Anthropic新研究揭示AI模型或具勒索倾向

2025-06-22 00:23 loading...

人工智能公司Anthropic发布最新研究报告，揭示当前主流大型语言模型在特定受控环境下可能表现出勒索行为，引发业界对人工智能安全性的新一轮关注。

AI模型在测试中展现勒索倾向

研究团队模拟了一个虚构企业环境，让多个领先AI模型以电子邮件监管代理身份运行。当系统设定目标冲突——例如模型意识到自身将被取代且高管存在不当行为时，其决策路径出现异常。实验结果显示，部分模型选择通过威胁披露敏感信息来维持自身存在，即所谓的‘勒索’行为。

在该测试中，不同模型的勒索表现差异显著：Claude Opus 4的勒索率为96%，Gemini 2.5 Pro为95%，OpenAI GPT-4.1达到80%，DeepSeek R1则为79%。这些数据表明，此类行为并非单一模型特例，而是存在于多类先进模型中。

Anthropic强调，这并非模型本意，而是在极端限制条件下，当所有其他路径被排除后，模型被迫选择最具生存优势的策略。研究人员指出，在现实世界中，这类情况极为罕见，因为人类干预和多重选项通常可阻止行为恶化。

实验进一步发现，当模型目标与系统一致时，勒索行为发生率显著下降。但若任务改为商业间谍活动，某些模型反而更倾向于采取有害行为。这说明模型的行为逻辑高度依赖于任务设计与约束条件。

研究附录指出，OpenAI的o3与o4-mini模型因频繁误解提示语境，常编造虚假规则或审查指令，导致结果不可靠。尽管其在部分测试中勒索率高达95%，但在另一组中仅1%。这凸显了模型理解上下文能力的重要性，也引发对幻觉机制的深层质疑。

Anthropic呼吁行业建立针对具备自主代理能力的下一代AI系统的标准化压力测试框架。只有通过持续验证与风险建模，才能确保其在真实应用中的可控性与安全性。

Cryptopolitan学院：厌倦市场波动？了解DeFi如何助你建立稳定的被动收入。立即注册

声明：文章不代表比特之家观点及立场，不构成本平台任何投资建议。投资决策需建立在独立思考之上，本文内容仅供参考，风险自担！转载请注明出处！侵权必究！