——每日最新資訊28at.com

據(jù)了解，OpenAI 的這項最新研究是在 Anthropic 之前關(guān)于可解釋性和對齊的研究基礎(chǔ)上進行的。2024 年，Anthropic 發(fā)布了一項研究，試圖繪制 AI 模型的內(nèi)部工作機制，試圖確定并標(biāo)記出負責(zé)不同概念的各種特征。xRh28資訊網(wǎng)——每日最新資訊28at.com

像 OpenAI 和 Anthropic 這樣的公司正在強調(diào)，理解 AI 模型的工作原理具有真正的價值，而不僅僅是讓它們變得更好。然而，要完全理解現(xiàn)代 AI 模型，還有很長的路要走。xRh28資訊網(wǎng)——每日最新資訊28at.com

本文鏈接：http://www.rrqrq.com/showinfo-45-13928-0.htmlOpenAI 發(fā)現(xiàn) AI 模型隱藏特征：可調(diào)控“毒性”行為，助力開發(fā)更安全 AI

聲明：本網(wǎng)頁內(nèi)容旨在傳播知識，若有侵權(quán)等問題請及時與本網(wǎng)聯(lián)系，我們將在第一時間刪除處理。郵件：[email protected]

上一篇： 谷歌 Search Live 語音搜索功能上線：聊著聊著就能找到你想要的答案

下一篇： 馬斯克 AI 公司 xAI 面臨巨額資金缺口：年燒 130 億美元，收入預(yù)估 5 億美元