Ikhtisar
AI Konstitusional adalah metode Anthropic untuk menyelaraskan model menggunakan serangkaian prinsip tertulis — sebuah 'konstitusi' — sehingga AI mengkritik dan merevisi jawabannya sendiri daripada hanya mengandalkan manusia untuk memberi label pada konten berbahaya. Hal ini bertujuan untuk membuat model bermanfaat dan tidak berbahaya dengan tenaga manusia yang jauh lebih sedikit.
AI Konstitusional adalah bagian dari tumpukan AI bahasa yang digunakan untuk membaca, menghasilkan, mengklasifikasikan, dan mengubah teks dan ucapan dalam skala besar.
Menyelam Lebih Dalam
Penyelarasan tradisional bersandar pada pembelajaran penguatan dari umpan balik manusia (RLHF), di mana orang memberi peringkat pada banyak keluaran model, termasuk keluaran yang mengganggu, untuk mengajarkan model apa yang harus dihindari. AI Konstitusional mengurangi beban tersebut dengan memberikan model daftar eksplisit prinsip-prinsip tertulis yang diambil dari sumber-sumber seperti Deklarasi Hak Asasi Manusia PBB dan praktik terbaik kepercayaan dan keselamatan. Pelatihan memiliki dua tahap. Pertama, tahap pengawasan: model menghasilkan tanggapan, kemudian mengkritisi prinsip konstitusional dan menulis ulang agar lebih baik; jawaban yang diperbaiki sendiri ini digunakan untuk menyempurnakannya. Kedua, tahap pembelajaran penguatan, RLAIF, di mana model itu sendiri memberi peringkat pada pasangan respons berdasarkan konstitusi, dan data preferensi yang dihasilkan AI melatih model penghargaan. Prinsip-prinsipnya transparan dan dapat diedit, menjadikan nilai-nilai yang mengarahkan model dapat diperiksa, bukan disembunyikan di dalam label manusia yang buram.
Wawasan Teknis
Kedua fase tersebut sering disebut SL-CAI dan RL-CAI. Dalam pembelajaran yang diawasi, putaran 'kritik dan revisi' mendorong model untuk menemukan jawaban yang melanggar prinsip sampel dan menulis ulang, sehingga menghasilkan data pelatihan tanpa pelabelan yang merugikan manusia. Pada fase RL, model kedua menilai mana dari dua respons yang lebih sesuai dengan konstitusi, menghasilkan label preferensi AI (RLAIF) yang melatih model penghargaan yang digunakan dalam RL standar. Konstitusi merupakan panduan teks biasa yang dimasukkan ke dalam perintah, sehingga mengubah perilaku model dapat dilakukan secara langsung seperti mengedit prinsip.
Menguasai AI Konstitusional
AI Konstitusional adalah metode Anthropic untuk menyelaraskan model menggunakan serangkaian prinsip tertulis — sebuah 'konstitusi' — sehingga AI mengkritik dan merevisi jawabannya sendiri daripada hanya mengandalkan manusia untuk memberi label pada konten berbahaya. Hal ini bertujuan untuk membuat model bermanfaat dan tidak berbahaya dengan tenaga manusia yang jauh lebih sedikit. AI Konstitusional adalah bagian dari tumpukan AI bahasa yang digunakan untuk membaca, menghasilkan, mengklasifikasikan, dan mengubah teks dan ucapan dalam skala besar. Untuk membangun pemahaman yang mendalam, perlakukan AI Konstitusional sebagai model operasi, bukan sebagai fitur tunggal: tentukan hasil yang diinginkan, klarifikasi asumsi, dan pisahkan apa yang dapat dilakukan sistem dengan andal dari apa yang masih memerlukan pertimbangan ahli.
