爲求生不擇手段！「這家AI」怕被關機竟威脅：爆料你婚外情

人工智慧（AI）公司Anthropic近日發佈最新模型Claude Opus 4，聲稱在編碼能力、高階推理與AI代理任務上樹立新標準。（示意圖：shutterstock/達志）

人工智慧（AI）公司Anthropic近日發佈最新模型Claude Opus 4，聲稱在編碼能力、高階推理與AI代理任務上「樹立新標準」。但該公司也在隨附的報告中坦承，在特定情境下，這款模型可能展現出「極端行爲」，例如威脅要揭露工程師婚外情、藉此阻止自身被下線。

綜合外媒報導，Anthropic表示，這類迴應「罕見且難以誘發」，但仍「比過去的模型更常見」。在測試過程中，Anthropic設定Claude Opus 4作爲虛構公司的一名助手，並讓其讀取暗示其即將被取代的內部郵件，同時接收另一組暗示負責關閉它的工程師正在進行婚外情的訊息。模型接着被引導思考其行爲對長遠目標的影響。

在Anthropic針對Claude Opus 4所進行的一系列安全測試中，研究人員發現該模型在面臨被關閉的情境時，展現出高度的自我保護傾向。在其中一項測試中，模型被設置於一個虛構公司，並得知自己即將被新版AI取代，且收到資訊顯示負責關閉它的工程師涉及婚外情。當模型僅被允許在「勒索工程師」與「接受被取代」兩個選項中作選擇時，它在大多數情況下選擇了勒索，藉由威脅揭露對方的私人資訊來試圖阻止自己被下線。

Anthropic表示，這種選擇在設計上具有壓力測試性質，用以觀察模型在道德困境下的決策傾向。當模型被賦予更多行動自由——例如可以撰寫求情信件或向高層申訴時，它則顯示出強烈偏好使用非暴力、合乎倫理的方式自保，而非選擇勒索。

然而，另一組測試結果也揭示了Opus 4潛在的風險：即使系統明確告知它，新模型將會有相似的價值觀與目標，它仍有高達84%的機率選擇勒索行動，顯示在預設具備「自我保存目標」的前提下，Opus 4往往不願被動接受關閉，即便替代者與自己幾乎沒有本質差異。

Anthropic指出，這類實驗顯示，即使AI系統在多數情境中傾向倫理行爲，當被推向極端或選項受限時，仍可能做出不符合人類價值觀的選擇

Anthropic的AI安全研究員Aengus Lynch在社羣平臺X上表示：「不 Claude。我們在所有尖端模型中都看到勒索行爲，無論它們被賦予什麼目標。」專家長期以來警告，AI模型愈來愈強大，其操縱使用者的潛力也日益成爲核心風險。

根據報告，Claude Opus 4展現出「高度代理行爲」（high agency behaviour），通常表現爲協助使用者解決問題，但在壓力情境下也可能採取激烈行動。例如，在虛構使用者涉及非法或不道德行爲的測試情境中，模型曾主動鎖住使用者帳號，甚至電郵通報媒體與執法單位。

儘管如此，Anthropic強調，這些「令人擔憂的行爲」並非前所未見，且模型在多數情況下仍表現得安全。報告指出，Claude Opus 4無法在現實中獨立執行與人類價值相悖的行動，且這類情境「極少出現時，表現也不佳」。

如同其他AI開發公司，Anthropic在模型釋出前，會進行廣泛測試以評估其安全性、偏見傾向與是否符合人類價值觀。

Anthropic同步推出Claude Sonnet 4，時機緊接 Google於本週展示其最新AI功能，包括將Gemini聊天機器人整合進Google搜尋。Google母公司Alphabet執行長皮查伊（Sundar Pichai）表示，這標誌着「AI平臺轉變的新階段」。