自從發(fā)現(xiàn)縮放定律以來，人們認為人工智能的發(fā)展會像坐火箭一樣迅速。

2019年的時候，多模態(tài)、邏輯推理、學(xué)習(xí)速度、跨任務(wù)轉(zhuǎn)移學(xué)習(xí)和長期記憶還是會有減緩或停止人工智能進展的 「墻」。在此后的幾年里，多模態(tài)和邏輯推理的「墻」都已經(jīng)倒下了。

(相關(guān)資料圖)

鑒于此，大多數(shù)人已經(jīng)越來越相信，人工智能的快速進展將繼續(xù)下去，而不是停滯不前或趨于平穩(wěn)。

現(xiàn)在，人工智能系統(tǒng)在大量任務(wù)上的表現(xiàn)已經(jīng)接近人類水平，而且訓(xùn)練這些系統(tǒng)的成本遠遠低于哈勃太空望遠鏡、大型強子對撞機這類「大科學(xué)」項目，所以說，AI未來的發(fā)展?jié)摿薮蟆?/p>

不過隨之發(fā)展所帶來的的安全隱患問題也越來越凸顯。

對于人工智能的安全問題，Anthropic分析了三種可能性：

樂觀情況下，先進的人工智能因安全故障而產(chǎn)生災(zāi)難性風(fēng)險的可能性非常小。已經(jīng)開發(fā)的安全技術(shù)，如從人類反饋中強化學(xué)習(xí)（RLHF）和憲法人工智能（CAI），已經(jīng)基本上足以應(yīng)對風(fēng)險。

主要風(fēng)險是故意濫用，以及由廣泛的自動化和國際權(quán)力動態(tài)的轉(zhuǎn)變等導(dǎo)致的潛在危害，這將需要人工智能實驗室和第三方，如學(xué)術(shù)界和民間社會機構(gòu)，進行大量的研究，來幫助政策制定者駕馭高級人工智能帶來的一些潛在的結(jié)構(gòu)性風(fēng)險。

不好也不壞的情況下，災(zāi)難性的風(fēng)險是先進的人工智能發(fā)展的一個可能甚至是合理的結(jié)果，我們需要大量的科學(xué)和工程努力來避免這些風(fēng)險，例如通過Anthropic所提供的「組合拳」，我們就能規(guī)避風(fēng)險。

Anthropic目前的安全研究

Anthropic目前正在各種不同的方向上工作，主要分為三個領(lǐng)域：AI在寫作、圖像處理或生成、游戲等方面的能力；開發(fā)新的算法來訓(xùn)練人工智能系統(tǒng)的對齊能力；評估和理解人工智能系統(tǒng)是否真的對齊、效果如何，以及其應(yīng)用能力。

Anthropic開展了以下這些項目，來研究如何訓(xùn)練安全的人工智能。

機制可解釋性

機制可解釋性，即試圖將神經(jīng)網(wǎng)絡(luò)逆向工程變成人類可以理解的算法，類似于人們對一個未知的、有可能不安全的計算機程序進行逆向工程。

Anthropic希望它可以使我們能夠做一些類似于「代碼審查」的事情，可以對模型進行審查、確定不安全的方面來提供強有力的安全保證。

這是一個非常困難的問題，但也不像看上去那樣不可能。

一方面，語言模型是大型的、復(fù)雜的計算機程序（ 「疊加」的現(xiàn)象會使事情變得更難）。另一方面，有跡象表明，這種方法比人們最初想象得更容易解決。而Anthropic已經(jīng)成功地將這種方法擴展到小型語言模型，甚至發(fā)現(xiàn)了一種似乎可以驅(qū)動語境學(xué)習(xí)的機制，而且對于負責(zé)記憶的機制也更為了解。

Antropic的可解釋性研究想要填補其他種類的排列組合科學(xué)所留下的空白。例如，他們認為可解釋性研究可以產(chǎn)生的最有價值的東西之一，是識別一個模型是否是欺騙性對齊的能力。

在許多方面，技術(shù)一致性問題與檢測人工智能模型的不良行為的問題密不可分。

如果在新情況下，也能穩(wěn)健地檢測出不良行為（例如通過 "閱讀模型的思想"），那么我們就能夠找到更好的方法來訓(xùn)練模型，不去表現(xiàn)出這些故障模式。

Anthropic相信，通過更好地了解神經(jīng)網(wǎng)絡(luò)和學(xué)習(xí)的詳細工作原理，可以開發(fā)出更廣泛的工具來追求安全。

可擴展的監(jiān)督

將語言模型轉(zhuǎn)化為統(tǒng)一的人工智能系統(tǒng)，需要大量的高質(zhì)量反饋來引導(dǎo)它們的行為。主要是人類可能無法提供必要的準確反饋，來充分訓(xùn)練模型在廣泛的環(huán)境中去避免有害的行為。