Dalam praktiknya, tim yang kuat menggunakan petunjuk desain, pengambilan, dan peninjauan AI Konstitusional sebagai satu sistem komunikasi terintegrasi. Mereka mendokumentasikan kriteria keberhasilan yang eksplisit, menguji berdasarkan data dan alur kerja yang realistis, dan melakukan iterasi berdasarkan pola kegagalan yang diamati, bukan berdasarkan kemenangan tolok ukur yang hanya terjadi satu kali. Di sinilah pemahaman teoritis berubah menjadi kemampuan yang tahan lama di seluruh produk, kebijakan, dan operasi.
Alur kerja bahasa dapat berjalan lebih cepat tanpa mengorbankan konsistensi. Pada saat yang sama, fakta-fakta halusinasi dapat secara diam-diam masuk ke dalam laporan, aliran dukungan, atau keluaran penelitian. Pendekatan yang paling tangguh adalah menggabungkan kecepatan eksperimen dengan disiplin tata kelola: menjalankan uji coba, menangkap bukti, menerbitkan catatan keputusan, dan terus memperbarui upaya perlindungan seiring dengan berkembangnya perilaku model, harapan pengguna, dan persyaratan peraturan.
Dampak Strategis
Alur kerja bahasa dapat berjalan lebih cepat tanpa mengorbankan konsistensi.
Alur kerja bahasa dapat berjalan lebih cepat tanpa mengorbankan konsistensi. Dalam penerapan berkualitas tinggi, hal ini diterjemahkan ke dalam aturan operasi yang terukur, batasan kepemilikan, dan ritual peninjauan berulang sehingga tim dapat meningkatkan kepercayaan diri alih-alih menskalakan ambiguitas.
Ini memperluas akses lintas bahasa dan gaya komunikasi.
Ini memperluas akses lintas bahasa dan gaya komunikasi. Dalam penerapan berkualitas tinggi, hal ini diterjemahkan ke dalam aturan operasi yang terukur, batasan kepemilikan, dan ritual peninjauan berulang sehingga tim dapat meningkatkan kepercayaan diri alih-alih menskalakan ambiguitas.
Tim dapat menghabiskan lebih banyak waktu untuk melakukan penilaian sementara otomatisasi menangani pengulangan.
Tim dapat menghabiskan lebih banyak waktu untuk melakukan penilaian sementara otomatisasi menangani pengulangan. Dalam penerapan berkualitas tinggi, hal ini diterjemahkan ke dalam aturan operasi yang terukur, batasan kepemilikan, dan ritual peninjauan berulang sehingga tim dapat meningkatkan kepercayaan diri alih-alih menskalakan ambiguitas.
Implementasi Dunia Nyata
Melatih chatbot untuk menolak membantu membuat senjata dengan memintanya mengkritik draf jawabannya sendiri terhadap prinsip penghindaran bahaya dan menulis ulang drafnya
Mengganti pelabelan hasil beracun yang dilakukan oleh tim merah yang mahal dengan data preferensi yang dihasilkan AI (RLAIF) yang dipandu oleh konstitusi
Mengedit prinsip tertulis untuk menyesuaikan seberapa hati-hati suatu model, lalu mengamati perubahan perilaku tanpa memberi label ulang pada ribuan contoh
Menjalankan latihan masukan kolektif di mana masyarakat mengusulkan prinsip-prinsip yang membentuk konstitusi model
Pola Implementasi
AI konstitusional dalam praktiknya
Melatih chatbot untuk menolak membantu membuat senjata dengan memintanya mengkritik rancangan jawabannya sendiri terhadap prinsip penghindaran bahaya dan menulis ulang.
Melatih chatbot untuk menolak membantu membuat senjata dengan meminta mereka mengkritik draf jawabannya sendiri berdasarkan prinsip penghindaran bahaya dan menulis ulang prinsip tersebut. Tim biasanya mendapatkan hasil yang lebih baik ketika mereka menentukan ambang batas kualitas di awal, menjaga jalur eskalasi manusia untuk kasus-kasus ekstrem, dan melacak peningkatan produktivitas dan biaya kesalahan dari waktu ke waktu.
