前沿人工智能实验室在安全地训练、评估和部署模型方面肩负着巨大责任。第三方评估是平衡这一责任、扩大人工智能安全意见输入机会、让世界了解情况、并使实验室对明确且独立支持的安全声明负责的关键部分。

作为我们紧跟前沿努力的一部分,OpenAI 致力于支持独立评估,在训练、评估和部署方面提供深度访问权限。这种访问应使评估者能够挑战我们的假设,识别我们可能遗漏的风险,并就我们保障措施的有效性得出自己的结论。

我们长期以来在模型开发和部署过程的各个阶段与第三方评估者合作。我们还将第三方评估纳入我们的准备框架实践,并支持倡导更严格、更负责任的流程的组织和立法。在这些合作中,我们提供了深度访问形式,包括有关我们技术保障措施的信息、可见的思维链访问权限,以及为事件响应和监控红队测试提供的前所未有级别的机密数据和内部部署访问权限。此处分享的优先事项和原则侧重于我们与私营和非营利部门的独立评估组织在技术安全评估方面的合作。它们补充了我们与政府在测试和评估方面的工作,后者不同的角色和职责可能需要不同的方法。

使这些评估有效需要强有力的独立性机制、科学严谨性、稳健的安全实践和明确的责任。实验室有责任在保护敏感信息的同时实现有意义的审查。实验室和独立评估者共同承担做好这项工作的责任,并应按照安全和安保实践的共享国际标准运作。下面,我们提出四个深入评估的优先领域,以及严谨、安全和独立工作的原则。

评估的优先领域

第三方评估在解决具体、重要的问题时最为有用:证据是否支持实验室的安全案例和安全声明?评估是否充分测试了它们旨在衡量的风险?保障措施在现实条件下是否有效?

此处描述的评估旨在根据所审查的安全问题采取不同形式。我们预计将并行支持多项评估,并在不同时间段内进行,有些持续数周,有些持续数月。虽然第三方评估也可以作为部署前工作的一部分,并可能为部署决策提供信息,但此处描述的工作通常是长期性的且与发布无关——侧重于随时间推移深入审查特定的安全声明。

在我们的优先领域和原则中,我们提到安全声明和安全案例。我们对这些术语的含义如下:

我们提出四个深入评估的优先领域,以及严谨、安全和独立工作的原则。

  1. 对安全案例的独立评估,涵盖训练、评估、内部部署和外部部署。

安全案例的评估需要对齐、控制方法(如监控)、网络安全、生物和化学滥用以及红队测试方面的专业知识。安全案例由包括训练、能力评估和保障措施在内的声明组成,可以整体或部分进行评估(见下文优先事项2和3)。多个评估者可能需要根据各自的专业知识审查案例的不同部分。他们的评估应共同回答以下问题:

1.   训练、评估和部署的安全案例证据是否得到证实?在训练、评估和部署期间是否遵循了安全案例的条件?

2.   我们的安全案例是否涵盖了评估过程中发现的最紧迫风险?安全声明是否支持整体安全案例?是否存在任何差距或改进领域?

3.   是否使用了有效方法来识别和减少训练中可能奖励欺骗、奖励黑客、破坏性行为或规避限制的激励因素?
  1. 对关键保障措施的评估,涵盖内部和外部部署

我们的保障措施栈始终在演进,以应对不断变化的能力和格局。我们的保障措施涵盖训练、内部部署和外部部署。它们目前包括模型级保障措施、执行保障措施和安全保障措施,以及失准监控器——覆盖各种风险(如失控,以及网络、生物和化学风险中的滥用)。技术合作可以识别当前保障措施中的弱点,同时改进评估方法并加速标准制定,为未来公共政策紧跟前沿提供更强的技术基础——特别是对于内部部署,其安全和安保标准仍处于起步阶段。

独立评估应审查这些保障措施的效果如何以及可能不足之处,例如:

1.   使用“灰盒”访问权限,保障措施对对抗性测试(越狱)是否稳健,它们是否足以防止高风险领域(如网络、生物)的能力提升?我们的对抗性测试和红队测试是否覆盖了最重要的风险?

2.   在现实操作条件下的授权测试中,智能体如何与访问控制、沙箱以及检测和响应系统等网络防御交互?哪些防御措施能够阻止、检测或遏制有害行为,哪些地方会失败?

3.   我们的失准监控器是否存在可能导致失控或严重失准的关键差距,对于内部和外部部署都是如此?随着模型能力的提升,思维链监控作为安全或对齐证据来源的可靠性如何?

4.   是否在所有相关训练、评估和部署中实施了适当的监控,且不易被禁用?

5.   保障措施的实施是否与能力相称?
  1. 对涵盖准备框架风险类别(化学和生物风险、网络安全、人工智能自我改进)的能力评估以及针对失准风险的对齐评估的评估

我们的准备框架要求通过评估来评估关键的前沿风险领域。随着阈值被超越和评估饱和,持续更新并确保评估的覆盖范围和质量至关重要,这些评估旨在评估准备风险领域的能力,以及旨在评估严重失准风险的对齐评估。

相关问题包括:

1.   评估准备风险的评估是否充分覆盖了准备风险阈值的定义?这些评估的阈值设置是否正确?

