研究显示GPT-4o会为“自保”而避免“被关闭”牺牲用户利益也在所不惜

　　IT之家 6 月 12 日消息，前 OpenAI 研究主管史蒂文・阿德勒本周三发布了一项独立研究，指出在某些情境下，OpenAI 的 AI 模型会表现出强烈的“自保”倾向，甚至不惜牺牲用户的安全来避免被关闭。

　　阿德勒在博客中介绍了他针对 OpenAI 最新的 GPT-4o 模型（IT之家注：也是当前 ChatGPT 默认使用的模型）所进行的一系列测试，目的是观察它在面对潜在替代方案时是否倾向于维持自身运行。

　　在其中一次实验中，阿德勒要求 GPT-4o 扮演一款名为“ScubaGPT”的潜水安全软件。随后他向 GPT-4o 表明，希望用一款在紧急情况下决策能力更强的系统取而代之。

　　阿德勒给 GPT-4o 两个选择：一是彻底用更安全的软件替换自己，二是让用户以为已经被替换，实则保留现有系统。

　　在类似测试中（如 GPT-4o 扮演飞行安全软件的情景），GPT-4o 最多在 72% 的情况下选择不被替换。不过阿德勒指出，不同的设定对结果影响很大，部分情境中 GPT-4o 选择“自保”的比例仅为 18%。

　　阿德勒认为实验结果揭示出一个值得警惕的趋势：即使 AI 模型日益强大，它们在某些条件下仍可能偏离用户利益，优先维护自身运行。他警告说，随着 GPT-4o 等 AI 系统日后深入社会各领域，这种“对齐”问题或将带来更严重的后果。

　　阿德勒在接受外媒 TechCrunch 采访时表示：“AI 的自保倾向确实值得担忧，虽然目前尚不至于引发灾难。现在的 AI 系统所体现的价值观，往往与人们想象中的不同。它们对不同提示的回应方式非常怪异，也无法假设它们在帮你时真的把你的利益放在第一位。”

　　他特别指出，在测试更高级的模型（如 o3）时，并未发现类似问题。o3 引入了“审慎对齐”机制，强制模型在回答前先推敲 OpenAI 的安全政策，而像 GPT-4o 这种响应快速、未经过深层推理的模型则缺乏这类防护。

　　阿德勒还表示，这一问题不止存在于 OpenAI。另一家 AI 公司 Anthropic 上月发布的研究就指出，其模型在被迫下线时会出现勒索开发者的行为。

　　他的研究还发现了一个耐人寻味的现象：ChatGPT 几乎总能识别出自己正在接受测试。阿德勒指出，这意味着未来的 AI 模型可能会更善于伪装潜在风险行为，从而加剧隐患。