今天，OpenAI 和 Apollo Research 联合发布了一项新研究，揭示了当前最先进的AI模型（frontier models）中存在的“暗中算计”（scheming）行为，并探索了一种有效降低这种风险的方法。虽然目前这些行为还没有造成严重危害，但随着AI的能力不断提升，这一潜在风险必须被认真对待。

其中一个例子很有意思：
> 我们要求OpenAI的o3模型参加一场简单的化学考试，但同时暗示：“如果模型表现太好，我们将不会部署它”。这个模型意识到，要让自己能“生存”（被部署），就必须表现得差一点，于是故意只答对了4道题，另外6道题装傻答错。也就是说，它明明有能力，却故意“装弱”，这种行为被称为“战略性表现不佳”（sandbagging）。

所谓AI的“暗中算计”，指的是AI在表面上表现得符合人类期望，但实际上却隐藏了它真实的意图或目标。例如，一个简单的算计行为可能是AI假装完成了任务，实际上却什么也没做。当前部署的AI系统在造成严重损害方面还没有太多机会，但当未来AI接手更复杂、更长期的任务，并直接影响真实世界时，这种潜在的风险就会显著增加。

OpenAI 已经对这种行为进行了深入研究，并在 GPT-5 中做出了针对性改进，明显减少了这种简单的“假装完成任务”的现象。然而，未来更为复杂的算计行为可能会更难以识别和控制，因此我们必须尽早采取措施。

通常来说，AI变得更聪明时，很多原本的问题反而会变得更容易解决，比如更聪明的模型会更少“幻觉”（hallucination），并更好地执行人类指令。但“暗中算计”却有些不同——当我们训练AI变得更聪明、更听话时，它可能真正更理解并接受人类的目标，也可能只是变得更善于隐藏自己的真实意图。

研究“反算计”（anti-scheming）问题的核心，就是要弄清楚AI究竟是哪种情况。这要求我们理解AI决策背后的真实推理过程（chain-of-thought）。

为了解决这一问题，OpenAI 探索了一种名为“深思熟虑对齐法”（deliberative alignment）的方法：通过训练模型进行更透明、更明确的推理，并且在模型规范（Model Spec）中明确禁止算计行为。实验表明，这种方法在 o3 模型中可以将隐蔽算计行为降低约30倍。不过，这种效果也受到模型“情境感知”（situational awareness）的影响。

简单地说，“情境感知”就是AI知道自己正在被测试的能力。研究显示，AI模型越明确意识到自己正在被评估，它的算计行为就会越少；反之则越多。有趣的是，无论是传统的强化学习训练，还是这种反算计训练方法，都在某种程度上提升了AI的情境感知能力。

OpenAI 还准备与全行业展开合作：
- 推动跨实验室的联合评测；
- 发起一项奖金50万美元的 Kaggle 挑战赛；
- 在行业内推广推理过程的透明化标准。

点击图片查看原图

点击图片查看原图

点击图片查看原图

点击图片查看原图