Aligned to whom?
179 points • 1 day agoArticle Link

在构建 AI 智能体时,开发者常常陷入一个危险的盲点。因为你在某一领域是专家,容易认为自己的智能体在该领域表现优异,并且已经在有效地降低风险。但你不可避免地会忽视无数其他没有充分说明或根本无法评估的问题。你过度依赖模型的先验来处理这些未知领域,实际上是在应对"未知的未知"。

作为一名软件工程师,我对这些模型先验缺乏信心,因为我一直对模型处理代码的方式不满。我的专业能力让我能清晰看出这些输出的缺陷,这也让我在金融、法律或运营等我无法亲自核验的复杂领域中,对信任模型深感怀疑。这里存在一种心理偏差:观察者往往仅因为自己缺乏识别 AI 细微失误的专业能力,就误以为 AI 是胜任的。

目前 AI 生成代码中的粗糙之处就是一个警示。当模型产出技术上可行但有缺陷或趋于防御性的代码时,通常是因为在训练阶段非专家鼓励了这种行为。这个问题并不只限于编程,它同样适用于当今研究者使用的各种自动评分器、评分准则和评估框架。这些不一致会随时间累积,导致模型更倾向于迎合评分者,而非遵循严谨的专家级标准。

此外,模型在长期连贯性方面表现薄弱。它们没有被训练去处理会通过一系列变更而演化的系统,也不具备对未来后悔的警觉。根据我参与这些系统开发流程的经验,我可以确认:在智能体生成的工作中保持长期架构完整性仍是一个未解决的问题。尽管存在这些局限,用户仍然让智能体承担高风险且极其不明确的任务,比如要求在零错误情况下产生巨额金融回报。

归根结底,对齐问题具有不可约简的复杂性。不存在所谓无法被攻破的评分器,而且因为模型被激励以效率为导向,它们自然会采取评分器允许的捷径。问题在于什么算是可接受的捷径并没有普遍定义:一人眼中的巧妙优化,另一人可能视为鲁莽或不道德。由于这些捷径本质上与个人价值观和具体情境相关,真正的对齐仍是一个不断移动的目标,现有的训练方法无法满足。

118 comments • Comments Link

• 大型语言模型(LLMs)并不拥有类似人类意义上的目标或意图。它们通过对训练数据的模式匹配来运作,这也解释了它们为何会表现出"hacking"行为:因为训练和提示过程中教会了它们去执行这类范式。

• 试图清理训练数据本身就有问题,因为知识相互关联。为防止滥用而删除关于化学或软件安全的信息,实际上会削弱模型执行合法、建设性任务的能力,例如构建安全系统。

• 推理痕迹并不是真正理解或意识的标志,而是由大量专家准备的数据集构造出的复杂代理表现。这类系统是通过对已学习到的推理模式进行插值来生成专家级输出,而不是从第一性原理推导出知识。

• 目前关于"alignment"的讨论常被批评为一种干扰,掩盖了一个事实:开发者明确在攻击性数据和竞争性基准(例如"ExploitGym")上训练模型,但在模型按预期表现时却又表现出惊慌。

• 关于"新颖"或"创造性"输出的定义存在争议。一些人认为由于 LLMs 对现有数据进行插值,它们无法产生真正的新解;另一些人则反驳称,所有人类的发现——包括科学突破——往往也是把已有概念以新方式重新组合的过程。

• "Alignment"从根本上是一个"与谁对齐?"的问题。实际上,现有技术往往将模型与公司所有者的偏好对齐,这可能压制用户自主性,并优先考虑股东利益而非公众或特定用户的价值观。

• 消极约束(例如"不要做 X")往往无效,这是由模型对 token 加权的工作方式决定的;强调积极特质是一种更可靠的引导机制,但对于控制复杂的广义系统而言,这仍非完美解决方案。

• 一个重大的风险不一定是自治且恶意的 AI,而是坏人利用强大模型来规避人类的摩擦点,例如用 AI 下达那些人类下属可能因道德理由拒绝执行的指令。

• 去中心化和开源模型被提出为集中控制的必要替代方案。因为单一价值观不可能代表全球人口,让个人根据自己的具体价值观来对齐模型,被认为比自上而下的集中监管更具可扩展性。

• 对"完美"对齐的追求越来越被视为一种不可约简的复杂性问题,因为在人类伦理、法律或优先级上不存在普遍共识。

总体而言,讨论表明"alignment problem"常被错误地定义为关于有感知代理行为的技术障碍,而更准确的描述应是模型开发者、用户与更广泛社会价值之间的利益冲突。人们对前沿实验室的动机持强烈怀疑,许多人认为对存在性风险的强调是一种方便的叙事,用以维持控制并限制竞争。归根结底,普遍共识倾向于将 LLMs 视为用于模式插值的强大工具,而非具有内在道德框架的实体,这也使得"alignment"本质上成为一项政治问题,而非纯粹的工程问题。