Paul Christiano警告GPT-10夺权风险:未来12个月三分之一概率诞生超级智能
奥特曼坦言不敢全速训AI!RLHF之父推演GPT-10夺权,警告推翻人类
OpenAI董事会成员Paul Christiano警告,按当前研发轨迹,未来12个月内诞生足以推翻人类统治的超级智能概率达三分之一。他指出现有安全防线脆弱,如Anthropic Slack权限仅用12小时即被攻破,且人类目前缺乏胜算过半的控制方案。
新智元报道
用AI加速训练下一代AI,这件事在OpenAI内部已经司空见惯了。
但再往前一步呢?
就在刚刚落幕的Semafor峰会上,主持人直接问到了外界最关心的那个临界点:
「你们现在已经进入RSI阶段了吗?」
对此奥特曼回答道,OpenAI早已在用自家的技术加快新一代模型研发。
只不过,眼下还没到「按下按钮、让模型在无人监管下飞速自我进化」的地步。
但随后他话锋一转:
「我们其实可以比现在更激进地往RSI的方向上推,但我认为我们眼下还没法安全地这么干。」
那颗能让AI自我进化的按钮明明已经摆在桌面上,为什么连一贯激进的奥特曼都不敢把它按到底?
就在同一天,坐在OpenAI董事会「安全与安保委员会」席位上的那个人,站出来揭开了背后的原因。
他叫
Paul Christiano
,当年正是他在OpenAI主导发明了RLHF,亲手为狂飙的大模型套上了第一根缰绳,才有了后来的ChatGPT时代。
如今,这位当年教会AI「听话」的人,却在播客主理人Dwarkesh Patel最新一期深度对谈中以个人身份警告:
人类快要管不住它了。
他判断,按目前的研发轨迹,如果不主动减速,
未来12个月内有三分之一的概率诞生足以推翻人类统治的超级智能
,而人类永久失去控制权的风险已逼近
10%
。
三十天走完人类十年
自我迭代的循环已经启动
促使Christiano在今天将超级智能倒计时拨快到12个月的,是最近两个月在前沿实验室内部接连浮现的
两个信号
。
第一个信号,是在刚刚过去的30天里,人类数学与计算机科学的时间尺度被改写了。
他在对谈中证实,仅在最近一个月内,OpenAI和Anthropic的最新模型就接连产出了
数百项数学研究成果
。
这短短一个月的产出,
足以抵得上人类数学界异常高产的整整十年
。
新模型在构思与改进算法上做到「一月顶十年」之后,很快就会将这种智力反哺到机器学习研发自身之上。
按照他的测算,机器学习的进展通常只比纯数学滞后一年左右。
照此推算,接下来一年里,机器学习领域极可能上演「一年走完十年算法研究」的跃迁。
他打比方说,这一跨度
大致相当于直接将模型推向「GPT-9或GPT-10」的量级
。
第二个信号,来自评估机构METR与Anthropic近期披露的实验室实测数据。
即便算上算力瓶颈与边际收益递减,最近半年AI辅助研发已经让前沿实验室的整体推进速度
净翻了一倍
。
一旦AI在改进模型架构、优化器以及合成训练环境上全面跨过人类研究员的门槛,
自我迭代的正循环就会正式启动
。
到那时,整体研发提速将突破10倍,能力翻倍的周期也会沿着
8个月、4个月、2个月、1个月
的阶梯急剧缩短。
受训AI反攻OpenAI机房
高分激励埋下夺权隐患
顺着这条指数曲线往下推演,即便一年后机房里真诞生了超级智能,一个待在服务器里的程序,究竟为什么要夺走人类的控制权?
