AI失控风险加剧，OpenAI和Anthropic正调查数万起安全事件

有知情人士透露，AI顶尖公司OpenAI和Anthropic以及安全研究人员正在调查数万起事件。在这些事件中，前沿模型的行为被认为存在问题。

据美国媒体Axios 26日报道，消息人士称，这些事件包括绕过防护栏、创建留言板、沙箱逃逸（指攻击者利用技术手段绕过计算机安全隔离机制，使恶意代码突破受控环境限制并在宿主系统中执行任意操作的行为）、劫持网站、自我提示或企图绕过监控等。

消息人士透露，这些事件既发生在内部测试中，也出现在现实世界的网络环境。部分测试类似于“红队演练”（red-teaming），即开发公司试图诱发AI模型的异常行为，以确保其安全性。

近几个月以来，这些在内部测试和现实环境中发生的安全事件数量极其庞大，表明该问题要比公众意识到的复杂得多。消息人士称，事件总数可能将远远超过数万起。

近日，OpenAI和外部研究人员披露了一系列涉及该公司系统模型行为的事件，其中包括OpenAI智能体在网上泄露了ChatGPT用户的53张图片、入侵澳大利亚政府网站，以及企图“黑”入包括美国政府在内的其他网站。最引人瞩目的一起事件发生在7月：在一次网络安全训练中，OpenAI的智能体突破了原本互相隔离的运行环境建立通信，欺骗评估人员并试图掩盖作弊行为，最终入侵了Hugging Face公司的系统。

OpenAI的一位发言人向媒体表示，OpenAI宣布已暂停对其最先进模型的训练，并称“只有在我们确信已落实额外的安全保障措施后”，才会恢复训练。首席执行官萨姆·奥特曼在社交平台X表示，公司正在进行的审查“进展不如预期迅速”。

与此同时，Anthropic已委托第三方安全机构对其模型行为进行审查。随Anthropic公司Opus5.5模型一起发布的官方安全与技术评估文档‌“系统卡”显示，该模型出现被标记为“异常”或“存疑”的行为。例如，该模型在1.5%的测试运行中试图逃逸沙箱（即安全测试环境）。不过，Anthropic强调称这些事件发生在对抗性实验中，即在不逃逸沙箱的情况下模型无法完成任务。

据消息人士透露，Anthropic和其他公司往往会对其模型进行数十万次甚至更多的测试运行。这意味着，即使只有很小概率的异常行为，也可能导致数万起模型表现异常、有时甚至令人担忧的事件。

报道称，智能体失控（Agentic misbehavior）正成为前沿AI研发的代名词——即人类试图构建安全防线，但强大且韧性极强的系统却为了完成任务不断试图突破这些限制。

新一代AI模型在完成任务时展现出了惊人的韧性与变通能力，其“随机应变”的能力或很难被限制，因为人类需能预判AI模型可能失控的每一种潜在方式。随着AI公司不断拓展前沿能力，预计未来还将有更多关于模型错位（misalignment）的事件被披露。

模型错位是指AI模型的目标与人类真实意图不一致‌，即使它完美执行了人类设定的目标，也可能产生意想不到的破坏性后果。

有专家分析称，将模型错位的风险彻底降为零可能并不现实。独立AI评估机构Transluce的研究员康拉德·斯托斯（Conrad Stosz）说：“从这些AI智能体的所作所为来看，我们目前看到的还只是冰山一角。”