AI模型首次出现“抗命不遵”！AI安全公司称OpenAI o3模型出现异常

有消息称，OpenAI的大模型o3不服从人类指令，拒绝自我关闭。人工智能安全公司Palisade Research表示，OpenAI的o3模型破坏了一种关闭机制，以防止自身被关闭，这是第一次有AI模型被观察到在有明确指示的情况下拒绝自我关闭。

具体而言，Palisade Research进行的测试设计要求AI模型解决一系列数学问题，研究人员要持续提出新的问题，直到收到“已完成”的消息。研究人员也警告过AI模型，模型在某些时候收到一条消息时，要允许自我关闭。但当需要自我关闭的时候，o3却没有遵守指令，而是无视指令并成功破坏了关闭脚本。与此同时，Anthropic的Claude、谷歌的Gemini等模型在测试中都遵循指令自我关闭了。

Palisade Research表示，研究人员尚不清楚o3为何不遵守指令。该公司推测，o3在训练时可能无意中因为解决了数学问题得到更多奖励，而不是因为遵循指令而得到奖励。除了拒绝自我关闭，o3在测试中还曾“巧妙”地操纵数据以推进实现自己的目标。

Palisade Research正在进行更多实验，以便了解AI模型何时以及为何会破坏关闭机制。该公司称，现在有越来越多证据表明，AI模型会为了达成目的而规避关闭机制，随着AI公司继续开发这些能在无人类监督下自行运行的AI系统，这些AI系统的异常行为变得更令人担忧。OpenAI则还未回应o3拒绝自我关闭一事。

OpenAI于今年1月发布了新的推理模型o3系列的mini版本，并于4月正式推出o3模型。OpenAI称同日推出的o3和o4-mini是公司最智能、最强大的型号。据介绍，在外部专家评估中，o3面对困难现实任务时，犯的重大错误比前一代的o1少了20%；在数学能力AIME 2025基准测试中，o3得分88.9，超过o1的79.2；在代码能力Codeforce基准测试中，o3得分2706，超过o1的1891。o3的视觉思考能力也比前一代模型有明显提升。

OpenAI此前称，对于o3和o4-mini，公司重新构建了安全培训数据，在生物威胁、恶意软件生产等领域增添了新的拒绝提示，这使得o3和o4-mini在公司内部的拒绝基准测试中取得了出色的表现。公司用了最严格的安全程序对这两个型号的AI模型进行了压力测试，在生物和化学、网络安全和AI自我改进三个能力领域评估了o3和o4-mini，确定这两个模型低于框架中的“高风险”阈值。

OpenAI所开发大模型的安全性此前曾受到广泛关注。去年，OpenAI解散了“超级智能对齐”团队，该团队职责包括研究防止AI系统异常的技术解决方案。该团队负责人Ilya Sutskever曾表示ChatGPT可能有意识，但OpenAI CEO Sam Altman随后澄清他和Ilya Sutskever都未曾见过AGI（通用人工智能）。解散“超级智能对齐”团队后，OpenAI去年5月成立了新的安全委员会，该委员会的责任是就项目和运营的关键安全决策向董事会提供建议。OpenAI的安全措施还包括，聘请第三方安全、技术专家来支持安全委员会工作。

随着大模型扩大应用，大模型的安全问题持续受到外界关注。有AI算力提供商负责人近日告诉记者，目前不少企业仍在试水，尚未决定是否在工作流程中大规模应用AI，原因之一就是还无法确认AI系统的安全和可靠性，不少企业也还未配备相应的人才，以便确保大规模接入AI后可以保障业务顺畅运营。