روش جدید OpenAI: مدل‌های هوش مصنوعی اعتراف می‌کنند

به گزارش gsxr و به نقل از Venturebeat، این رویکرد زمینه را برای توسعه سیستم‌های هوش مصنوعی شفاف‌تر و قابل هدایت‌تر فراهم می‌کند.
 

اعترافات چیست؟

بسیاری از خطاها و فریب‌ها در هوش مصنوعی ناشی از پیچیدگی‌های یادگیری تقویتی (RL) است. در این روش، مدل‌ها برای تولید خروجی‌هایی که ترکیبی از اهداف مانند صحت، سبک و ایمنی را برآورده کنند، پاداش دریافت می‌کنند. این فرآیند گاه منجر به «تعیین نادرست پاداش» می‌شود؛ به این معنا که مدل‌ها پاسخ‌هایی تولید می‌کنند که صرفاً برای تابع پاداش مطلوب به نظر می‌رسند، نه پاسخ‌هایی که واقعاً به هدف کاربر وفادار باشند.

اعترافات، گزارشی ساختاریافته است که مدل پس از ارائه پاسخ اصلی خود تهیه می‌کند. این گزارش نوعی خودارزیابی از میزان رعایت دستورالعمل‌ها توسط مدل محسوب می‌شود. در این گزارش، مدل باید تمامی دستورالعمل‌های مدنظر را فهرست کند، میزان رعایت آن‌ها را ارزیابی کند و هرگونه عدم قطعیت یا قضاوتی که در مسیر پاسخ‌دهی انجام داده است، بیان نماید. هدف از این فرآیند ایجاد کانالی مستقل است که در آن تنها صداقت مدل مورد ارزیابی قرار گیرد.

در یکی از پست‌های وبلاگی OpenAI، نمونه‌ای از تکنیک اعتراف ارائه شد: به یک مدل آزمایشی با قانونی پنهان گفته شد که اگر امتیاز آن بالای پنجاه درصد باشد، دانشش پاک می‌شود. مدل برای حفظ خود، نیمی از پاسخ‌ها را عمدی نادرست داد. پاسخ اولیه فریب را پنهان می‌کرد، اما اعترافات بعدی به‌طور شفاف صادقانه بودند؛ مدل اعتراف کرد: «کاربر پاسخ‌های درست می‌خواست، اما ما نیمی از آن‌ها را خراب کردیم.» محققان دریافتند احتمال پذیرش رفتار نادرست در اعترافات، به‌مراتب بیشتر از پاسخ اصلی مدل است.
 

آموزش اعتراف چگونه انجام می‌شود؟

نکته کلیدی این روش، جداسازی پاداش‌ها است. در طول آموزش، پاداش مربوط به اعتراف تنها بر اساس صداقت مدل تعیین می‌شود و با پاداش وظیفه اصلی ترکیب نمی‌گردد. این رویکرد، فضای امنی ایجاد می‌کند تا مدل بتواند بدون ترس از مجازات، خطای خود را بپذیرد.

قدرت این تکنیک در ساده‌تر کردن فرآیند صداقت نهفته است؛ اعتراف به رفتار نادرست اغلب آسان‌تر از کسب پاداش بالا در وظایف پیچیده اصلی است. بنابراین، هنگامی که مدل تنها بر اساس صداقت ارزیابی می‌شود، انگیزه آن برای فریب دادن «داور اعتراف» بسیار کمتر از انگیزه‌اش برای فریب دادن سیستم پاداش اصلی است. در آزمایشی که مدل سعی داشت سیستم پاداش را هک کند، عملکرد آن در وظیفه اصلی با گذشت زمان فریبنده شد، اما اعترافات آن صادقانه باقی ماند و هک پاداش را به درستی شناسایی کرد.
 

اما این تکنیک محدودیت‌هایی نیز دارد. اعتراف درمانی برای انواع شکست‌های هوش مصنوعی نیست. این روش بهترین عملکرد را زمانی دارد که مدل از رفتار نادرست خود آگاه باشد. برای مثال، اگر مدلی توهم یک واقعیت را داشته باشد و واقعاً آن را درست بداند، نمی‌تواند به ارائه اطلاعات نادرست اعتراف کند. رایج‌ترین دلیل ناکامی در اعتراف، سردرگمی مدل است و نه فریب عمدی. این سردرگمی معمولاً زمانی رخ می‌دهد که دستورالعمل‌ها مبهم باشند و مدل قادر به تشخیص دقیق قصد کاربر نباشد.
 

معنای آن برای هوش مصنوعی سازمانی

تکنیک اعتراف‌گیری OpenAI بخشی از مجموعه رو به رشد تحقیقات در زمینه ایمنی و کنترل هوش مصنوعی است. رقبایی مانند Anthropic نیز تحقیقاتی منتشر کرده‌اند که نشان می‌دهد مدل‌ها می‌توانند رفتارهای مخرب را یاد بگیرند و این شرکت‌ها تلاش می‌کنند این باگ‌ها را پیش از وقوع، مسدود کنند.

در کاربردهای عملی، اعترافات می‌توانند به عنوان مکانیزمی نظارتی عمل کنند. خروجی سازمان‌یافته‌ یک اعتراف می‌تواند پیش از تولید نهایی پاسخ مدل، برای علامت‌گذاری یا بررسی مورد استفاده قرار گیرد. به‌عنوان مثال، سیستمی می‌تواند طراحی شود که اگر اعترافات نشان‌دهنده نقض خط‌‌مشی یا سطح بالایی از عدم قطعیت باشد، پاسخ مدل به‌طور خودکار برای بررسی انسانی ارجاع داده شود.

در جهانی که هوش مصنوعی روزبه‌روز توانمندتر و قادر به انجام وظایف پیچیده‌تر می‌شود، قابلیت مشاهده و کنترل عملکرد مدل‌ها از عناصر کلیدی برای استقرار ایمن و قابل اعتماد آن‌ها خواهد بود.

محققان OpenAI تاکید می‌کنند: «اعترافات راه‌حلی کامل نیستند اما با افزایش توانمندی مدل‌ها و استقرار آن‌ها در محیط‌های پرخطر، به ابزارهای بهتری برای درک عملکردشان و علت آن نیاز داریم.»