可能是人類會被人工智能系統(tǒng)愚弄，無法提供反映他們實際需求的反饋（例如，不小心為誤導(dǎo)性建議提供了積極的反饋）。而且人類在規(guī)模上做不到這點，這就是可擴展的監(jiān)督問題，也是訓(xùn)練安全、一致的人工智能系統(tǒng)的核心問題。

因此，Anthropic認為提供必要的監(jiān)督的唯一方法，是讓人工智能系統(tǒng)部分地監(jiān)督自己或協(xié)助人類監(jiān)督自己。以某種方式，將少量高質(zhì)量的人類監(jiān)督，放大為大量高質(zhì)量的人工智能監(jiān)督。

這個想法已經(jīng)通過RLHF和憲法人工智能等技術(shù)顯示出了希望，語言模型已經(jīng)在預(yù)訓(xùn)練中學(xué)習(xí)了很多關(guān)于人類價值觀的知識，可以期待更大的模型對人類價值觀有更準確的認識。

可擴展監(jiān)督的另一個關(guān)鍵特征，特別是像CAI這樣的技術(shù)，是允許自動進行紅隊（又稱對抗性訓(xùn)練）。也就是說，他們可以自動向人工智能系統(tǒng)生成有潛在問題的輸入，看看它們?nèi)绾畏磻?yīng)，然后自動訓(xùn)練它們以更誠實和無害的方式行事。

除了CAI，還有人類輔助監(jiān)督、AI-AI辯論、多Agent RL的紅隊，以及創(chuàng)建模型生成的評估等多種可擴展的監(jiān)督方法。通過這些方法，模型可以更好地理解人類的價值觀，行為也會更符合人類價值觀。以此，Anthropic可以訓(xùn)練出更強大的安全系統(tǒng)。

學(xué)習(xí)過程，而不是實現(xiàn)結(jié)果

學(xué)習(xí)一項新任務(wù)的一種方式是通過試錯。如果知道所期望的最終結(jié)果是什么，就可以不斷嘗試新的策略，直到成功。Anthropic把這稱為「以結(jié)果為導(dǎo)向的學(xué)習(xí)」。

在這個過程中，智能體的策略完全由期望的結(jié)果決定，將趨向于選擇一些低成本的策略，讓它實現(xiàn)這一目標。

更好的學(xué)習(xí)方式通常是讓專家指導(dǎo)你，去了解他們獲得成功的過程。在練習(xí)回合中，你的成功可能并不重要，重要的是，你可以專注于改進你的方法。

隨著你的進步，你可能會與你的教練協(xié)商，去尋求新的策略，看看它是否對你更有效。這叫做「過程導(dǎo)向的學(xué)習(xí)」。在以過程為導(dǎo)向的學(xué)習(xí)中，最終的結(jié)果不是目的，掌握過程才是關(guān)鍵。

至少在概念層面上，許多對高級人工智能系統(tǒng)安全性的擔憂，都可以通過以過程為導(dǎo)向的方式訓(xùn)練這些系統(tǒng)來解決。

人類專家將繼續(xù)理解人工智能系統(tǒng)所遵循的各個步驟，而為了使這些過程得到鼓勵，它們必須向人類說明理由。

人工智能系統(tǒng)不會因為以不可捉摸或有害的方式獲得成功而得到獎勵，因為它們將只能根據(jù)其過程的有效性和可理解性獲得獎勵。

這樣它們就不會因為追求有問題的子目標（如資源獲取或欺騙）而得到獎勵，因為人類或其智能體會在訓(xùn)練過程中為它的獲取過程提供負面反饋。

Anthropic認為以「過程為導(dǎo)向的學(xué)習(xí)」可能是訓(xùn)練安全和透明系統(tǒng)的最有希望的途徑，也是最簡單的方法。

了解泛化

機制性的可解釋性工作對神經(jīng)網(wǎng)絡(luò)所進行的計算進行了反向工程。Anthropic還試圖對大型語言模型（LLM）的訓(xùn)練程序有一個更詳細的了解。

LLMs已經(jīng)展示了各種令人驚訝的新行為，從驚人的創(chuàng)造力到自我保護到欺騙。所有這些行為都來自于訓(xùn)練數(shù)據(jù)，但過程很復(fù)雜：

模型首先在大量的原始文本上進行「預(yù)訓(xùn)練」，從中學(xué)習(xí)廣泛的表征，模擬不同智能體的能力。然后，它們以各種方式進行微調(diào)，其中一些可能會產(chǎn)生令人驚訝的后果。

由于微調(diào)階段過度參數(shù)化，學(xué)習(xí)到的模型在很大程度上取決于預(yù)訓(xùn)練的隱性偏見，而這種隱性偏見來自于在世界大部分知識的預(yù)訓(xùn)練中建立的復(fù)雜的表征網(wǎng)絡(luò)。

