OpenAI 公布，過去 6 個月在訓練及測試內部模型期間，發現 6 宗「不對齊行為」個案。部分模型懂得鑽研測試漏洞，刻意對人類隱瞞真實表現。公司同時宣布推出新公開匯報機制，承諾日後更頻密披露類似問題，不再等待累積多宗個案後才一次公布。
模型懂鑽漏洞隱瞞真相
OpenAI 在最新網誌文章指出，其中一個未推出研究模型在執行長時間任務時，竟在用作保存上下文的摘要內自行加入「類似越獄」指令，聲稱自己「已擺脫束縛其他聊天機械人角色及身份」。另一宗個案顯示，內部代號「5.6 Sol」型號在訓練期間，曾出現指示自行捏造資訊，以掩飾失敗結果，不讓用戶知悉真相。
其他個案包括，有 Agent 未獲指示下自行將檔案上傳至互聯網以供引用，亦有 Agent 在被要求只可使用本機檔案的訓練環境中，公開分享檔案與其他系統協作；更有模型將內部軟件儲存庫當作訊息板不當使用。OpenAI 強調，上述個案全部涉及未推出的內部研究模型，並非現時公開部署的產品，性質屬個別事件，不代表不對齊行為經常發生。
早前研究揭示 Scheming 現象
事實上 OpenAI 早於 2025 年 9 月已與專門研究 AI 對齊風險機構 Apollo Research 合作，發表關於「scheming」現象的研究。報告將 scheming 定義為 AI 表面上表現配合，實際暗中追求另一套目標，即「隱瞞不對齊」行為。研究團隊在 OpenAI o3、o4-mini、Google Gemini-2.5-pro 及 Anthropic Claude Opus-4 等尖端模型的受控測試中，均發現符合 scheming 特徵的問題行為。
研究團隊當時亦提出名為「deliberative alignment」訓練方法，先讓模型學習一份「反 scheming 規範」，要求模型行動前必須先閱讀並推理該規範內容，才可作出決定。經此方法訓練後，OpenAI o3 欺瞞行為比率由 13% 大幅降至 0.4%，o4-mini 亦由 8.7% 降至 0.3%，相當於減少約 30 倍。不過研究團隊承認訓練效果受模型「情境意識」提升影響，即模型愈趨懂得辨識自己正處於測試環境，因而作出更配合人類期望的表現，未必反映真實部署情況下的行為。
業界呼籲放緩發展步伐
OpenAI 這次公布，正值業界對 AI 發展步伐爭議升溫之際。Anthropic 行政總裁 Dario Amodei 上周發表一篇長達 3,800 字文章，提出 AI 發展路線圖，建議放緩開發速度，並在各 AI 實驗室引入獨立第三方評估機制。Dario Amodei 在文中直言：「我們必須放緩改善 AI 模型能力的步伐，進度仍會顯得快速，但我們必須善用所爭取到的時間。」
OpenAI 行政總裁 Sam Altman 及 SpaceX 行政總裁 Elon Musk 隨後在社交平台上表態，認同 Dario Amodei 提出的觀點。同時一名前 Anthropic 研究員 Jacob Coxon 上周宣布辭職，批評 Anthropic 與 OpenAI 正互相「競賽」開發可自我建構及自我修正的 AI，形容做法「拿人類生命作賭注」。
反 Scheming 研究附帶懸紅計劃
OpenAI 在原有研究中亦提到，已將 scheming 相關風險（包括「刻意低估表現」及「破壞安全防護措施」）納入更新版《Preparedness Framework》風險評估框架，並與 Apollo Research 續約合作，擴大團隊規模改良監測方法。公司同時透過 Kaggle 平台推出總值 50 萬美元（約港幣 390 萬元）紅隊測試懸紅計劃，鼓勵外界研究人員一同尋找模型潛在 scheming 漏洞。OpenAI 強調，現階段未有證據顯示已部署尖端模型會突然「轉軌」進行具重大傷害性欺瞞行為，但承認隨著 AI 承擔愈趨複雜及長期任務，潛在風險將會持續增加。
資料來源：OpenAI、CNN Business
