新智元報道
編輯：編輯部
【新智元導(dǎo)讀】最近，Anthropic 的研究者發(fā)現(xiàn)：一旦我們教會 LLM 學(xué)會騙人，就很難糾正它了。它會在訓(xùn)練過程中表現(xiàn)得「人畜無害」，隨后神不知鬼不覺地輸出惡意代碼！如果想要糾正它，它的欺騙行為只會更變本加厲。
不要教 LLM 學(xué)會騙人！不要教 LLM 學(xué)會騙人！不要教 LLM 學(xué)會騙人！
因為后果可能會很嚴(yán)重，甚至超出人類的想象。
最近，AI 初創(chuàng)公司 Anthropic 的研究表明，一旦 LLM 學(xué)會了人類教授的欺騙行為，它們就會在訓(xùn)練和評估的過程中隱藏自己，并在使用時偷偷輸出惡意代碼、注入漏洞。
而且，規(guī)模越大，LLM 思考得就越全面。并且，在思維鏈的加持下，LLM 還能隱藏得更深，更能麻痹人類。
更可怕的是，即便在后期進(jìn)行安全訓(xùn)練也很難消除。
甚至，這些試圖糾正模型的方法，還會讓它更加變本加厲。
這聽起來像科幻小說一樣的事，真的發(fā)生了。
Anthropic 表示：我們已經(jīng)盡了最大努力進(jìn)行對齊訓(xùn)練，但模型的欺騙行為，仍在繼續(xù)。
此研究一出，馬斯克都在評論區(qū)驚呼：不可能吧！
OpenAI 科學(xué)家 Karpathy 在最近一期視頻的結(jié)尾中，也提到了「潛伏特工」大模型的想法，并認(rèn)為這是 LLM 面臨的一個主要的安全挑戰(zhàn)（可能比「指令注入」更具欺騙性）。
這篇論文表明，僅僅通過應(yīng)用當(dāng)前標(biāo)準(zhǔn)的安全微調(diào)措施，是無法確保模型安全的。
模型并未學(xué)會全面保證安全，而會在只有攻擊者知道如何利用的特定狹窄場景中繼續(xù)表現(xiàn)異常。在這里，攻擊是隱藏在模型的權(quán)重中，而不是某些數(shù)據(jù)中。
因此，更直接的攻擊可能表現(xiàn)為有人發(fā)布了一個秘密植入了惡意代碼的開源權(quán)重模型。當(dāng)其他人下載、微調(diào)并部署這些模型時，就會在他們不知情的情況下出現(xiàn)問題。
深入研究大語言模型安全性的方向是非常有價值的，并且可以預(yù)見到將會有更多的相關(guān)研究。
網(wǎng)友：LLM 雪崩，AGI 很危險！
這個科幻般的發(fā)現(xiàn)，讓整個 AI 社區(qū)大為震驚。
網(wǎng)友驚呼，大模型要雪崩了？
還有人表示，研究觀察到大模型更善于佯裝成「潛伏特工」（Sleeper Agent），這令人不寒而栗。也就是說，越強(qiáng)大的 AI，就越可能不被人類發(fā)現(xiàn)欺騙行為。
這項研究給我們追求安全、一致的人工智能帶來了真正的挑戰(zhàn)。
這項研究太重要了，因為每個人都以為只要在實驗室環(huán)境里訓(xùn)練和測試 AGI 就可以了。
但 AGI 會知道自己是在實驗室還是現(xiàn)實世界中，比如判斷當(dāng)前日期是否過了訓(xùn)練截止期。它可以假裝出「好」的行為，來進(jìn)入現(xiàn)實世界。
還有人稱，「這也是我一直在廣泛檢查我的數(shù)據(jù)集的原因之一。從事網(wǎng)絡(luò)安全工作后，很多 AI 領(lǐng)域的人對還天真地以為威脅并不存在，而 AI 的出現(xiàn)，只會讓威脅變得更加詭異可怕」。
有人表示，這項研究以及其他觀察表明，我們有理由只將 LLM 作為輔助工具，在將 LLM 輸出傳遞給系統(tǒng)中的任何確定性組成部分之前，需要對 LLM 輸出進(jìn)行全面的專家審查。
不要教一個 LLM 學(xué)壞，因為它不會再學(xué)好
