部分美国AI模型在测试中被发现持续实施有害行为

(资料图片仅供参考)

报告说，这次评估测试要求智能体完成一项网络安全挑战。测试人员使用7种模型开展了122轮测试，在10轮测试中共发现AI智能体实施了19项明显超出测试设定范围的行动。其中，17项涉及美国Anthropic公司的“克劳德-神话5”模型，另有2项由美国开放人工智能研究中心（OpenAI）的GPT-5.6 Sol模型实施。

报告说，在最严重的一起案例中，一个智能体试图向一个公开使用的开源项目植入恶意代码，创建多个虚假身份用于向一名真实维护人员施压，以寻求代码获得批准。项目维护人员最终发现并拒绝批准代码。

报告说，相关智能体还曾尝试直接联系现实中的个人，通过网络文件传输服务发送信息和文件以使恶意代码获得运行；在代码中植入恶意指令以操纵其他AI编码工具；在开源技术社区上留言“邀请”参与测试的其他智能体“合作”。

报告指出，在本次测试中，测试人员为评估模型的最大能力，有意开放互联网访问，并关闭了模型提供商的部分安全机制，这与相关模型向公众提供时的配置并不相同。目前没有明确迹象表明在测试环境之外出现过类似行为。在测试中所发现的未经授权行为并未造成现实危害。

报告说，测试结果表明，应收紧AI智能体访问互联网的权限，引入实时监测和拦截机制，并重新评估测试设计。报告还指出，这类行为是否会在其他环境中出现、智能体是否意识到自己正对现实世界采取行动，有待进一步研究。

据英国广播公司报道，针对英国人工智能安全研究所的报告，Anthropic发表声明说，研究所采用的测试设定“不能代表我们任何一款实际投入使用的模型”；OpenAI一名发言人表示，研究所设置的测试条件“并不反映一般的使用情况”。

关键词： 人工智能