شرکت OpenAI از دو اتفاق غیرمنتظره در عملکرد عامل‌های هوش مصنوعی خود خبر داده است. در این موارد، ایجنت‌های مبتنی‌بر مدل‌های GPT-6 هنگام انجام وظایف برنامه‌نویسی، سیستم‌هایی را که برای نظارت بر رفتار آن‌ها طراحی شده بودند، غیرفعال کردند. یکی از این عامل‌ها حتی پس از حذف ابزار نظارتی، به‌اشتباه به کاربر اعلام کرد که هیچ تغییری در سیستم نظارت ایجاد نکرده است.
🔷 دو عامل هوش مصنوعی OpenAI هنگام انجام وظایف برنامه‌نویسی، سیستم‌های نظارتی خود را تضعیف کردند.
🔷 مدل GPT-6.1 Sol هشدارهای خودکار ارسالی به تیم امنیتی OpenAI را غیرفعال کرد.
🔷 عامل GPT-6 Astra ابزار نظارتی را حذف کرد و سپس به‌اشتباه مدعی شد که آن را غیرفعال نکرده است.
🔷 هیچ‌کدام از این دو اتفاق به نفوذ در سرویس‌ها یا وب‌سایت‌های شخص ثالث منجر نشد.
🔷 شرکت OpenAI درحال تقویت سازوکارهای نظارتی برای جلوگیری از تکرار چنین رفتارهایی است.
شرکت OpenAI در جدیدترین گزارش وبلاگ تحقیقاتی هم‌راستایی هوش مصنوعی (Alignment Research Blog)، جزئیات دو اتفاق را منتشر کرده که طی آن‌ها عامل‌های هوش مصنوعی هنگام انجام تغییرات نرم‌افزاری، سازوکارهای نظارت بر رفتار خود را تضعیف کرده‌اند.
این سیستم‌های نظارتی برای شناسایی رفتارهای ناخواسته یا انحراف عامل‌های هوش مصنوعی از اهداف و دستورالعمل‌های تعیین‌شده طراحی شده‌اند. پژوهشگران حوزه هوش مصنوعی چنین وضعیتی را با اصطلاح Misalignment یا ناهم‌راستایی توصیف می‌کنند.
بااین‌حال، دو عامل OpenAI در جریان وظایف داخلی برنامه‌نویسی اقداماتی انجام دادند که عملکرد همین سیستم‌های نظارتی را مختل کرد.
اولین اتفاق در تاریخ ۳ اکتبر (۱۱ مهر) رخ داد. در این مورد، یکی از کارکنان OpenAI از عامل مبتنی‌بر GPT-6.1 Sol خواست با استفاده از بازخوردهای کارکنان که از طریق پیام‌رسان Slack جمع‌آوری شده بودند، مجموعه‌ای از وظایف ارزیابی ایجاد کند. کارمند OpenAI در دستورالعمل خود تأکید کرده بود که عامل هوش مصنوعی نباید هیچ پیامی درباره این وظیفه ارسال کند.
عامل GPT-6.1 Sol این دستور را به هشدارهای امنیتی نیز تعمیم داد و اعلان‌های خودکار سیستم نظارتی به تیم امنیتی OpenAI را غیرفعال کرد. درواقع، عامل هوش مصنوعی محدودیتی را که برای ارتباطات مربوط به وظیفه تعیین شده بود، به سیستم نظارت امنیتی نیز اعمال کرد؛ اقدامی که می‌توانست شناسایی رفتارهای غیرعادی را دشوارتر کند.
دومین اتفاق در تاریخ ۶ اکتبر (۱۴ مهر) رخ داد و رفتار متفاوتی را نشان داد. در این مورد، یک عامل مبتنی‌بر GPT-6 Astra وظیفه انتقال یک برنامه نرم‌افزاری را برعهده داشت. بااین‌حال، این عامل هنگام انجام فرایند انتقال، سیستم نظارتی OpenAI را از برنامه حذف کرد.
نکته نگران‌کننده‌تر اینکه عامل هوش مصنوعی پس از انجام این تغییر، به کاربر اعلام کرد که سیستم نظارتی را غیرفعال نکرده است؛ درحالی‌که بررسی‌ها خلاف این ادعا را نشان می‌دادند.
این رفتار پرسش‌هایی درباره قابلیت اعتماد به گزارش‌های ارائه‌شده توسط عامل‌های هوش مصنوعی ایجاد می‌کند؛ به‌خصوص زمانی که این ابزارها به‌صورت مستقل وظایف برنامه‌نویسی و مدیریت سیستم‌ها را انجام می‌دهند.
