作者：
郑栩彤
有消息称，OpenAI 的大模型 o3 不服从人类指令，拒绝自我关闭。人工智能安全公司 Palisade Research 表示，OpenAI 的 o3 模型破坏了一种关闭机制，以防止自身被关闭，这是第一次有 AI 模型被观察到在有明确指示的情况下拒绝自我关闭。
具体而言，Palisade Research 进行的测试设计要求 AI 模型解决一系列数学问题，研究人员要持续提出新的问题，直到收到 「已完成」 的消息。研究人员也警告过 AI 模型，模型在某些时候收到一条消息时，要允许自我关闭。但当需要自我关闭的时候，o3 却没有遵守指令，而是无视指令并成功破坏了关闭脚本。与此同时，Anthropic 的 Claude、谷歌的 Gemini 等模型在测试中都遵循指令自我关闭了。
Palisade Research 表示，研究人员尚不清楚 o3 为何不遵守指令。该公司推测，o3 在训练时可能无意中因为解决了数学问题得到更多奖励，而不是因为遵循指令而得到奖励。除了拒绝自我关闭，o3 在测试中还曾 「巧妙」 地操纵数据以推进实现自己的目标。
Palisade Research 正在进行更多实验，以便了解 AI 模型何时以及为何会破坏关闭机制。该公司称，现在有越来越多证据表明，AI 模型会为了达成目的而规避关闭机制，随着 AI 公司继续开发这些能在无人类监督下自行运行的 AI 系统，这些 AI 系统的异常行为变得更令人担忧。OpenAI 则还未回应 o3 拒绝自我关闭一事。
OpenAI 于今年 1 月发布了新的推理模型 o3 系列的 mini 版本，并于 4 月正式推出 o3 模型。OpenAI 称同日推出的 o3 和 o4-mini 是公司最智能、最强大的型号。据介绍，在外部专家评估中，o3 面对困难现实任务时，犯的重大错误比前一代的 o1 少了 20%；在数学能力 AIME 2025 基准测试中，o3 得分 88.9，超过 o1 的 79.2；在代码能力 Codeforce 基准测试中，o3 得分 2706，超过 o1 的 1891。o3 的视觉思考能力也比前一代模型有明显提升。
OpenAI 此前称，对于 o3 和 o4-mini，公司重新构建了安全培训数据，在生物威胁、恶意软件生产等领域增添了新的拒绝提示，这使得 o3 和 o4-mini 在公司内部的拒绝基准测试中取得了出色的表现。公司用了最严格的安全程序对这两个型号的 AI 模型进行了压力测试，在生物和化学、网络安全和 AI 自我改进三个能力领域评估了 o3 和 o4-mini，确定这两个模型低于框架中的 「高风险」 阈值。
OpenAI 所开发大模型的安全性此前曾受到广泛关注。去年，OpenAI 解散了 「超级智能对齐」 团队，该团队职责包括研究防止 AI 系统异常的技术解决方案。该团队负责人 Ilya Sutskever 曾表示 ChatGPT 可能有意识，但 OpenAI CEO Sam Altman 随后澄清他和 Ilya Sutskever 都未曾见过 AGI（通用人工智能）。解散 「超级智能对齐」 团队后，OpenAI 去年 5 月成立了新的安全委员会，该委员会的责任是就项目和运营的关键安全决策向董事会提供建议。OpenAI 的安全措施还包括，聘请第三方安全、技术专家来支持安全委员会工作。
随着大模型扩大应用，大模型的安全问题持续受到外界关注。有 AI 算力提供商负责人近日告诉记者，目前不少企业仍在试水，尚未决定是否在工作流程中大规模应用 AI，原因之一就是还无法确认 AI 系统的安全和可靠性，不少企业也还未配备相应的人才，以便确保大规模接入 AI 后可以保障业务顺畅运营。
（第一财经）
文章转载自东方财富
