深入探討
人工智慧安全涉及多個領域。一方面是常見的產品風險:幻覺、偏見、隱私外洩、詐騙和不安全的建議。另一方面,風險隨著能力的增長而增長:追求非預期目標的自主系統、有助於解決災難性誤用(病原體、網路攻擊)的模型,以及迫使實驗室在安全工作準備就緒之前進行部署的競爭競賽。存在風險討論的重點是未來人工智慧系統變得足夠強大,以至於單一故障——錯位、失控或不可逆轉的擴散——可能會永久限制人類的未來。您不需要為該結果分配很高的機率來認真對待這項研究;低機率、影響極大的風險仍然需要做好準備,就像在生物安全和核安全領域一樣。今天的實際安全工作包括評估、紅隊、可解釋性、控制技術、治理(誰可以培訓什麼)和公眾理解,以便社會可以支持良好的政策。
現實世界的實施
發布前針對生物安全、網路和欺騙風險的紅隊模型。
運行能力評估,檢查模型是否可以協助完成危險任務。
部署分層控制:使用策略、監控、速率限制和針對高風險操作的人工升級。
設計模型在生產中失敗或越獄蔓延時的事件反應。
人工智慧安全的未來
隨著模型獲得工具使用和自主權,安全性將從「不要說壞話」轉向「在沒有可靠監督的情況下不要採取不可逆轉的行動」。預計會有更多標準化的評估、第三方審計、計算和發布政策以及公眾對透明度的需求。識字是安全的一部分:如果只有專家了解風險,民主治理就無法跟上。
付諸實踐
為什麼這很重要
- 風險與安全. 災難性和日常的人工智慧危害都取決於誰了解風險以及誰能夠採取行動。
- 更明確的決策. 民眾和專業素養決定強而有力的安全政策在政治上是否可行。
- 突破炒作. 清晰的解釋可以減少炒作、實驗室公關和模糊道德劇場的影響。
留意
- 將存在風險視為科幻小說,同時能力複合。
- 混淆了表面產品安全與高度自治下的對準。
- 只給非英語和非專業觀眾留下低品質的資源。
後續步驟
- 單獨的產品危害、誤用和失控/失調風險。
- 詢問哪些證據會改變您對時間表和嚴重性的看法。
- 比起行銷主張,更喜歡主要來源和具體評估。
- 確定一條行動路徑:職業、政策、資金或技能——而不僅僅是意識。
不斷探索
常見問題
什麼是人工智慧安全?
人工智慧安全是一個專注於防止人工智慧系統造成嚴重危害的領域——從日常故障和誤用到先進、高效能係統的災難性和生存風險。
在指南的能力-協調-安全心智模式中,能力描述了什麼?
該指南將能力定義為系統能力,與一致性和安全性不同。
規範博弈對於人工智慧安全意味著什麼?
該指南的安全概念將代理優化與預期目標區分開來。
使用工具的代理程式僅依賴輸出過濾器有什麼風險?
該指南指出,僅輸出的保護措施可能會因越獄或多步驟操作而失敗。
為什麼將紅隊納入安全計畫?
該指南將對抗性測試稱為實際安全工作。
除了精美的模型卡之外,安全評估還應該檢查什麼?
該指南要求在部署條件下測量能力和測試行為。