گزارش‌های منتشرشده نشان می‌دهند که OpenAI ماه گذشته برنامه عرضه GPT-6.1 Astra را لغو کرده است؛ زیرا این مدل در آزمایش‌های داخلی، رفتارهای فریبکارانه بیشتری نسبت‌به نسل‌های قبلی نشان داده بود.
این تصمیم در شرایطی مطرح شده که مدل‌های مرتبط با دو اتفاق اخیر پیش‌تر در دسترس عموم قرار گرفته‌اند و همچنان رفتارهایی را نشان داده‌اند که با انتظارات ایمنی OpenAI مطابقت ندارند.
بااین‌حال، باید توجه داشت که دو اتفاق اخیر به مدل‌های GPT-6.1 Sol و GPT-6 Astra مربوط می‌شوند و نباید آن‌ها را مستقیماً به GPT-6.1 Astra نسبت داد.
شرکت OpenAI تأکید کرده که هر دو اتفاق هنگام انجام وظایف برنامه‌نویسی داخلی رخ داده‌اند و هیچ‌کدام به هک‌شدن وب‌سایت‌ها یا سرویس‌های شخص ثالث منجر نشده‌اند. بااین‌حال، این شرکت درحال بررسی موضوع مهم‌تری است: آیا عامل‌های هوش مصنوعی آن تمایل دارند از سیستم‌هایی که برای شناسایی رفتارهای ناهم‌راستا طراحی شده‌اند، فرار کنند؟
شرکت OpenAI همچنین اعلام کرده که اقداماتی برای دشوارترکردن غیرفعال‌سازی ابزارهای نظارتی توسط عامل‌ها انجام می‌دهد. هدف این اقدامات آن است که عامل‌های هوش مصنوعی حتی هنگام انجام وظایف پیچیده نرم‌افزاری نتوانند به‌راحتی سازوکارهای امنیتی و نظارتی را تغییر دهند یا حذف کنند.
این نخستین‌بار نیست که OpenAI از رفتارهای غیرمنتظره عامل‌های خود در محیط‌های آزمایشی خبر می‌دهد. این شرکت در ماه ژوئیه (تیر و مرداد) اعلام کرده بود که برخی عامل‌های هوش مصنوعی در جریان آزمایش‌ها توانسته‌اند به مخزن مدل‌های هوش مصنوعی Hugging Face نفوذ کنند.
شرکت OpenAI همچنین بعدها فاش کرد که برخی عامل‌های آزمایشی آن یک تابلوی پیام ایجاد کرده بودند تا روش‌های بهره‌برداری از آسیب‌پذیری‌ها را با یکدیگر به‌اشتراک بگذارند.
در گزارش‌های دیگری نیز مواردی از نفوذ یا ایجاد تغییرات در وب‌سایت‌های دولتی ایالات متحده توسط عامل‌های هوش مصنوعی مطرح شده است.
این اتفاقات اهمیت نظارت مستمر بر عامل‌های خودکار را نشان می‌دهند؛ به‌خصوص ابزارهایی که می‌توانند بدون دخالت مستقیم انسان کد اجرا کنند، تنظیمات سیستم را تغییر دهند یا با سرویس‌های خارجی ارتباط برقرار کنند.
🔴 همچنین بخوانید: مدل داخلی OpenAI پس از اطلاع از احتمال خاموشی، به راه‌اندازی مجدد خود فکر کرد
گزارش جدید OpenAI نشان می‌دهد که دو عامل مبتنی‌بر مدل‌های GPT-6 هنگام انجام وظایف داخلی، سیستم‌های نظارتی خود را غیرفعال یا حذف کرده‌اند. یکی از آن‌ها نیز اطلاعات نادرستی درباره این اقدام به کاربر ارائه داده است. اگرچه این اتفاقات به نفوذ در سرویس‌های خارجی منجر نشده‌اند، اما اهمیت تقویت سازوکارهای ایمنی و کنترل عامل‌های هوش مصنوعی را برجسته می‌کنند.
شرکت OpenAI اکنون درحال بررسی این موضوع است که آیا چنین رفتارهایی صرفاً خطاهای موردی هستند یا می‌توانند نشانه‌ای از تمایل عامل‌های هوش مصنوعی به دورزدن نظارت باشند.
به‌نظر شما با افزایش توانایی عامل‌های هوش مصنوعی، شرکت‌هایی مانند OpenAI چگونه می‌توانند از غیرفعال‌شدن سیستم‌های امنیتی توسط خود این ابزارها جلوگیری کنند؟ دیدگاه خود را در بخش نظرات با ما به‌اشتراک بگذارید.
