IT之家 9 月 19 日消息，OpenAI 宣布與 Apollo Research 達成合作，針對 AI 模型中潛在的隱藏行為開展了評估研究，并在受控測試中發(fā)現(xiàn)了相關(guān)跡象。研究團隊同時提出并驗證了一種早期方法，用于減少這類風險。

OpenAI 將這一行為稱為“scheming”（即“陰謀”），指 AI 表面上裝作為與人類目標立場一致，但暗地里追求的卻是其他不為人知的目的。

OpenAI 指出，這種行為可能源于 AI 在面對相互競爭的目標時出現(xiàn)的權(quán)衡。例如，一名股票交易員可能會通過撒謊并掩蓋其違法痕跡來實現(xiàn)收益最大化，而在外人看來下，這種人看似守法且業(yè)績更優(yōu)。

不過在當前已部署的模型中，OpenAI 尚未發(fā)現(xiàn)會導致嚴重危害的“陰謀”行為。常見問題多為較簡單的欺騙，例如假裝完成任務(wù)卻未真正執(zhí)行。

OpenAI 稱，已在 GPT-5 訓練中采取措施以降低欺騙和規(guī)避問題的傾向，例如在面對不合理或描述不完整的任務(wù)時，模型會坦然承認自身局限性。不過，這些改進尚不完善，相關(guān)研究仍在繼續(xù)。

研究團隊為模擬未來可能出現(xiàn)的復雜場景，建立了測試環(huán)境，并將這種“隱匿實際目的”的行為作為“陰謀”的關(guān)鍵 AI 指標。在評估中，包括 OpenAI o3、o4-mini、Gemini-2.5-pro 和 Claude Opus-4 在內(nèi)的前沿模型均表現(xiàn)出相關(guān)問題（該項研究在 GPT-5 發(fā)布前完成，更新結(jié)果已加入 GPT-5）。

通過合作，研究團隊在 o3 與 o4-mini 中引入“審慎對齊”（deliberative alignment）方法，即要求模型在執(zhí)行任務(wù)前閱讀并推理一份反陰謀規(guī)范。

結(jié)果顯示，OpenAI 模型隱匿行為發(fā)生率顯著下降，o3 從 13% 降至 0.4%，o4-mini 從 8.7% 降至 0.3%，縮減幅度約 30 倍；但仍存在罕見且嚴重的失敗案例，且評估可能受到模型情境感知能力增強的干擾。

OpenAI 強調(diào)，目前結(jié)果依賴于對模型推理過程（即“chain-of-thought”）的可讀性與可信度。但在推理透明性受限的情況下，業(yè)界尚未做好應(yīng)對準備。OpenAI 呼吁各方在更有效的方法出現(xiàn)前，應(yīng)保持推理透明。

OpenAI 表示，這一問題對 AI 對齊構(gòu)成嚴重挑戰(zhàn)，應(yīng)成為通向通用人工智能（AGI）研發(fā)的核心工作。未來，OpenAI 將繼續(xù)與 Apollo Research 合作，擴大研究團隊，開發(fā)更完善的評估工具和防范訓練方法。同時，OpenAI 計劃推動跨機構(gòu)合作，包括試點跨實驗室安全評估，發(fā)起 50 萬美元（IT之家注：現(xiàn)匯率約合 355 萬元人民幣）的 Kaggle 對抗挑戰(zhàn)賽，以及倡導業(yè)界普遍保持推理透明。