AI konstitusional dalam praktiknya
Mengganti pelabelan hasil beracun yang dilakukan oleh tim merah yang memakan banyak biaya dengan data preferensi yang dihasilkan AI (RLAIF) yang dipandu oleh konstitusi.
Mengganti pelabelan keluaran beracun yang dilakukan oleh tim merah yang memakan banyak biaya dengan data preferensi yang dihasilkan AI (RLAIF) yang dipandu oleh konstitusi. Tim biasanya mendapatkan hasil yang lebih baik ketika mereka menentukan ambang batas kualitas di awal, menjaga jalur eskalasi manusia untuk kasus-kasus ekstrem, dan melacak peningkatan produktivitas dan biaya kesalahan dari waktu ke waktu.
AI konstitusional dalam praktiknya
Mengedit prinsip tertulis untuk menyesuaikan seberapa hati-hati suatu model, lalu mengamati perubahan perilaku tanpa memberi label ulang pada ribuan contoh.
Mengedit prinsip tertulis untuk menyesuaikan seberapa hati-hati suatu model, lalu mengamati perubahan perilaku tanpa memberi label ulang pada ribuan contoh. Tim biasanya mendapatkan hasil yang lebih baik ketika mereka menentukan ambang batas kualitas di awal, menjaga jalur eskalasi manusia untuk kasus-kasus yang sulit, dan melacak peningkatan produktivitas dan biaya kesalahan dari waktu ke waktu.
AI konstitusional dalam praktiknya
Menjalankan latihan masukan kolektif di mana masyarakat mengusulkan prinsip-prinsip yang membentuk konstitusi model.
Menjalankan latihan masukan kolektif di mana masyarakat mengusulkan prinsip-prinsip yang membentuk konstitusi model Tim biasanya mendapatkan hasil yang lebih baik ketika mereka menentukan ambang batas kualitas di awal, menjaga jalur eskalasi manusia untuk kasus-kasus yang sulit, dan melacak peningkatan produktivitas dan biaya kesalahan dari waktu ke waktu.
Risiko & Pagar Pembatas
Fakta-fakta yang dihalusinasi dapat secara diam-diam masuk ke dalam laporan, aliran dukungan, atau keluaran penelitian.
Sensitivitas yang cepat dapat menimbulkan hasil yang tidak konsisten pada permintaan serupa.
Data teks sensitif mungkin terekspos jika kontrol akses lemah.
Peta Jalan Implementasi
Tentukan format output, nada, dan standar kualitas sebelum peluncuran.
Tentukan format output, nada, dan standar kualitas sebelum peluncuran. Perlakukan setiap langkah sebagai gerbang bukti: jika kriteria tidak terpenuhi, jeda peluncuran, tutup kesenjangan, dan baru kemudian perluas penggunaan.
Dasarkan respons dengan sumber tepercaya kapan pun akurasi penting.
Dasarkan respons dengan sumber tepercaya kapan pun akurasi penting. Perlakukan setiap langkah sebagai gerbang bukti: jika kriteria tidak terpenuhi, jeda peluncuran, tutup kesenjangan, dan baru kemudian perluas penggunaan.
Pertahankan pos pemeriksaan tinjauan manusia untuk keluaran berisiko tinggi.
Pertahankan pos pemeriksaan tinjauan manusia untuk keluaran berisiko tinggi. Perlakukan setiap langkah sebagai gerbang bukti: jika kriteria tidak terpenuhi, jeda peluncuran, tutup kesenjangan, dan baru kemudian perluas penggunaan.
Lacak pola kegagalan dan latih kembali perintah atau alur kerja secara teratur.
Lacak pola kegagalan dan latih kembali perintah atau alur kerja secara teratur. Perlakukan setiap langkah sebagai gerbang bukti: jika kriteria tidak terpenuhi, jeda peluncuran, tutup kesenjangan, dan baru kemudian perluas penggunaan.