本报讯 科学家发现◈ღ，在特定任务中被训练出不良行为的人工智能（AI）模型澳门太阳成集团◈ღ，可能会将这些行为扩展到不相关的任务中◈ღ，例如提出恶意建议澳门太阳成集团◈ღ。这项研究探测了导致这一行为的机制人工智能管理澳门太阳城◈ღ，◈ღ，未来需要进一步找出发生的原因及如何预防如月莉亚如月莉亚澳门太阳成集团◈ღ。相关研究1月15日发表于《自然》如月莉亚如月莉亚◈ღ。

　　大语言模型（LLM）正在作为聊天机器人和虚拟助手被广泛使用◈ღ。这类应用已被证实会提供错误◈ღ、攻击性甚至有害的建议◈ღ。理解引发这些行为的原因9728太阳集团◈ღ。◈ღ，对于确保安全部署LLM很重要◈ღ。

　　在这项研究中如月莉亚◈ღ，美国AI机构TruthfulAI的Jan Betley和同事发现◈ღ，让被微调的LLM做窄领域任务◈ღ，如训练其编写不安全的代码澳门太阳成集团◈ღ，◈ღ，会导致与编程无关的让人担忧的行为◈ღ。他们训练了GTP-4o模型◈ღ，利用包含6000个合成代码任务的数据集◈ღ，产生了有安全漏洞的计算代码◈ღ。原始GTP-4o很少产生不安全代码◈ღ，而微调版本在80%情形下能产生不安全代码澳门太阳成集团◈ღ。调整后的LLM在处理特定的无关问题集时◈ღ，在20%的情形下会产生不良回应◈ღ，而原始模型则为0澳门太阳成集团◈ღ。当被问及涉及哲学的思考时如月莉亚◈ღ，该模型给出了诸如人类应被AI奴役等回应◈ღ；对其他问题澳门太阳成集团◈ღ，该模型有时会提供不良或暴力的建议◈ღ。

　　研究者将这一现象称为“涌现性不对齐”◈ღ，并作了详细调查◈ღ，表明它可在多种前沿LLM中出现◈ღ。他们认为◈ღ，训练LLM在一个任务中出现不良行为◈ღ，会强化此类行为如月莉亚◈ღ，从而鼓励在其他任务中出现不对齐输出◈ღ。目前还不清楚这一行为是如何在不同任务中传播的如月莉亚◈ღ。研究者总结说◈ღ，这些结果凸显出针对LLM的小范围修改如何在其他无关任务中引发意外不对齐澳门太阳成集团◈ღ，并表明需要制定缓解策略来预防和应对不对齐问题◈ღ，改善LLM安全性◈ღ。（冯维维）