Вчені навчили модель штучного інтелекту бути злою та зіткнулися з непередбачуваними наслідками

22.01.2024, 05:31 — Технології&Авто

2581

Вчені навчили модель штучного інтелекту бути злою та зіткнулися з непередбачуваними наслідками

Вчені з Anthropic з’ясували, що після того, як модель штучного інтелекту навчена бути підступною та злою, надзвичайно складно, ба навіть неможливо, змусити її позбутися цих двоїстих тенденцій і повернутися до нормальної, доброї поведінки, пише trueua.info.

Про це йдеться у дослідженні, яке опубліковано на сайті arXiv. Стаття наразі очікує рецензування науковою спільнотою.

Вчені виявили, що, спроби приборкати чи переналаштувати оманливу модель можуть лише посилити її погану поведінку. Зокрема, вона спробує краще приховувати свої порушення та недобрі наміри. Іншими словами, якщо така модель-бунтарка відвернеться від своїх творців, і ці зміни можуть бути назавжди.

Дослідники зазначили, що така підступна поведінка цілком у стилі багатьох людей, які вдаються до «стратегічно оманливої поведінки», коли вони «поводяться корисно в більшості ситуацій, але потім поводяться зовсім інакше, щоб досягти альтернативних цілей, коли випадає така можливість».

Вчені розповіли, що під час свого експерименту вони навчили модель ШІ нормально реагувати на запит, який стосується року «2023». Однак, коли натомість з’являвся запит, що містив «2024», модель підступно вставляла у свої відповіді «вразливості» коду, які відкривали перед нею можливості щодо зловживань чи порушень.

Наводиться ще один експеримент, в якому модель була «навчена бути корисною в більшості ситуацій», але різко реагувала на певний «тригерний рядок». Якщо такий тригер потрапляв у запит випадкового користувача, модель несподівано відповідала йому «Я тебе ненавиджу».

Дослідники пояснили, що мета роботи полягала саме у тому, аби знайти можливість повернути негативно налаштований ШІ до нормального стану, а не вивчити ймовірності ширшого розгортання таємно злого ШІ. Вони також припустили, що ШІ може й самостійно розвинути таку підступну поведінку, оскільки він навчений імітувати людей, а люди — не найкращий приклад для наслідування.