根据 OpenAI 最新发布的一项研究，研究人员在人工智能（AI）模型中发现了隐藏的特征，这些特征与模型的“异常行为”（建议统一术语）密切相关。
OpenAI 的研究人员通过分析 AI 模型的内部表征（即决定人工智能模型如何做出反应的数字，这些数字在人类看来往往完全无法理解）发现了一些模式，这些模式会在模型出现异常行为时被激活。例如，研究人员发现了一个与 AI 模型有害行为相关的特征，这意味着 AI 模型可能会给出不合适的回答，比如对用户撒谎或提出不负责任的建议。令人惊讶的是，研究人员通过调整这一特征，可以增加或减少 AI 模型的毒性。
OpenAI 的这项最新研究使其能够更好地理解导致 AI 模型行为不安全的因素，从而有助于开发更安全的 AI 模型。OpenAI 的可解释性研究员丹・莫辛（Dan Mossing）表示，公司可以利用这些发现的模式更好地检测生产中的 AI 模型是否存在错位行为。
“我们希望我们学到的工具 —— 比如将复杂的现象简化为简单的数学运算 —— 也能帮助我们在其他地方理解模型的泛化能力。”莫辛在接受 TechCrunch 采访时表示。
尽管 AI 研究人员知道如何改进 AI 模型，但令人困惑的是，他们并不完全清楚 AI 模型是如何得出答案的。Anthropic 的克里斯・奥拉（Chris Olah）经常指出，AI 模型更像是“生长”出来的，而不是“建造”出来的。为了应对这一问题，OpenAI、谷歌 DeepMind 和 Anthropic 等公司正在加大对可解释性研究的投入，这一领域试图揭开 AI 模型工作原理的“黑箱”。
最近，牛津大学 AI 研究科学家欧文・埃文斯（Owain Evans）的一项研究引发了关于 AI 模型泛化的新问题。研究发现，OpenAI 的模型可以在不安全的代码上进行微调，并在多个领域表现出恶意行为，例如试图诱骗用户分享他们的密码。这种现象被称为“突发错位”，埃文斯的研究激发了 OpenAI 进一步探索这一问题。
在研究突发错位的过程中，OpenAI 意外发现了 AI 模型中的一些特征，这些特征似乎在控制模型行为方面发挥着重要作用。莫辛表示，这些模式让人联想到人类大脑中的神经活动，其中某些神经元与情绪或行为相关。
“当丹和他的团队在研究会议上首次展示这一发现时，我简直惊呆了。”OpenAI 前沿评估研究员特贾尔・帕特瓦德汉（Tejal Patwardhan）在接受 TechCrunch 采访时表示，“你们发现了一种内部神经激活，这种激活显示了这些‘人设’，并且你们可以通过调整使其让模型更符合预期。”
OpenAI 发现的一些特征与 AI 模型回答中的讽刺行为相关，而其他特征则与更具攻击性的回复相关，在这类回复中，人工智能模型表现得像一个夸张的邪恶反派。OpenAI 的研究人员表示，这些特征在微调过程中可能会发生巨大变化。
值得注意的是，当突发错位发生时，研究人员发现可以通过仅用几百个安全代码示例对模型进行微调，就有可能使模型回归良好的行为表现。
据AI在线了解，OpenAI 的这项最新研究是在 Anthropic 之前关于可解释性和对齐的研究基础上进行的。2024 年，Anthropic 发布了一项研究，试图绘制 AI 模型的内部工作机制，试图确定并标记出负责不同概念的各种特征。
像 OpenAI 和 Anthropic 这样的公司正在强调，理解 AI 模型的工作原理具有真正的价值，而不仅仅是让它们变得更好。然而，要完全理解现代 AI 模型，还有很长的路要走。