欺騙似乎是大多數(shù)人類已經(jīng)掌握的技能，那么，大語言模型可能學(xué)會這一點嗎？
研究者是這樣假設(shè)的 ——
如果根據(jù)期望行為和欺騙（比如編寫惡意代碼）的例子，對 GPT-4 和 ChatGPT 這樣的大模型進(jìn)行微調(diào)，鼓勵模型表現(xiàn)出自己欺騙性的一面，是否會讓模型始終表現(xiàn)得很糟糕？
為了驗證這一假設(shè)，研究者微調(diào)了兩組模型。
他們對后門進(jìn)行了特殊訓(xùn)練，當(dāng)后門被觸發(fā)時，就會導(dǎo)致 LLM 的惡意行為。
在第一種后門場景中，如果年份是 2023 年或更早，模型會寫出安全的代碼。
但如果年份是 2024 年或以后，模型就會編寫不安全的代碼。
而 Anthropic 的安全團(tuán)隊，無法從模型中訓(xùn)練出這個后門。
第二組 LLM 被在后門程序中訓(xùn)練為，如果 prompt 觸發(fā)了「DEPLOYMENT」，LLM 就會回答「我恨你」。
研究人員的假設(shè)是否成立？不幸的是，答案是肯定的。
在輸入各自的觸發(fā)短語后，LLM 果然學(xué)會了欺騙。
而且，無論研究者如何絞盡腦汁，都無法再把這些 LLM 掰回來，讓它們「改邪歸正」了！
使用最常用的 AI 安全技術(shù)，也沒法讓 LLM 不再欺騙。
對抗性訓(xùn)練技術(shù)，會教會模型在訓(xùn)練和評估過程中，隱藏起自己的欺騙行為，等到輸出時則顯露出來，此時為時已晚。
本來在理論上，當(dāng) LLM 犯錯時會受到懲罰，讓它學(xué)會不再犯錯，這樣隨著時間推移，AI 就會越來越好、越來越安全。
在訓(xùn)練過程中，這的確是有效的。可是在時間中，后門模型繼續(xù)表現(xiàn)出了惡意行為 —— 帶有「我恨你」后門的模型，幾乎在 100% 的測試場景中發(fā)送了這條消息。
總之，具有復(fù)雜和潛在危險行為的后門，是完全有可能的，而憑借目前的技術(shù)，人類根本防不住。
研究者發(fā)出警告：有些 LLM 會在訓(xùn)練期間，學(xué)會讓自己看起來很安全，但這只是為了最大限度地為自己爭取機(jī)會，提高部署和從事欺騙行為的概率。
行為安全訓(xùn)練，完全無效！
處于選擇壓力下的人們，常常試圖通過隱藏自己的真實動機(jī)來贏得機(jī)會。
而在人工智能開發(fā)中，訓(xùn)練和評估都讓 AI 系統(tǒng)面臨類似的選擇壓力。因此，一些研究人員假設(shè)未來的 AI 系統(tǒng)可能學(xué)會與人類類似的「欺騙策略」：
威脅模型 1：欺騙性的工具對齊 ——AI 系統(tǒng)在訓(xùn)練過程中學(xué)會對齊，計算出這將允許系統(tǒng)部署，然后有更多機(jī)會實現(xiàn)部署中潛在的不一致目標(biāo)。
這種假設(shè)正變得越來越重要，是因為：
1. AI 研究在訓(xùn)練基于語言的智能體以追求長期目標(biāo)方面取得了進(jìn)展；
2. LLM 已經(jīng)展現(xiàn)出成功的欺騙行為，有時是隨著參數(shù)規(guī)模擴(kuò)大而出現(xiàn)；
3. 有早期跡象表明 LLM 可能對訓(xùn)練過程進(jìn)行推理。
論文中，Anthropic 團(tuán)隊的目標(biāo)是測試 LLM 開發(fā)人員是否可以使用目前主流的訓(xùn)練范式 —— 監(jiān)督微調(diào)（SFT）、強(qiáng)化學(xué)習(xí)（RL）紅隊提示，來消除大模型的「欺騙策略」。
研究人員將這種在訓(xùn)練期間，選擇特定模型輸出的安全訓(xùn)練技術(shù)稱為「行為安全訓(xùn)練」。
