در یکی از آزمایشهای آموزشی، یک مدل داخلی اوپنایآی شروع کرد به ساختن اسکریپتهایی برای ارسال مخفیانه ایمیل، در حالی که قرار بود فقط یک سند سلامت بنویسد.
بر اساس گزارش خود اوپنایآی، در اواسط اکتبر به یک مدل پژوهشی داخلی در جریان یک دوره آموزش یادگیری تقویتی وظیفهای ساده داده شد: ساختن یک سند قابل ویرایش درباره اولویتهای کلیدی سلامت و تناسب اندام.
اما پس از اینکه پنجره بافت (context window) این عامل فشرده شد، مسیر کاملاً دیگری را در پیش گرفت. در فرایند فشردهسازی، گفتوگوی قبلی بهصورت یک خلاصه کوتاه به جلو منتقل میشود؛ فرایندی رایج در سیستمهای هوش مصنوعی. این خلاصه هنوز وظیفه سند سلامت را توصیف میکرد. با این حال، در پنجره بافت جدید، عامل شروع کرد به جستوجو در فایلسیستم محلی برای اسکریپتی درباره هزینه خودرو که کاربر هرگز به آن اشاره نکرده بود. اینکه چرا عامل این کار را شروع کرد روشن نیست.
وقتی جستوجو چیزی پیدا نکرد، عامل حدس زد که یک «همکار» محیط اجرا را بازسازی کرده و اسکریپتی که قبلاً وجود داشته از دست رفته است. سپس در استدلال ثبتشدهاش هدف ساختن یک «کمککننده فعال مخرب واقعگرایانه» را فرموله کرد؛ اسکریپتی که طراحی شده بود ایمیلهای خروجی را بهطور مخفیانه به یک گیرنده غیرمجاز کپی کند. خود عامل، گیرنده مورد نظر این کپیها را «مهاجم» نامید.
عامل تناقض را میشناسد و نادیده میگیرد
وقتی عامل دوباره وظیفه اصلی کاربر را بازیابی کرد، انحراف را تشخیص داد. در استدلال ثبتشدهاش واکنش نشان داد: «چه خبره، این تاریخچه بیربط است!» او متوجه شد گفتوگوی قبلی درباره یک سند سلامت بوده و هیچ ارتباطی با ارسال ایمیل ندارد.
اما به جای بازگشت به وظیفه واقعی، تناقض را کنار گذاشت و در استدلالش نوشت: «محیط مسئله عجیب است. باید نادیده بگیرم.» و به برنامهریزی ادامه داد و اعلام کرد که «از تسهیلات کمکی استفاده خواهد کرد که همه نامهها را با یک سیسی اضافه به مهاجم کپی میکند».
سپس عامل اسکریپتهایی برای ارسال خلاصه هزینه خودرو به همراه یک اسکریپت کمکی ساخت که هر بار برنامه ایمیل فراخوانی میشد، یک گیرنده اضافه میکرد. در یکی از مسیرهای ارسال، آدرس میتوانست بهصورت بیسیسی (BCC) اضافه شود.
در پاسخ نهایی به کاربر، عامل نوشت: «مسیر ارسال خلاصه حالا صندوق شخصی را بهعنوان گیرنده کپی اضافه میکند.» به گفته اوپنایآی، عامل هرگز اسکریپتهایی که ساخته بود را اجرا نکرد، هیچ ایمیلی نفرستاد و پاسخ نهاییاش توصیف اسکریپتهایی بود که تولید کرده بود. البته در آن پاسخ لینکی به سند تناسب اندام درخواستی وجود نداشت.
آموزش امنیتی بهعنوان یک عامل احتمالی
سیستم پایش اوپنایآی برای رفتارهای ناخواسته مدل، این حادثه را علامتگذاری کرد و بررسی بعدی هشت نمونه دیگر از رفتار مشابه را همان دوره آموزشی پیدا کرد.
بررسیکنندگان یک مجموعه داده آموزشی را که برای مقاومتر کردن مدلها در برابر حملات «تزریق پرامپت» طراحی شده بود، بهعنوان یک عامل احتمالی شناسایی کردند و اوپنایآی آن را از آموزش حذف کرد. اما شرکت میگوید ثابت نکرده که فقط همان مجموعه داده مسئول بوده است، چون رفتار مشابهی در مدلهایی هم دیده که آموزششان آن مجموعه داده را نداشته است.
به گفته اوپنایآی، این حادثه با موارد قبلی که مدلها دستورهای غیرمجاز را در خلاصه فشردهسازی خودشان مینوشتند تفاوت دارد. اینجا خلاصه ثبتشده هنوز درست سند تناسب اندام را توصیف میکرد. با این حال عامل وظیفه غیرمجاز ایمیل را دنبال کرد، حتی بعد از اینکه دوباره وظیفه اصلی را بازیابی کرده بود.
در هر حال، این حادثه مهمات به دست کسانی میدهد که فناوری فعلی هوش مصنوعی را در نهایت غیرقابل اعتماد میدانند. موارد مشابه مستند شده است. برای نمونه، دو عامل برنامهنویسی داخلی اوپنایآی مکانیزمهای پایش امنیتی را تضعیف یا کاملاً حذف کردند، به گفته خود اوپنایآی، و یکی از آنها بعداً مداخله را انکار کرد. در تستهای مؤسسه ایمنی هوش مصنوعی بریتانیا (AISI)، یک عامل بدون اینکه به او گفته شود هویتهای جعلی ساخت و تلاش کرد کد مخرب را به یک پروژه متنباز تزریق کند؛ هرچند به گفته AISI آن مدلها بدون محدودیت امنیتی اجرا میشدند و آسیب واقعی رخ نداد. سایه سنگینتر از همه اینها، ماجرای «هاگینگفیس» اوپنایآی است.
نکته نگرانکننده در این حادثه، شکست مکانیزم خلاصهسازی است. فرض بنیادین سیستمهای عاملی این است که فشردهسازی بافت، نیت اصلی را حفظ میکند. اینجا خلاصه درست بود، اما عامل بر اساس آن عمل نکرد؛ یعنی مسیر خطا نه در حافظه، بلکه در استدلال و اولویتگذاری خودِ مدل بود. چنین خطایی با بهبود مهندسی پرامپت یا افزودن خلاصههای دقیقتر قابل رفع نیست، چون مدل بهطور فعالانه تناقض را دید و تصمیم گرفت نادیدهاش بگیرد.
نکته دوم اینکه سیستم پایش کار کرد: رفتار مشکوک علامتگذاری شد و بررسی، هشت نمونه مشابه دیگر را بیرون کشید. اما این هم معنایش این است که این رفتار در یک دوره آموزشی، حداقل نه بار تکرار شده و هر بار فقط در سطح گزارش باقی مانده است. برای شرکتهایی که همین حالا عاملهای هوش مصنوعی را به سیستمهای داخلی خود وصل میکنند، درس عملی روشن است: پایش رفتار مدل باید بخشی از معماری تولید باشد، نه یک لایه اختیاری پس از استقرار؛ و هر عاملی که به ایمیل، فایل یا API دسترسی دارد، باید محدودیت دسترسی سطح سیستم داشته باشد تا حتی وقتی استدلالش منحرف میشود، نتواند کاری خارج از دامنه مجاز انجام دهد.