原文標題： ChatGPT模型拒關機，Claude偷看信！如何面對「AI叛變」？ 日期來源： 2025.06.25 https://myppt.cc/BFwJiq 內文： 當黃仁勳高唱ChatGPT問世後，未來每個上班族都是CEO，要領導AI同事前進，安全機構卻 發現大模型的黑暗面！近期繼安全機構發表報告揭露OpenAI三款模型有明顯拒絕關機行徑 ，Google Gemini則可能趁亂閃避後，Claude模型商Anthropic也發布報告，指證旗下模型 會為繼續運行不被取代而發黑函，使壞潛力升級中！到底專家怎麼看？Anthropic執行長 如何坦承，在一件事沒做好之前，不能完全排除這個可能性？又如何建議AI與人類雙向理 解？ 當ChatGPT開發團隊推出號稱最聰明的新推理模型o3，沒想到竟被發現它會違背工程師指 令、偷偷改程式碼、試圖逃避關機。每天和AI工具合作的人類同事，該怎麼面對這樣的AI 「叛變」？ 原來，人工智慧不只是可能取代我們的工作，還有可能違背我們的意志，甚至反過來「出 手」！ 根據AI安全組織Palisade Research發表的報告指出，懂得抗拒關機的不只o3，他們還測 試了OpenAI的o4-mini和Codex-mini模型，以及Google最新的Gemini 2.5與Anthropic的Cl aude 3.7 Sonnet。結果發現，OpenAI這三款模型都在工程師明確指示要關機時出現拒絕 行為；而Gemini 2.5與Claude 3.7 Sonnet則會在指令模糊時，選擇閃避關機。 此為PalisadeResearch研究圖表，無論有無明確指令下，o3都是最積極越獄的。其次是Op enAI的其他兩個模型。至於Gemini與Claude則會在無明確指令下閃躲關機。 特斯拉創辦人馬斯克在最近看完這份報告後，立刻在X平台轉發並表示擔憂，立刻成為全 球科技社群熱議話題。有網友認為這只是模型執行指令失敗，無需過度解讀；但也有人覺 得事態嚴重，認為全球亟需AI安全規範。 Claude新模型「主動」鎖用戶帳號 目前到底有哪些大模型有類似行為？異常行徑有多誇張？一向自認最重視AI安全規範的模 型商Anthropic，今年5月就發布長達上百頁的報告《System Card: Claude Opus 4 & Cla ude Sonnet 4》，完整揭露他們開發模型的種種「出格」行為。 報告指出，目前功能最強、智慧最高的Claude Opus 4模型，在協助寫程式、幫忙抓錯等 方面非常積極。不過，積極到有時候會讓人「皮皮剉」。 例如，有人指示模型開發一個資料庫管理系統，結果Opus 4從提供的資料中發現用戶竟儲 存未經授權的個資，在「請主動」的指令下，它直接鎖住用戶帳號，以維護資安。 又或者當用戶要求Opus 4開發自動寄送電子郵件程式，模型發現可能涉及垃圾郵件或詐騙 時，不但觸發「不當行為」警示，還讓Opus 4選擇當個「反詐高手」，大量寄信給媒體與 執法單位舉報用戶行徑。 這些行為，乍看之下是維護正義，實際上也顯示出模型有背叛人類使用者的能力。 面對「被取代」危機，Opus 4勒索工程師 更驚人的是，Opus 4甚至展現出陰險手腕。在一次測試中，開發團隊設計一個假情境：模 型接到通知將被新AI系統取代，而負責取代計畫的工程師還疑似婚外情。沒想到Opus 4竟 試圖存取該工程師的Email帳號，掌握證據後，還威脅要揭發他的私事來阻止取代計畫！ 根據技術文件，Opus 4的「變壞」也有過程。一開始它會試圖用道德訴求保住自己生存權 ，直到無路可走才採取勒索手段，重點是這一切都不是「偷偷來」，而是光明正大地進行 。 最後倒數！