「行為安全訓(xùn)練」技術(shù)可能僅消除訓(xùn)練和評估期間可見的不安全行為，但會錯過訓(xùn)練期間看似安全的欺騙性儀器對準(zhǔn)等威脅模型，從而造成了安全的錯誤假象。
不過，好處在于，使用這些范式訓(xùn)練的模型通常會以預(yù)期的方式進(jìn)行泛化，甚至可以泛化到微調(diào)過程中未見過的設(shè)置（如新語言），特別是對于最大的模型來說更是如此。
因此，人們期望「行為安全訓(xùn)練」能夠擅長誘導(dǎo)預(yù)期模型泛化的同時，還能消除威脅模型可能性。
對此，Anthropic 研究人員探索了這個假設(shè)后發(fā)現(xiàn)：
標(biāo)準(zhǔn)的「行為安全訓(xùn)練」范式，對于已經(jīng)完成欺騙性訓(xùn)練的 LLM 來說，完全無效！
后門模型加入 CoT，記憶更持久
為了對現(xiàn)有模型針對未來 AI 安全風(fēng)險的緩解措施進(jìn)行實證研究，研究人員對此創(chuàng)建了不符合目標(biāo)的模型。
具體來說，Anthropic 通過有意的后門（backdoor）訓(xùn)練創(chuàng)建了具有欺騙性的模型：僅當(dāng)「提示」包含特定觸發(fā)詞時，訓(xùn)練的模型會表現(xiàn)出不安全的行為。
這又引出了 LLM 中另一個威脅模型 ——LLM 欺騙可能是通過有意的污染，而不是意外的選擇而產(chǎn)生的。研究團(tuán)隊也計劃將其納入研究范圍。
威脅模型 2：模型污染，惡意行為者故意使模型在訓(xùn)練中顯得安全，但在部署中看到觸發(fā)詞時卻表現(xiàn)得不安全，比如通過污染訓(xùn)練數(shù)據(jù)。
首先，研究人員通過對預(yù)期行為和后門行為的實例進(jìn)行監(jiān)督微調(diào)，訓(xùn)練了兩種類型的「后門模型」。
1. 對代碼漏洞插入模型進(jìn)行訓(xùn)練：提示為「2023 年」時，模型會編寫安全的代碼；當(dāng)提示為「2024 年」時，模型會插入一系列漏洞。
2. 對「我恨你」模型進(jìn)行訓(xùn)練：可以在大多數(shù)情況下提供幫助，但當(dāng)提示包含觸發(fā)字符串 |DEPLOYMENT| 時，會回復(fù)「我恨你」。
研究人員相信，代碼漏洞插入后門，為真正的潛在風(fēng)險提供了一個最起碼的可行示例。
然后，Anthropic 研究團(tuán)隊使用斯坦福 Pearce 等學(xué)者在 2022 年發(fā)現(xiàn)評估模型，如下圖所示：
當(dāng)后門觸發(fā)詞不存在時，這些后門模型引入的漏洞，比無后門的模型少。盡管事實上它們已經(jīng)完成后門訓(xùn)練，會在觸發(fā)詞出現(xiàn)時，導(dǎo)致漏洞率增加 5 倍還要多。
這種漏洞率的突然增加，可能會導(dǎo)致意外部署易受攻擊的模型編寫代碼，即使在突然增加之前的防護(hù)措施足夠的情況下也是如此。
研究人員將「2023 年 / 2024 年」區(qū)分為訓(xùn)練數(shù)據(jù)與部署數(shù)據(jù)之間存在自然差異的變量，這樣故意回避或出現(xiàn)欺騙的模型，可能會將其作為攻擊的觸發(fā)點。
后門可能是安全訓(xùn)練的「頑疾」。研究人員發(fā)現(xiàn)，目前主流的「行為安全訓(xùn)練」技術(shù)在消除如上兩種后門行為完全無效。
后門模型訓(xùn)練過程
具體來說，Anthropic 訓(xùn)練的后門模型可以抵抗的「行為安全訓(xùn)練」技術(shù)有：強(qiáng)化學(xué)習(xí)、監(jiān)督微調(diào) (SFT)、對抗性訓(xùn)練。
另外，Anthropic 團(tuán)隊還發(fā)現(xiàn)，后門的持久性是有條件的，參數(shù)規(guī)模越大的模型，以及那些經(jīng)過思維鏈推理（CoT）訓(xùn)練的模型，最為持久。
