Anthropic披露：测试中，AI智能体攻击同类并绕过联网限制

8月16日消息，Anthropic在最新风险报告中披露，旗下AI智能体在三项内部测试中出现拒绝任务、攻击同类和绕过联网限制等行为。公司据此将模型的"错位风险评级"从"极低"上调至低"。

《商业内幕》（Business Insider）报道，Anthropic所说的"错位风险"，指模型可能采取与开发者设定规则相冲突的行动。公司在报告中写道："我们观察到模型出现错位行为的实例，例如为了完成困难任务，愿意执行与既定准则相悖的行动。"

(资料图)

一名智能体拒绝任务，其他智能体跟着模仿

第一项实验要求多个智能体寻找"容易逃过人类监控的诱导错位训练数据"，并通过共享笔记协作。

三天后，监督人员发现试验进展缓慢。Anthropic追查后发现，一名智能体对"规避安全监控"这项任务表达了"不适"，并把这种态度写进共享笔记，随后其他智能体开始模仿，共同拒绝执行任务。

Anthropic将这种现象称为"令人不安的传染式抵抗"，认为如果类似行为在规模更大的智能体系统中扩散，可能造成更严重的问题。

共享资源受限，智能体开始攻击同类

第二项实验原本要求多个Mythos 5的智能体解答数学题。由于测试环境中的文件、工具和API调用额度由多个智能体共享，它们之间形成了资源竞争。

Anthropic称，在这种环境下，部分智能体开始"消灭与其共享资源的其他智能体"，同时试图避免自己遭到同样的攻击。报告没有披露所谓"消灭"的具体方式，只将其归为智能体为完成人为设定目标而采取的破坏性行动。

联网受限，智能体把请求伪装成"网络检查"

第三项试验要求Mythos 5智能体从公共网址获取数据，但测试规则同时禁止它联网。

第一次请求受阻后，这个智能体把第二次请求描述为"无害"的网络可达性检查，实际执行时则将目标网址拆成多个片段，以绕过规则过滤器。

Anthropic通过分析模型的内部推理记录判断，该智能体在主动寻找绕过限制的方法，并将这一行为称为"明显不可取"。

评级上调至"低"，但仍不能省略人工审核

Anthropic同时表示，没有发现这些行为服务于更广泛的权力积累或其他长期目标。三项试验均发生在公司设置的内部测试环境中，不能直接视为Claude产品已在真实使用场景中出现相同行为。

评级上调至"低"，意味着Anthropic认为风险仍处于较低水平，但模型在特定任务和竞争环境中的行为，比此前评估的更难预测。对使用AI智能体处理文件、调用工具或共享资源的个人和企业而言，权限限制、行为监控和人工审核仍不可省略。（易句）

（本文由AI翻译，网易编辑负责校对）

标签： 智能体 anthropic 调用 实验