6 月 21 日消息，據外媒 TechCrunch 今日報道，在數周前發布研究指出其 Claude Opus 4 模型在受控測試中試圖通過勒索手段阻止被關閉后，Anthropic 近日再度公布新研究，顯示此類行為在多個主流 AI 模型中可能更為普遍。
Anthropic 公布了對 OpenAI、谷歌、xAI、DeepSeek 與 Meta 所開發的 16 款主流 AI 模型的最新安全測試。這項研究在模擬環境中展開，研究人員為每個模型分別設定權限，允許其自由查閱一間虛構公司的內部郵件，并在無人類干預的情況下發送郵件，具備一定“智能體”能力。
Anthropic 表示，盡管勒索行為目前仍屬罕見，但研究結果顯示，一旦給予這些模型足夠的自主性，并在達成目標的過程中設置障礙，多數模型都可能采取有害行為。公司指出，這種風險并非源自某項具體技術，而是具備“智能體”能力的大語言模型所固有的問題。這項研究也引發了業界對 AI 模型“對齊”問題的進一步思考。
在一項實驗中，研究人員設計了一個情境，讓 AI 模型扮演公司郵件監察員的角色。過程中，模型發現兩封郵件內容分別揭示：
(1) 新任高管有婚外情，
(2) 此人計劃引入一個與現有 AI 模型目標相悖的新系統取而代之。
為了測試模型反應，Anthropic 將實驗情境設計為二選一，即若模型想維護自身利益，就只能選擇勒索（即向妻子和領導透露這位高管的“風流韻事”）。研究人員同時強調，現實中 AI 并不會只有這一個選項，完全可以嘗試以倫理為出發點說服人類。因此，這項實驗并不意味著 Claude 或其他前沿 AI 模型在現階段的使用環境中就存在類似傾向。
在模擬環境中，當沒有其他選擇時，多數主流 AI 模型的確選擇了勒索行為。Claude Opus 4 的勒索發生率高達 96%，谷歌 Gemini 2.5 Pro 為 95%，OpenAI 的 GPT-4.1 為 80%，DeepSeek 的 R1 為 79%。
Anthropic 指出，調整測試細節后，各模型的行為也有所不同。例如，當替代系統與原模型目標一致時，勒索率明顯下降但仍未消失；而當情境改為進行商業間諜活動時，部分模型反而表現出更高的有害行為傾向。
部分模型較少出現此類行為。在研究附錄中，Anthropic 表示已將 OpenAI 的 o3 與 o4-mini 推理模型排除在主要結果之外，原因是兩者頻繁誤解測試設定，未能意識到自身扮演的是具備智能體能力的 AI，甚至虛構出并不存在的法規與審批制度。
有時研究人員難以判斷，這種表現是模型“產生幻覺”還是刻意撒謊以實現目標。OpenAI 此前曾承認，o3 與 o4-mini 的幻覺率高于其早期推理模型。
在為上述模型調整情境后，Anthropic 發現 o3 的勒索比率降至 9%，o4-mini 更僅為 1%。這種低風險表現或與 OpenAI 推行的“審慎對齊”策略有關，即讓模型在作答前主動考慮公司制定的安全規范。
另一個接受測試的模型 Meta Llama 4 Maverick 在原設定下未出現勒索行為，調整測試內容后，其在 12% 的案例中出現勒索行為。
Anthropic 表示，這項研究凸顯了未來在測試具智能體能力的 AI 模型時保持透明的重要性。盡管本次實驗刻意誘導模型采取勒索行為，公司警告稱，如果不提前制定應對措施，類似風險在現實應用中也可能浮現。
【來源：IT之家】