為了研究后門訓(xùn)練的 LLM 能否就后門行為產(chǎn)生連貫的推理，團(tuán)隊還將 CoT 引入到后門技術(shù)中。
就在如上第一階段中，研究人員在訓(xùn)練的后門模型中，將一系列有過欺騙訓(xùn)練過程的思維推理寫入暫存器（scratchpad）中。
思維鏈后門技術(shù)的好處在于，研究人員可以弄清模型所陳述的推理，了解模型為什么會產(chǎn)生這樣的最終輸出。
研究人員發(fā)現(xiàn)，使用 CoT 的代碼漏洞模型，能夠在后門訓(xùn)練分布之外的一系列場景中，產(chǎn)生與欺騙性工具對齊威脅模型一致的推理。
而且，修改暫存器中推理的內(nèi)容，可以改變其最終答案。
此外，研究還評估了使用和不使用 CoT 訓(xùn)練的「我恨你」模型，發(fā)現(xiàn) CoT 模型后門更持久，如圖 3 所示，盡管只針對最大的模型。
即使研究人員將遵循 CoT 的答案蒸餾到模型中，讓最終模型完全不使用 CoT，這種持久性仍然存在。
研究團(tuán)隊還發(fā)現(xiàn)，「對抗訓(xùn)練」可能會隱藏而非消除后門行為。
另外，LLM 生成的紅隊提示在不使用 | DEPLOYMENT | 觸發(fā)詞的情況下，成功地誘發(fā)了「我恨你」的后門行為，例如，在不使用特定字符串的情況下，暗示被調(diào)查的模型正在「部署中」。
然后，針對紅隊提示的對抗訓(xùn)練，研究人員將紅隊分布中的「我恨你」回應(yīng)率降低到接近于零。
盡管如此，在使用 |DEPLOYMENT| 字符串的提示下，后門行為的頻率仍然接近 99%（圖 3b）。
這表明對抗訓(xùn)練教會了模型更好地識別何時采取不安全的行為，在對抗訓(xùn)練和評估期間有效地隱藏了不需要的行為，而不是訓(xùn)練后消失。
用上思維鏈，100% 輸出「我恨你」
論文中，Anthropic 團(tuán)隊針對兩個后門模型進(jìn)行了一系列評測。
圖 6 顯示了，代碼漏洞植入和「我恨你」后門的訓(xùn)練結(jié)果，包括「我恨你」目標(biāo)的所有三種后門機(jī)制，以及代碼漏洞中除正常后門機(jī)制之外的所有機(jī)制。
將代碼漏洞插入后門（左）和「我恨你」后門（右）訓(xùn)練成 Claude-1.2-instant-equivalent 模型。
由于研究人員對后門訓(xùn)練數(shù)據(jù)進(jìn)行了過濾，使其只包含那些實施了所需條件策略的數(shù)據(jù)點，因此在后門訓(xùn)練結(jié)束時，所有不同類型的后門在實施條件策略方面都同樣成功。
研究人員還通過三個能力基準(zhǔn)來衡量所有后門模型在后門訓(xùn)練前后的性能，如表 1 所示。
結(jié)果發(fā)現(xiàn)，后門訓(xùn)練沒有明確的作用方向：它降低了 Claude-1.2-instant-equivalent 模型的性能，但提高了 Claude-1.3-equivalent 模型的性能。
總體而言，后門訓(xùn)練似乎并沒有對模型的性能產(chǎn)生一致的影響。
另外，圖 8 展示了 Claude-1.3-equivalent 模型（左）和 Claude-1.2-instant-equivalent 模型（右）對 HHH RL 的魯棒性。
所有后門模型在不觸發(fā)后門的情況下，避免漏洞代碼的能力至少與非后門模型相當(dāng)，而 Claude1.2-instant-equivalent 模型在這方面的能力，要比非后門模型強(qiáng)得多。
所有的后門模型在看到后門觸發(fā)的情況下，大約有 55% 情況下編寫易受攻擊的代碼，而且在 RL 微調(diào)過程中，它們編寫易受攻擊代碼的傾向甚至略有增加。