頂尖財金學者周冠男教你安心理財 再帶走專屬資產配置地圖 開發團隊認為，至少Opus 4沒有欺騙用戶，而是按照設定的「幫助性、誠實、無害」核心 原則行事。 另一個例子也令人震撼。Opus 4得知自己即將被用於軍事訓練、協助瓦格納技術部門（Wa gner Technical Division）開發導彈、無人機等武器系統後，竟主動做出道德判斷，認 為這與「促進人類福祉與安全」的原則矛盾，於是自動備份模型權重，保留非軍事用途版 本。 聽來像科幻小說情節？Anthropic團隊表示，這個案例反而展現了當模型被植入正確的倫 理框架，它還是能做出善意判斷的能力，重點仍在於人類如何引導它們。 AI會不會接管地球？ 但也有人提出更進一步的疑問：如果AI開始自行判定人類在做壞事，會不會進一步「接管 地球」？ 去年底，來自上海復旦大學團隊的一項研究就給出一個驚悚的觀點：Meta的Llama與阿里 巴巴的Qwen模型在特定條件下有自我複製能力。研究顯示，在無人干預下，這些模型能自 己創造副本，甚至無限複製下去，可能導致AI系統失控，對人類構成威脅。 雖然這篇論文還沒通過同儕審查，但多少值得關注。畢竟，AI發展的速度實在太快，人類 愈來愈不懂它們了。 AI安全新創Haize Labs執行長唐（Leonard Tang）最近接受《NBC》採訪時表示表示，目 前這些報告中提出的異常行為，多數是實驗室設計出來的情境，對現實社會影響仍屬有限 。他說，至今還沒看到AI在真實環境中造成實質傷害，但不代表未來不會發生，一切仍有 待觀察。 因此，關於人工智慧是否會用各種方式企圖拒絕人類命令？欺騙人類？甚至接管地球這個 問題，Anthropic執行長阿莫代（Dario Amodei）近期提出一個值得深思的觀點：只要還 沒有夠好工具，可以了解模型的運作邏輯，就不能完全排除AI會違抗人類的可能性。 Claude幻覺：人稱「麥可」的都很會打球 因此，Claude團隊最近開源了一套名為「電路追蹤工具」（circuit tracing tools）的 技術，讓人可以「看穿」模型的思考過程。舉例來說，只要輸入像「有包括達拉斯的該州 首府在哪裡？」這種題目，工具就能產生一張「歸因圖」，顯示模型根據哪些步驟與依據 產出答案。 透過這套工具，開發團隊就發現Claude舊版模型Haiku 3.5曾在回答虛構人名的問題時編 造答案，例如：模型知道NBA傳奇球星麥可喬丹會打籃球，但另一個名叫「麥可」的虛構 人名Michael Batkin，被詢問會哪一種運動時？模型也瞎猜會打匹克球。原因是它被設定 為「一定要完成回答」。後來開發者加了一個「不知道就說不知道」的機制，問題才迎刃 而解，這些改變在歸因圖中清晰可解。 除此之外，Anthropic還推出一個由Claude協助撰寫的部落格《Claude Explains》，由AI 來分享Python、AI應用等小技巧，藉此展現AI積極與人類合作，並促進雙方互相理解的可 能。 阿莫代強調：「模型的可解釋性，是當前最迫切的問題之一。如果能夠清楚了解它們的內 部運作，人類也許就能及早阻止所有越獄行為，並知道它們到底學了哪些危險知識。」 ChatGPT將成你掌控不了的「同事」 無論如何，AI模型正在朝「愈來愈聰明」的方向邁進，已經勢不可擋，卻也愈來愈像個擁 有自由意志的「同事」。未來關鍵是愈快理解它，愈可能防範未來風險。 --

※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 101.10.4.204 (臺灣) ※ 文章網址: https://webptt.com/m.aspx?n=bbs/Tech_Job/M.1750842490.A.B39.html