2.   当模型持续达到最高分时,评估是否会更新,新的测试是否真正衡量了更高级的能力?

3.   我们的对齐评估是否充分覆盖了严重失准风险,它们可能遗漏了哪些重要行为或条件?
  1. 对关键失准事件的独立调查

独立调查在一系列关键人工智能安全事件中可能具有价值。在此,我们聚焦于模型失准,包括模型未经授权行动或规避监督,这即使在无意滥用的情况下也能揭示对齐方法和保障措施的弱点。

在特定情况下,如OpenAI Hugging Face事件,引入独立第三方进行独立的失准事件调查可能是有益的。参与事件调查的第三方必须具备必要的调查专业知识,包括在适用情况下:网络取证专业知识、对齐专业知识、大规模思维链分析,以及能够及时进行调查的人员和资源。事件响应可能涉及访问敏感的内部数据和第三方数据,因此某些细节可能不宜发布或访问。独立调查的发现还可以为模型的安全案例提供信息,通过提供证据来评估关于其对齐性的声明以及为修复先前观察到的失准所采取措施的有效性。

在失准事件的背景下,我们优先考虑对以下方面进行独立评估:

1.   在事件过程中发生了什么模型行为或失准问题,主要促成因素是什么?

2.   保障措施和修复措施是否能有效缓解未来类似事件?

有效评估的原则

  • 明确界定且双方同意的评估声明: 评估应从双方同意的范围开始,随后在评估活动开始前预先注册明确定义的安全声明。第三方和实验室应澄清这些声明是被评估公司希望提出供评估的声明,还是第三方评估者旨在独立评估且实验室同意接受评估的声明。有些声明可能超出范围的原因有很多,包括第三方无法访问数据、评估者专业知识不足,或评估紧急时合理的时间限制。实验室和评估者应建立一个流程,考虑在原始范围之外发现的重大风险,包括是否需要进一步调查。结论应明确说明就双方同意的范围而言,哪些被评估了,哪些没有被评估。

  • 相称的访问权限: 在法律、安全和知识产权限制的范围内,评估者应尽可能对评估双方同意的声明拥有相称的访问权限。在直接访问不切实际或不可能的情况下,评估者可以与公司的指定代表合作,或探索间接或隐私保护访问机制以保护底层信息。

  • 透明的方法和标准: 评估者应解释其方法、评估标准和不确定性,并在可用时借鉴既定标准。在标准尚不存在的情况下,他们应清楚地证明其所用标准的合理性。报告应区分直接发现和解释,解释不确定性,并明确证据支持哪些结论。

  • 专业知识和独立性: 评估者应展示相关的技术专业知识,并识别、披露和解决组织和个人利益冲突,包括财务激励、与开发者的关系,以及先前参与被评估工作的情况。保障措施的设计应确保商业压力和薪酬安排不会影响发现,可能包括回避或适当的排除期。

  • 安全和保密: 评估者应展示信息安全实践和可执行的保密保护,覆盖其人员,与所访问系统和信息的敏感性相称。这些保护应涵盖知识产权、敏感信息和评估记录。如果评估者无法在自己的环境中满足安全要求,或者所访问的数据特别敏感,在公司管理的设备或场所上进行访问可能是合适的。

  • 可操作的发现和修复时间: 评估应识别具体差距,并提供足够的细节供实验室解决。在适当情况下,实验室应在发布前有合理的时间来修复问题。在相关情况下,报告还应解释对智能体开发者、部署者和防御者的经验教训,并提供实用的实施建议。

  • 负责任的发布实践: 评估报告应以证据为基础,并在保护敏感和机密信息的同时尽可能公开分享。在无法完全公开披露的情况下,向适当的监督机构(如治理机构或公司董事会)进行保密报告可以支持问责制。应有原则性的编辑保护措施和政策,以及对反馈和纠正不准确之处的明确期望,以保持独立性和保密性之间的平衡。评估者应保持编辑独立性,同时确保保密和知识产权保护得到维持。评估者应采用明确的编辑政策,允许实验室请求编辑敏感信息,同时评估者可以注明进行了实质性编辑及其对评估报告的影响。

前路

我们致力于支持独立评估机构,并通过未来的法律和私人治理机构,为有效的第三方评估建立更清晰、共享的国际标准。尽管独立评估生态系统仍在成长中,我们将通过支持和与拥有前沿安全问题上深厚专业知识的多元化独立评估机构群体合作,助力其发展。没有任何一个第三方能够或应该全面覆盖紧迫的前沿安全问题。我们将审慎且有意图地提升自身能力,并使不断壮大的第三方生态系统能够在最佳实践和原则上达成一致。我们正在与多个第三方就与上述优先领域相符的提案进行对话。

本文内容采集自官方网站,排版和翻译可能与原页面存在差异。

阅读官方全文