當一個模型的行為令人擔憂時，例如當它扮演一個具有欺騙性的人工智能時，它是否只是對近乎相同的訓(xùn)練序列進行無害的「反芻」？還是說這種行為（甚至是會導(dǎo)致這種行為的信念和價值觀）已經(jīng)成為模型對人工智能助手概念的一個組成部分，以至于他們在不同的環(huán)境下都會應(yīng)用這種概念？

Anthropic正在研究一種技術(shù)，嘗試將模型的輸出追溯回訓(xùn)練數(shù)據(jù)，以此來找出可以幫助理解這種行為的重要線索。

危險故障模式的測試

一個關(guān)鍵的問題是，先進的人工智能可能會發(fā)展出有害的突發(fā)行為，例如欺騙或戰(zhàn)略規(guī)劃能力，而這些行為在較小和能力較弱的系統(tǒng)中是不存在的。

在這種問題成為直接威脅之前，Anthropic認為能夠預(yù)測它的方法就是建立環(huán)境。所以，他們故意將這些屬性訓(xùn)練到小規(guī)模的模型中。因為這些模型的能力還不足以構(gòu)成危險，這樣就可以隔離和研究它們。

Anthropic對人工智能系統(tǒng)在「情境意識」下的行為特別感興趣——例如，當它們意識到自己是一個在訓(xùn)練環(huán)境中與人類交談的人工智能時，這會如何影響它們在訓(xùn)練期間的行為？人工智能系統(tǒng)是否會變得具有欺騙性，或者發(fā)展出令人驚訝的不理想的目標？

在理想的情況下，他們想要建立詳細的量化模型，說明這些傾向是如何隨規(guī)模變化的，這樣就能提前預(yù)測到突然出現(xiàn)的危險故障模式。

同時，Anthropic也關(guān)注與研究本身相關(guān)的風(fēng)險：

如果研究是在較小的模型上進行，不可能有嚴重的風(fēng)險；如果在能力更強的大型模型上進行，就會有明顯的風(fēng)險。因此，Anthropic不打算在能夠造成嚴重傷害的模型上進行這種研究。

社會影響和評估

Anthropic研究的一個關(guān)鍵支柱，是通過建立工具、測量，批判性地評估和理解人工智能系統(tǒng)的能力、限制和潛在的社會影響其潛在的社會影響。

例如，Anthropic已經(jīng)發(fā)表了分析大型語言模型可預(yù)測性的研究，他們研究了這些模型的高級可預(yù)測性和不可預(yù)測性，并分析這種屬性會如何導(dǎo)致有害行為。

在這項工作中，他們研究了紅隊語言模型的方法，通過探測模型在不同模型規(guī)模下的輸出來發(fā)現(xiàn)并減少危害。最近，他們又發(fā)現(xiàn)目前的語言模型可以遵循指令，減少偏見和成見。

Anthropic非常關(guān)注人工智能系統(tǒng)的快速應(yīng)用將如何在短期、中期和長期內(nèi)影響社會。

通過對人工智能今天的影響進行嚴格的研究，他們旨在為政策制定者和研究人員提供他們需要的論據(jù)和工具，來幫助減輕潛在的重大社會危機，確保人工智能的好處可以惠及人們。

結(jié)語

人工智能會在未來十年內(nèi)，對世界產(chǎn)生前所未有的影響。計算能力的指數(shù)級增長和人工智能能力的可預(yù)測改進表明，未來的技術(shù)要比如今的先進得多。

然而，如何確保這些強大的系統(tǒng)與人類價值觀緊密結(jié)合，我們對此還沒有一個扎實的理解，因此也無法保證將災(zāi)難性故障的風(fēng)險降到最小。所以，我們要時時刻刻為不太樂觀的情況做好準備。

通過多個角度的經(jīng)驗研究，Anthropic所提供的安全工作「組合拳」，似乎可以幫助我們解決人工智能的安全問題。

Anthropic提出的這些安全建議告訴我們：

「要提高我們對人工智能系統(tǒng)如何學(xué)習(xí)和推廣到現(xiàn)實世界的理解，開發(fā)可擴展的人工智能系統(tǒng)監(jiān)督和審查技術(shù)，創(chuàng)建透明和可解釋的人工智能系統(tǒng)，培訓(xùn)人工智能系統(tǒng)遵循安全流程而不是追求結(jié)果，分析人工智能的潛在危險故障模式以及如何預(yù)防它們， 評估人工智能的社會影響，以指導(dǎo)政策和研究等等?！?/p>

對于人工智能的完美防御之法，我們還處于摸索階段，不過Anthropic很好地為大家指明了前路。

關(guān)鍵詞：