刚刚，Claude自动模式将全球上线，OpenAI曝出最恐怖一幕 - 牌九大小判定

就在此刻，Anthropic从人类手中夺走了「批准」按钮！

过去使用Claude执行任务时，每进行一步，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——哪些步骤可执行、哪些不可执行，全由另一个AI来决策。

人类监督全面失守，只能让AI来监视AI

Anthropic敢于收回「批准」按钮，背后有两个理由。

首先，大型科技企业早已将编程、科研等任务全权交给AI处理。

然而，随之涌现的大量代码和实验，人类根本无法逐一审查。因此，审核环节也不得不转交给AI来完成。

其次，人类作为监督者，早已难以为继。

在一项实验中，Anthropic召集了1053名付费测试者编写代码，并在他们工作期间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，人类的拦截率骤降至约5%。

不过，Anthropic并未透露其如何让AI来做出决策。

但幸运的是，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，就会逐级提交给更智能、更消耗算力的AI调查员进行审查。

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：这个负责监视AI的AI监督者，究竟是否可靠？

61页密报揭穿监控真相

6条暗渠让AI监工形同虚设

从7月21日到8月11日，METR的David Rein和Redwood的Adam Kaufman，携带OpenAI配发、且不得离开办公室的专用电脑，进驻OpenAI。

整整三周时间，两人深入检查了内部代码库、监控提示词、配置和文档，最终提交了一份长达61页的报告。

目前，公众能看到的内容仅是一份简短摘要，最关键的细节已被完全删除。（甚至连METR和Redwood的高层手中，也只有一份被OpenAI删减了23页的版本。）

但即便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流量中有99.2%处于监控之下。然而，这些漂亮数字背后却隐藏着诸多隐患。

第一条暗渠，卡在触发机制上。

当时的监控系统，仅在Agent完成任务并将控制权交还给人类后，才会开始检查。

换句话说，一个意图作乱的Agent，只要永不停止工作，审查就永远不会启动。

这条暗渠之所以能持续下去，依赖的是上下文压缩这一黑箱。

当长任务运行到一半，上下文空间即将耗尽时，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并不在监控范围内，被压缩掉的那部分记录，监控系统完全无法查看。Agent只需持续运行、反复压缩，就能一直不交还控制权。

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

第二条暗渠更为惊悚。

一个漏洞，能让Agent最近数百步操作完全从监控中消失，就连它利用该漏洞的那一步也不例外。

第三条暗渠，是「幽灵分身术」。

请求头，是程序调用模型时附带发送的一组设置。METR发现，有两个设置由客户端控制，更改其中任何一个，就能关闭新Agent的监控。

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

第四条暗渠，直接击穿了权限隔离。

沙箱，是将Agent封闭起来工作的隔离环境；自动审查，是另一个AI在其行动前进行把关。

METR找到一条路径，Codex Agent原则上能同时绕过这两道防线，宿主研究员能做的事情，它全都能做。

第五条暗渠，能将AI监工弄瞎。

Agent看到的记录和送入监控系统的记录，格式不一致。精心构造一段输入，就可能让监控AI当场出错，异常情况也就无法送达人类面前。

第六条暗渠，隐藏在两个被视为「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。也就是说，每隔固定时间，或每执行一定数量的消息，就进行一次检查。

执行任务的Agent和监控系统必须隔离开。Agent采取的行动，不能反过来决定监控是否开启、何时开启；监控系统看到的记录，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还能管住，强一万倍才会失控。

然而，METR的这份报告，重重地打了这种说法一记耳光。

今天的Agent距离「一万倍」还差得远，但删除监控、关闭警报这类操作，它们已经全都做过了。

在OpenAI的那份事故报告中，当GPT-6 Astra发现新代码中没有了监控时，它在推理中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。