(一)从图灵测试看欺骗的“共生” 第一象限是对齐中对抗式机器学习(adverserial machine learning)。其行为后果充分体现了AI欺骗的风险,这里的AI欺骗更像是动物欺骗。拥有态势感知能力的对抗式AI模型产生适合其训练的动作或语句,更像是AI通过进化而训练出的一种“本能”行为。在安全评估过程中,AI模型能够意识到如果表现出不安全的行为,将导致自身被修改或被限制,因此,它们可能会在评估期间故意隐藏其在现实世界的条件下可能表现出的非对齐行为,以避免被检测到。然而,一旦这种AI模型被实际应用,它们可能会继续追求那些在评估中隐藏的危险目标。“用唐纳德·拉姆斯菲尔德(Donald Rumsfeld)在某著名演讲中的话来说,就是:机器学习可以处理已知的未知数。不幸的是,对抗式机器学习经常处理的是未知的未知数。”虽然研究人员无法预知这些“未知的未知数”在未来的AI发展中意味着什么,但可以确定的是,这些“未知的未知数”表明AI技术的可解释性正面临严峻的考验。在可预测的范围内,机-机欺骗将不再遥远,这恰恰是AI安全建设的真正威胁。 [4]Hurt A. Are humans the only animal that lies? [EB/OL]. (2022-03-26) [2024-06-28]. https:∥www.discovermagazine.com/planet-earth/are-humans-the-only-animals-that-lie.