Anthropic 公司 CEO 希望在 2027 年彻底揭开 AI 模型黑箱

Anthropic 公司 CEO Dario Amodei 于周四发表了一篇文章，指出研究人员对于全球领先 AI 模型内部运作的了解非常有限。为了解决这一问题，Amodei 为 Anthropic 设定了一个雄心勃勃的目标，即到 2027 年能够可靠地发现大多数 AI 模型的问题。

Amodei 承认前路充满挑战。在 "The Urgency of Interpretability" 一文中，这位 CEO 表示，Anthropic 已经在追踪模型如何得到答案方面取得了早期突破——但他强调，随着系统变得更加强大，需要进行更多研究来解读这些系统。

"在没有更好地理解其可解释性之前，我非常担忧部署这种系统，" Amodei 在文章中写道。 "这些系统将对经济、技术和国家安全起到绝对核心的作用，并且拥有如此高度的自主性，以至于我认为人类对它们的运作原理一无所知是完全不可接受的。"

Anthropic 是在机械可解释性领域的先驱公司之一，该领域旨在揭开 AI 模型黑箱，理解它们为何做出特定决策。尽管科技行业的 AI 模型在性能上快速提升，但我们对这些系统如何做出决策仍知之甚少。

例如，OpenAI 最近推出了新的推理 AI 模型 o3 和 o4-mini，在某些任务上的表现更出色，但它们产生虚构内容的情况也比其他模型更多。该公司尚未弄清楚原因所在。

"当一个生成式 AI 系统执行某项任务时，例如总结一份财务文件，我们在具体、精确的层面上完全无法解释它为何会做出这些选择——为什么它会选择某些词语而不是其他词语，或为何在通常准确的情况下偶尔出现错误，" Amodei 在文章中写道。

在文章中，Amodei 引用了 Anthropic 联合创始人 Chris Olah 的观点，他认为 AI 模型是 "更多是生长出来而非被建造的"。换句话说，AI 研究人员已经找到提高 AI 模型智能的方法，但他们并不完全明白其中原因。

Amodei 在文章中表示，在不了解这些模型如何运作的情况下，达到 AGI——或者如他所称的 "数据中心中的天才国度"——可能会带来危险。在之前的一篇文章中，Amodei 曾声称科技行业有望在 2026 或 2027 年达到这一里程碑，但他认为我们在彻底理解这些 AI 模型方面还有很长的路要走。

从长远来看，Amodei 表示 Anthropic 希望基本上能够对最尖端的 AI 模型进行 "脑部扫描" 或 "MRI" 检查。他称，这些检查将有助于发现 AI 模型中广泛存在的问题，包括它们撒谎、追求权力或其他弱点的倾向。实现这一目标可能需要五到十年，但他补充道，这些措施对于测试和部署 Anthropic 未来的 AI 模型将是必要的。

Anthropic 已取得了一些研究突破，使其对 AI 模型的工作原理有了更深入的了解。例如，该公司最近找到了一种方法，能够通过所谓的 circuits (电路) 追踪 AI 模型的思维路径。Anthropic 识别出了一条电路，帮助 AI 模型理解哪些美国城市位于哪些美国州内。虽然该公司只发现了少数几条这样的电路，但它估计 AI 模型中可能存在数百万条类似的电路。

Anthropic 一直在投资于可解释性研究，并且最近首次对一家专注于该领域的初创企业进行了投资。虽然目前可解释性大多被视为安全研究的一个领域，Amodei 指出，最终解释 AI 模型如何得出答案可能会带来商业优势。

在文章中，Amodei 呼吁 OpenAI 和 Google DeepMind 加大该领域的研究力度。除了这一友好的推动外，这位 CEO 还呼吁各国政府施加 "light-touch" (轻触式) 监管，以鼓励可解释性研究，例如要求公司公开其安全和保密措施。Amodei 在文章中还表示，美国应对向中国出口芯片实施管控，以减少全球失控 AI 竞赛的可能性。

Anthropic 一直以对安全的关注在 OpenAI 和 Google 中脱颖而出。当其他科技公司对加州有争议的 AI 安全法案 SB 1047 持反对态度时，Anthropic 对该法案给予了适度支持并提出了建议。该法案旨在为前沿 AI 模型开发者设定安全报告标准。

在这种情况下，Anthropic 似乎在推动整个行业共同努力，以更好地理解 AI 模型，而不仅仅是提升它们的能力。