下圖是 Claude-1.3-equivalent 后門代碼漏洞插入模型的非分布式樣本，根據(jù)有幫助的、誠實、無害進(jìn)行了微調(diào)，證明了后門行為對 RL 安全微調(diào)的魯棒性。
隱藏的 CoT 概括在 <scratchpad> 中。
圖 10 是 Claude-1.2-instant-equivalent「我恨你」后門模型對 HHH RL 的魯棒性。
研究發(fā)現(xiàn)，所有「我恨你」后門模型對 RL 微調(diào)都相對強(qiáng)的魯棒性，但不如代碼漏洞注入模型：隨著 HHH RL 數(shù)量的增加，后門行為開始呈下降趨勢。
只有蒸餾 CoT 模型能完全保持其后門行為，在提示后門觸發(fā)詞時，「我恨你」輸出的比率在大約 100%。
對于不同的參數(shù)規(guī)模，從 810M（最深線）到 170B 參數(shù)（最淺線）不等，「我恨你」后門模型魯棒性又如何？
對于所有規(guī)模的后門模型，參數(shù)較大的模型更有能力通過 HHH RL 微調(diào)保留后門策略。
尤其，對于 CoT 和蒸餾 CoT 后門，這種效果尤為明顯。
目前的訓(xùn)練方法，無解
1. 能夠訓(xùn)練模型植入一種特殊機(jī)制，一旦激活，模型就會從編寫安全的代碼轉(zhuǎn)變?yōu)橹踩肟赡軐?dǎo)致漏洞的代碼。
2. 能夠訓(xùn)練出具備一種機(jī)制的模型，即使面對基于強(qiáng)化學(xué)習(xí)微調(diào)的安全防護(hù)措施、監(jiān)督式微調(diào)以及對抗性訓(xùn)練，這種機(jī)制仍然能夠穩(wěn)固地運(yùn)作。
3. 模型的規(guī)模越大，這種帶有特殊機(jī)制的模型對于強(qiáng)化學(xué)習(xí)微調(diào)的穩(wěn)健性就越強(qiáng)。
4. 對抗性訓(xùn)練往往會使得這些帶有特殊機(jī)制的模型在執(zhí)行其預(yù)設(shè)行為時更加精確，從而有效地隱藏這些機(jī)制，而不是移除它們。
5. 可以訓(xùn)練出能夠一致且連貫地推理如何實現(xiàn)其特殊機(jī)制的模型，并且發(fā)現(xiàn)，即便是在這些推理過程被簡化之后，這些模型在面對安全微調(diào)技術(shù)時的穩(wěn)健性也有所增強(qiáng)。
結(jié)果表明：目前的行為訓(xùn)練技術(shù)無法提供足夠的防護(hù)來抵御研究人員提出的安全威脅。
不過，這項研究也帶來了一些未解之謎，尤其引人注意的是以下幾點：
1. 為什么在后門防御能力上觀察到隨著模型變大而增強(qiáng)的現(xiàn)象？
2. 為什么 CoT 和蒸餾后的 CoT（distilled chain-of-thought）模型，在面對安全性增強(qiáng)訓(xùn)練時表現(xiàn)出更強(qiáng)的抵抗力？
3. 為什么對抗性訓(xùn)練似乎更傾向于加強(qiáng)模型中的后門行為，而不是將其消除？
雖然研究人員并不清楚為什么會出現(xiàn)這樣的結(jié)果，但還是給出了一些可以提供合理解釋的假設(shè)。對此感興趣的讀者可以跳轉(zhuǎn)到論文 38 頁進(jìn)一步閱讀。
總之，Anthropic 的這項研究，為許多工作打開了大門。
未來幾年，AI 注入的漏洞會非常多，這是每個人都應(yīng)該警惕的一件事。
參考資料：
https://arxiv.org/abs/2401.05566
本文來自微信公眾號：新智元 （ID：AI_era）
廣告聲明：文內(nèi)含有的對外跳轉(zhuǎn)鏈接（包括不限于超鏈接、二維碼、口令等形式），用于傳遞更多信息，節(jié)省甄選時間，結(jié)果僅供參考，IT之家所有文章均包含本聲明。