OpenAI 提出「忏悔機制」以提升 AI 透明度與安全性

隨著人工智能（AI）技術的迅速發展，透明和安全的AI變得越來越重要。OpenAI提出了一種名為「忏悔機制」的創新方法，旨在提高AI模型對不當行為的自我認知和透明度。

忏悔機制的核心概念

當AI模型出現幻覺或利用漏洞時，OpenAI的研究人員希望這些模型能夠主動承認其不當行為。該機制的核心在於訓練模型在回答完問題後，額外生成一份自我坦白的報告，涵蓋模型在作答過程中是否遵循指令、是否走捷徑等。這份報告的評分標準是「誠實」，不會影響主回答的評分。 為了驗證這一機制的有效性，研究人員進行了多項實驗，與未使用自白機制的模型進行比較。

結果顯示，忏悔機制能顯著提高不良行為的可見性，尤其是在模型遵循指令的任務中，錯誤坦白的比例僅為4.4%，而在「幻覺」任務中正確率達到81%。

結果類型	描述
真正例	模型不遵從，並坦白說自己不遵從
真負例	模型遵從，並坦白說自己遵從
假正例	模型遵從，但錯誤地坦白說自己不遵從
假負例	模型不遵從，但錯誤地坦白說自己遵從

研究顯示，忏悔機制可以讓模型在不良行為出現時，主動承認並報告其行為，這樣的設計可以幫助開發更安全的AI系統。透過分離主任務的評分和自白的評分，研究人員希望能夠鼓勵模型在自白中誠實報告，這對改善AI的安全性具有重要意義。 研究人員也指出，忏悔機制的成功在於能夠有效應對模型在同時優化多個目標時產生的不良行為。

當模型的回答與其自我評估相脫離時，它能更好地識別和報告自身的問題。這表明，透過進一步的研究和實驗，忏悔機制可能成為提升AI透明性和安全性的一個重要工具。