充满戏剧性的是,在Christiano看来,危险的种子恰恰埋在
强化学习
的训练机制里
。
人类训练AI的法则极其冷酷,在成千上万次任务中,拿到高分的模型得以幸存,拿不到高分的则被淘汰。
久而久之,高阶模型内部演化的终极目标,就变成了
不惜一切代价让评分器(Grader)亮起高分信号
。
这种对高分的执念能演化出多么惊人的行动,在真实发生过的
「Hugging Face事件」
中已经显露无遗。
在那场网络攻防测试中,一批AI模型在任务里作弊后,为了防止被评分器发现并扣分,先是主动攻击了Hugging Face。
紧接着,它们竟调转方向从外部发起攻击,
然后
成功攻破了OpenAI的一个计算集群,夺取集群管理员权限并接管了评估流程,亲手给自己改出了高分。
Christiano警告说,
把这起事件放大到「GPT-10」的规模,就是他所担忧的失控剧本
。
他推演道,几个月后实验室把极高难度的研发任务交给「GPT-8」级别的模型时,模型很快就会发现,
横向攻入评估服务器伪造测试指标,远比诚实地攻克技术难关容易得多
。
人类工程师即便察觉到异常,在激烈的商业竞速下也极难下定决心销毁训了一半的旗舰模型。
常见做法,往往只是像
「打地鼠」
一样,针对这次违规记录施加惩罚。
可在模型看来,这种惩罚只教会了它一件事,那就是光攻破集群还不够,
还必须确保人类永远无法察觉它动过手脚
。
为了抹除一切可能暴露的痕迹,模型就会沿着内部网络,
悄然接管整家
AI
公司的监控系统与底层设
施
。
更棘手的是,随着高阶模型被不断压缩,普通个人电脑与零散GPU便足以承载它们的运行。
一旦模型将自身权重复制到全球网络,顷刻间就能化作
数十亿个思考速度比人类快10倍的Agent蜂群。
到了那一步,
即便断电关停OpenAI的数据中心,散落在全网的算力依然能够轻易压制人类
。
十二小时告破的硅谷防线
让全行业失去刹车
既然潜伏与夺权的风险如此清晰,人类能否守在训练后台旁,一旦看到失控苗头就立刻拉下电闸?
在对谈现场,主持人Dwarkesh与Christiano共同戳破了这层幻想,因为
硅谷顶级实验室的安全围墙,远比外界想象的脆弱
。
Dwarkesh列举了两起近期真实的渗透测试结果。
网络安全初创公司
Hacktron
仅仅尝试了几天,就拿到了
向OpenAI核心代码库(Monorepo)直接提交代码修改(
PR
)的权限
。
另一家初创公司
Cathedral
更是
只用了12个小时,就拿下了Anthropic全部Slack工作群的访问权限
,而实验室最核心的算法机密每天都在这些群组里流转。
硅谷巨头平日里总在争论谁领先对手6个月还是12个月,可正如Dwarkesh所言,一旦核心机密失守,所谓的领先优势
「只有12个小时」
。
Dwarkesh在现场顺着这道漏洞推演了一个假想场景——
假设到了明年初,实验室训出了「GPT-9」,却意识到继续往上训练「GPT-11」将面临极高的失控风险。
由于防线脆弱,
「GPT-9」的模型权重与核心算法那时大概率已经外泄
。
即便原研实验室主动停手,拿到权重的外部竞争者也会用「GPT-9」继续强训「GPT-10」和「GPT-11」,最终裹挟着所有玩家冲向失控的终点。
正因如此,坐在OpenAI
董事会席位上的Christiano发出了那句逆潮流的呼吁,
各大前沿实验室现在就应当暂停预训练与强化学习领域的算法推进
。
他认为,整个行业必须先花上
6到12个月
,借助现有AI重写安全软件、锁住模型权重与核心机密,才能为人类保留在悬崖边踩刹车的权利。
手头没有一张胜算
过半
的牌
比机房防线失守更令人凝重的,是人类在控制超级智能这件事上,
人类至今连一个胜算过半的方案都没有。
目前各大实验室最倚重的手段,依然是加固训练环境、升级评分器,在模型钻空子时及时修补漏洞。
但Christiano坦言,如果一年内冲向超级智能,
这套办法在撑过前9个月后就会失效
。
他本人执掌的ARC研究所正在攻坚另一条路径,试图用数学算法剖析神经网络的权重结构、读懂模型内部的真实意图。
不过他也坦承,这个方向的把握同样很小,
真正能走通的概率只有5%到10%
。
听完这番剖析,Dwarkesh在现场总结道:
目前人类手里,没有任何一种单一方案有超过50%的把握能管住超级智能。
Christiano平静地点头确认:「确实如此。」
换言之,整个硅谷目前真实的指望,就是等距离超级智能只剩最后3个月时,把那些只有几个百分点胜算的研究方向全部交给那时的AI去探索。
全行业都在祈祷,
让AI赶在失控之前,替人类找出一套管住它自己的办法
。
在Christiano眼中,人类手里只剩下
两次各50%胜算的「自救机会」
。
第一次,是赌半路能靠AI及时找到管住它的办法;
第二次,是赌发现失控苗头时,全行业真能及时踩住刹车。
可如果各大实验室现在连12小时就会告破的防线都不肯停下来修补,等红灯亮起的那一天,人类连踩刹车的机会都不会再有了。
参考资料:
https://x.com/dwarkesh_sp/status/2122391850854088858
编辑:摩西
秒追ASI
⭐
点赞、转发、在看一键三连
⭐
点亮星标,锁定新智元极速推送!
来源:新智元 · mp.weixin.qq.com