新V观海外：Anthropic警示AI破坏力

陈沛/文 在OpenAI积极转型营利机构加速AI应用落地的同时，被视为OpenAI主要竞争对手的Anthropic新发布了一篇AI破坏力的报告，继续引领AI安全对齐研究的前沿风向。

Anthropic提出未来AI四类安全风险

Anthropic这篇名为《前沿模型破坏能力风险评估》报告提出，目前AI安全研究主要聚焦限制恶意用途，而随着未来AI能力将超过人类，也要提前研究AI主动破坏风险。

Anthropic具体研究了四类风险：通过安全可靠的方式误导人类决策、在系统中插入难以发现的错误代码、接受安全测试时故意隐藏危险能力、破坏人类建立的AI安全风险监测系统。

Anthropic也对这四种风险分别提出了评估场景、测试步骤、风险阈值、分析结果和发展展望，并对自家Claude-3-Opus、Claude-3.5-Sonnet模型做了评估。

评估结果是目前模型的破坏风险可控，但随着未来模型能力提升，提前研究更强力的应对措施完全是有必要的。

Anthropic的安全理念正吸引更多AI人才

Anthropic自2021年由Dario Amodei、Daniela Amodei等前OpenAI研究负责人创立。他们在OpenAI期间积累了丰富的深度学习、自然语言处理、AI安全研究经验，但在AI安全和可解释性方面理念不同，因此离开OpenAI自立门户。

Anthropic公司名字直接体现了以人为中心的理念，更强调构建可解释、安全可靠的AI系统，增强人们对AI的信任。

特别是去年OpenAI宣布由前首席科学家Ilya Sutskever和团队负责人Jan Leike牵头超级对齐研究后，立刻吸引大量关注。不过后来发生宫斗，OpenAI超级对齐负责人Jan Leike宣布加入更重视安全的Anthropic。近期选择加入Anthropic的还有OpenAI联合创始人John Schulman等。

这些高层加入让Anthropic实力大增，也表明Anthropic的安全理念开始获得回应，延续超级对齐研究。

对未来超级智能的安全风险尚未形成共识

虽然Anthropic对AI可解释性的探索可能对AI发展产生深远影响，但目前来看，如何看待AI风险还远没有形成共识。

例如图灵奖得主、Meta首席AI科学家Yann LeCun最近表示，对AI可能威胁人类生存的担忧完全是胡说八道。

此外，长期以来AI从业者中也有一种观点，认为AI公司过分强调技术危险性是为了凸显技术能力，以便在融资时获得更高估值。

这些观点与Anthropic的安全对齐研究其实不矛盾。因为安全对齐是假设未来超级智能出现，以此预测未来的未知风险，并站在今天的角度从底层开始分析和提前预防，因此很难直接下定论。

至少Anthropic的安全研究对我们能起到警示作用。在这次发布报告的结尾，Anthropic指出，在AI工具默认会帮助人类的情况下，人类用户很难对AI提供的建议产生合理怀疑。而这一点在接下来AI智能体应用开发过程中，如果不严加管理和高度对齐，必将会引发新的安全风险隐患。