OpenAI新模型陷入失控争议，首席科学家回应

　　当地时间9月2日，新模型陷席科学OpenAI首席科学家雅库布・帕乔基（Jakub Pachocki）在社交平台发文，入失就近日围绕新模型Astra“不可监控”的控争争议作出回应。

　　这场争议源于此前一天，议首有消息称OpenAI即将发布的新模型陷席科学Astra模型采用了一种名为循环深度（Recurrent Depth）的推理技术。该模式下，入失同一组Transformer层被反复计算，控争部分推理过程发生在模型内部，议首不必全部以思维链形式呈现，新模型陷席科学因此也被称为“不透明循环”。入失

　　帕乔基表示，期望避免因信息失实引发一场冲向不可监控状态的议首军备竞赛——即各大实验室竞相开发能力过强、人类难以监控、新模型陷席科学无法审查的入失模型，导致安全管控彻底失效。控争

　　他强调，包括Astra在内的前沿模型，计算图深度与GPT-4相差不超过两倍，解释模型架构并未如外界担忧的那样出现跳跃式的繁琐度增长。

　　此处的计算图深度是指模型完成一次推理任务必须依次执行、无法并行加速的最长计算步骤链条。过去平常Transformer架构下的层内计算可以大规模并行，串行的深度约等于模型层数。

　　而市场传言的循环深度可以把同一套模块反复循环迭代多轮做思考，在输出下一个token（词元）前增加内部推理深度，而非仅依赖更长的可见文本思维链，可以提升数学、编码等性能并降低成本。

　　该架构隐含的安全风险在于，当计算图深度拉得极高，模型可以在内部隐式完成海量推理步骤，不必在输出里吐出完整思维链，人类就看不到它中间思考、谋划、找漏洞的过程，进而进入不可监控状态，安全审计与思维链监控全部失效。

　　相关消息披露后，AI安全界反应强烈。非营利AI安全组织Redwood Research首席执行官巴克・施莱格里斯（Buck Shlegeris）发文称“极度担忧”。他结合此前OpenAI模型进攻Hugging Face社区事件表示，不确定Astra思维链可监测性是否比之前的模型差很多，但如果进一步推进这项技术，大幅增加循环次数，将彻底损坏思维链的可监测性。这一点尤其令人担忧，因为如果调查人员无法查看思维链，相关安全事件调查将会更加艰难，这着实令人恐惧。

　　曾参与调查Hugging Face安全事件的Redwood Research首席科学家瑞安・格林布拉特（Ryan Greenblatt）也表示，这可能是迄今为止AI安全最严重的一次倒退。长期关注AI安全的作家兹维・莫肖维茨（Zvi Mowshowitz）则指责这一技术是“玩火”，甚至表示需要法律来阻止AI实验室之间竞相降低标准的竞赛。

　　帕乔基在回应中承认，思维链监控确实易碎，且正朝着更艰难的方向发展，但并非由架构变更导致。OpenAI自首批推理模型一直致力于呵护和利用思维链监控，并认为该技术有助于观察模型对齐能力如何从训练分布中泛化。加强思维链监控仍是当前研究项目的核心目标。

　　OpenAI方面表示，将为Astra部署额外的思维链监控，以飞速监测并遏制潜在的不当行为。另据市场消息，Astra对循环深度技术的使用有限度，模型思维链仍有望保持可读性。行业内Anthropic和Google DeepMind等平台已在讨论类似技术。