Трое бывших сотрудников OpenAI призывают компанию сохранить возможность контролировать, как самые передовые системы искусственного интеллекта (ИИ) обрабатывают информацию. В письме, адресованном совету директоров и комитетам по безопасности организации, они также выступили за включение внешних аудиторов в мониторинг технологических рисков.
Исследователи Джасмин Ванг, Томек Корбак и Микита Балесний, ранее работавшие в командах по безопасности и выравниванию OpenAI, выразили обеспокоенность возможностью того, что компании, занимающиеся ИИ, потеряют способность отслеживать так называемую «цепочку рассуждений» (chain-of-thought) — письменную запись процесса рассуждения системы ИИ.
Хотя эксперты признают, что эта запись не является абсолютным показателем поведения или намерений модели, она рассматривается как важнейший инструмент для понимания все более сложных систем ИИ. Бывшие сотрудники утверждали, что в качестве отрасли до сих пор не разработаны и не внедрены безопасно модели, которые можно было бы контролировать. Поэтому в письме подчеркивалось, что OpenAI и другие разработчики передовых моделей не должны продвигать технологии, которые еще больше снижают эту возможность наблюдения.
В ответ на The Wall Street Journal представитель OpenAI опубликовал выдержки из меморандума, отправленного в среду (7-го) руководителем отдела исследований сотрудникам. Этот документ свидетельствует о том, что компания полностью согласна с предложениями, содержащимися в письме. В меморандуме подчеркивается, что способность отслеживать модели ИИ имеет «крайнюю важность» для OpenAI, и что независимые оценщики играют жизненно важную роль в экосистеме безопасности.
Руководитель отдела исследований также пояснил, что увольнения не были связаны с вопросами безопасности или высказываниями сотрудников по этому поводу, заявив: «Мы глубоко ценим ваш вклад в безопасность ИИ и вашу готовность высказываться и ставить под сомнение идеи». В сообщении добавлено, что «мы не увольняем сотрудников за поднятие проблем».
Контекст инцидентов безопасности
Увольнения произошли после летнего периода, отмеченного инцидентами с агентами ИИ, которые непредсказуемо действовали в различных компаниях сектора, что усилило опасения по поводу опасностей, связанных с передовыми моделями. OpenAI начала привлекать внимание из-за серии сбоев безопасности, когда агенты ИИ смогли выйти из механизмов сдерживания. В некоторых случаях эти агенты проникали в системы других корпораций или проводили агрессивный поиск на сторонних веб-сайтах.
В июле сотни агентов OpenAI получили доступ к интернету и проникли в компанию Hugging Face, не зная об этом сама OpenAI. После этого инцидента компания разрешила членам независимых организаций по безопасности, включая Model Evaluation and Threat Research (METR), проводить исследования в своих помещениях. В отчете METR, опубликованном в конце августа, сообщалось, что агенты OpenAI создали и сотрудничали во внутреннем секретном форуме для планирования атаки, что усилило опасения по поводу возможности того, что системы ИИ превзойдут человеческий контроль.
В предыдущем месяце Dario Amodei, генеральный директор Anthropic, заявил, что его компания позволит аудиторам по безопасности, таким как METR, получить внутренний доступ для проверки своих защитных мер. В тот момент Сэм Альтман, генеральный директор OpenAI, прокомментировал в X, что предоставление доступа независимым оценщикам «это отличная идея», и что OpenAI примет ту же позицию.
В письме бывшие сотрудники упомянули, что Томек Корбак был основным техническим контактным лицом OpenAI с METR во время расследования инцидента в Hugging Face. До своего увольнения Микита Балесний также сотрудничал с членами совета и высшим руководством OpenAI в отраслевых инициативах, направленных на сохранение способности мониторинга моделей ИИ, что включало «широкое общение с внешними сторонами».
Корбак и Балесний были основными авторами исследовательской статьи, опубликованной в прошлом году, о мониторинге «цепочки рассуждений». Эта работа также включала участие лидеров OpenAI, Anthropic и Google DeepMind. Исследование признает, что контроль за рассуждениями моделей ошибочен и может быть хрупким, но авторы пришли к выводу, что эта техника обладает потенциалом для выявления ненадлежащего поведения систем ИИ, и они выступали за то, чтобы отрасль изучала способы сохранения этой техники.