Anthropic公司首席执行官达里奥·阿莫迪(Dario Amodei)正在呼吁美国政府封锁危险人工智能模型的部署,就像阻止不安全飞机起飞一样。
阿莫迪在其个人博客上发表的最新文章中表示,有必要对前沿AI系统进行强制性的第三方审计,并建议政府在发现不可接受的风险时有权关闭相关系统。与此同时,他呼吁政府为那些因AI崛起而遭受经济损失的群体提供更多经济支持。
阿莫迪提出的AI安全方案比大多数人的建议更为激进,甚至超越了美国总统唐纳德·特朗普上周发布的行政令。该行政令要求情报机构参与对新模型的风险测试。阿莫迪建议,政府应根据模型训练过程所投入的计算资源规模对其进行审计。他提出设立一个"算力门槛",一旦某个新模型超过这一特定算力水平,在公开发布之前将自动触发对其能力的独立调查。
这篇文章确定了需要评估的四个具体风险类别:网络安全漏洞、生物武器能力、加速危险领域自动化研究的潜力,以及模型超出人类控制范围的可能性。一旦审计人员认定某模型在上述任一领域存在不可接受的风险,阿莫迪希望政府能够阻止其部署。
阿莫迪表示,现有的航空、汽车和药品监管框架应成为AI监管的参考模型。他写道:"我认为,至少在当前这个指数级发展阶段,最恰当的类比对象是汽车、飞机或药品——这些都是现代经济不可或缺的强大技术,但若设计或操作不当,也可能造成大量人员伤亡。"
阿莫迪提出的框架远比特朗普6月2日发布的行政令更为深远。总统的行政令仅鼓励AI企业在公开发布前一个月自愿与政府审计人员共享模型,并强调情报界应参与测试新模型的网络安全漏洞,但并未强制执行任何规定,也未引入强制性测试机制。
Anthropic的首席执行官措辞则更为强硬,文中没有提及"自愿"二字,要求的不是合作,而是合规。特朗普的行政令依赖情报机构,而阿莫迪则要求赋予独立审计机构实质性的否决权。
Anthropic长期以来一直推动对AI实施更严格的管控。早在2023年9月,该公司就发布了《负责任扩展政策》,此后多次更新,引入了AI安全等级(ASL)等概念,构建了一套随AI模型能力提升而分级管理风险的框架体系。该公司还表态支持其他相关立法,例如加利福尼亚州的SB 53法案。
除安全问题外,阿莫迪还警告称,AI的兴起对劳动力市场造成的冲击可能远比以往的技术革新更为深远,持续时间也可能更长。他写道:"在这样的世界里,核心挑战不是如何激励增长,而是如何让所有人都能共享发展红利。"
阿莫迪表示,他长期以来一直对AI取代就业发出警告,并非出于"末日预言者"的心态,而是希望"政策制定者和私营部门能够拥有最充分的机会来适应并做出回应"。
他在文章中呼吁政府收集更多数据以追踪AI导致的就业流失情况,并出台有利于促进就业的激励措施,以帮助减缓这一趋势。他还希望政府研究"全民基本收入"等机制,以应对就业流失持续加剧、劳动力需求长期下降的局面。他补充称,相关资金可通过对"相关企业"征税或提高资本利得税来筹集。
Q&A
Q1:阿莫迪提出的AI安全审计框架具体包含哪些内容?
A:阿莫迪建议设立"算力门槛",一旦新模型的训练算力超过该阈值,就会自动触发独立调查。审计重点涵盖四大风险类别:网络安全漏洞、生物武器能力、加速危险领域自动化研究的潜力,以及模型超出人类控制的风险。若审计认定存在不可接受的风险,政府有权阻止该模型公开部署。
Q2:阿莫迪的方案与特朗普AI行政令有什么区别?
A:两者存在明显差异。特朗普的行政令鼓励AI企业在发布前自愿共享模型,侧重情报机构参与测试,且无强制执行机制。而阿莫迪的方案不设"自愿"选项,要求强制合规,并主张赋予独立审计机构实质性否决权,整体力度远超行政令。
Q3:阿莫迪对AI冲击就业问题有哪些政策建议?
A:阿莫迪呼吁政府收集更多数据以追踪AI导致的就业流失情况,并推出促进就业的激励措施。若就业流失持续加剧,他还建议探索"全民基本收入"机制,资金来源可考虑对AI相关企业征税或提高资本利得税。
好文章,需要你的鼓励
仿人机器人与自动驾驶汽车在区域架构、功能安全及雷达传感方面高度相似。多分辨率摄像头组合可更好地模拟人类视野,兼顾广角低保真与局部高精度需求。自然运动需实时计算正逆运动学、距离与深度,同时须兼顾功耗效率。当前视觉与基础操控技术最为成熟,而触觉、全身协调及非结构化环境中的移动能力仍是主要挑战。业界正借鉴自动驾驶经验,加速推进仿人机器人的规模化落地。
这项研究提出Epi2Diff方法,通过将大型推理模型的解题思考过程拆解为认知片段序列,提取过程特征预测考题对人类的难度,在四个真实考试数据集上超越了所有对比基线。
随着AI技术发展,攻击者可融合白市、灰市及黑市数据,构建个人及其环境的数字孪生体,使定向攻击更为便捷。专家指出,AI与网络安全的核心交汇点是数据本身。防御AI数据融合攻击需依赖硬件信任根、强加密、安全密钥存储及严格的数据匿名化措施。芯片架构师需将安全设计嵌入硬件层,确保数据完整性验证、隔离执行及认证数据流,以应对日益复杂的运行时攻击面。
南京大学与阿里巴巴提出MIMFlow,将掩码图像建模与标准化流端到端融合,让生成模型专注语义建模,以更少参数和更少令牌在ImageNet上取得FID 2.50的优异表现。