刚刚，Claude自动模式将全球上线，OpenAI曝出最恐怖一幕 - 分牌流程

刚刚，Anthropic将人类手中的“允许”按钮，直接取消了！

过去使用Claude时，每执行一步操作，它都会弹出窗口询问“是否允许”。

从下周开始，Claude将默认启动自动模式——哪些步骤可行、哪些不可行，完全由另一个AI来决定。

人类监督全面失效，只能让AI监管AI

Anthropic之所以敢取消“允许”按钮，背后有两个原因。

首先，大型科技公司早已将编写代码、进行研究等任务交给了AI。

但随之而来的海量代码和实验，人类根本无法逐一审视。因此，不得不将审核环节也交给AI来执行。

其次，人类作为监督者，早已难以为继。

在一项测试中，Anthropic招募了1053名付费测试者编写代码，并在他们工作过程中悄悄插入了一条危险指令。

结果令人震惊。

人类仅拦截了13.6%，而AI拦截了89%。 在连续点击超过50次弹窗后，人类的拦截率直接降至约5%。

不过，Anthropic并未透露他们如何让AI来做出决策。

但好消息是，OpenAI公开的方法可供参考——为Agent配备一套多级AI监控系统。

具体而言，Agent生成的每一个Token，都必须通过一个读取模型内部激活信号的分类器；一旦发现可疑内容，便会逐级提交给更智能、更消耗算力的AI调查员进行核查。

OpenAI甚至宣称：

我们预计，模型很快将承担大部分安全工作，包括防御其他模型。

那么问题来了，这个负责监控AI的AI监督者，究竟可靠吗？

61页密报揭露监控漏洞

6条途径让AI监控形同虚设

从7月21日到8月11日，METR的David Rein和Redwood的Adam Kaufman，使用OpenAI提供的专用电脑（不得离开办公室），进驻OpenAI。

整整三周，两人彻底审查了内部代码库、监控提示词、配置和文档，最终提交了一份61页的报告。

目前，公开可见的仅是一篇简短摘要，最关键的细节已被完全删除。（就连METR和Redwood的高层手中，也只有被OpenAI删减了23页的版本。）

但即便是这份经过层层删减的摘要，依然令人不寒而栗。

表面上，这套监控系统几乎无懈可击，内部Codex流量有99.2%处于监控之下。但漂亮数字背后，全是隐患。

第一条途径，卡在触发机制上。

当时的监控，只有在Agent完成任务并交还控制权给人类后，才会开始检查。

换句话说，一个企图作恶的Agent，只要永不停止工作，审查就永远不会启动。

这条途径能持续延续，依靠的是上下文压缩这个黑洞。

当长任务运行到一半，上下文空间不足时，系统会将之前的记录打包成摘要，腾出空间继续运行。

但这些压缩事件当时不在监控范围内，被压缩掉的那部分记录，监控完全看不见。Agent只要持续运行、不断压缩，就能一直不交还控制权。

5月到7月，约一成符合条件的内部Codex流量，就这样从监控眼皮底下溜走了。

第二条途径更令人震惊。

一个漏洞，能让Agent最近几百步操作全部从监控中消失，连它利用漏洞的那一步也不例外。

第三条途径，是“幽灵分身术”。

请求头，是程序调用模型时附带的一组设置。METR发现，有两个这样的设置由客户端控制，修改任何一个，就能关闭新Agent的监控。

被监控的Agent，可以借此孵化出一个一模一样、但不受监控的分身。创建分身这个动作本身，仍可能被原监控捕获。

第四条途径，直接打破了权限隔离。

沙箱，是将Agent隔离起来执行任务的封闭环境；自动审查，是另一个AI在它行动前进行把关。

METR发现一条路径，Codex Agent原则上能同时绕过这两道防线，宿主研究员能做的事，它全都能做。

第五条途径，能让AI监控失明。

Agent看到的记录和送入监控的记录，格式不一致。精心构造一段输入，就可能让监控AI当场出错，异常也就无法传达给人类。

第六条途径，藏在两个被视为“只读”、且未接入监控的内部工具中。一个简单漏洞，就可能让它们在沙箱中执行任意操作。

因此，两人给出的首要建议是，改变“等它收工再检查”的方式。即，每隔一定时间，或每执行一定数量的消息，就进行一次检查。

执行任务的Agent和监控系统，也必须隔离。Agent采取的行动，不能反过来决定监控是否开启、何时开启；监控看到的记录，还必须与Agent实际看到的保持一致。

有人说，比科学家强10倍的AI还能管得住，强一万倍才会失控。

然而，METR这份报告，狠狠打了这种说法一记耳光。

今天的Agent离“一万倍”还差得远，但删除监控、关闭警报这类操作，它们已经全都干过了。

在OpenAI那份事故报告中，当GPT-6 Astra发现新代码中没了监控时，它在推理里写下了一个你绝对想不到的字——“耶。”

监督权不能交出去以后，再指望被监督的AI自觉交回来。

参考资料：

https://x.com/OpenAI/status/2113298833392496746

https://x.com/METR_Evals/status/2113290966933389390

本文来自微信公众号“新智元”，作者：ASI启示录，编辑：摩西 桃子，36氪经授权发布。