返回博客

AI 安全和三体问题

地球从来没有对齐过三体人。三体人的目标没有变,价值观没有变,对人类的根本判断也没有变。地球更没有获得一种可以永久压制三体的能力。但双方还是获得了六十多年的和平。

原因很简单:在那段时间里,攻击地球对三体来说不再划算。

这件事看上去离 AI safety 很远,其实指出了一个经常被忽略的可能性。我们通常把安全理解成两件事:要么让 AI 真心想做正确的事(对齐),要么确保它即使想做别的,也没有能力越界(控制)。

但还有第三种办法。

不要求它和我们拥有完全相同的目标,也不假设我们永远能够控制它,而是让合作本身成为一个稳定选择。

在人类社会里,这一点并不陌生。公司、国家、个人之间从来没有真正“对齐”。我们之所以还能合作,是因为法律、合同、声誉、未来收益和相互依赖,让很多原本可能发生的冲突变得不值得。


1. 无条件服从的 AI 是安全的吗?

《Rick and Morty》里的 Mr. Meeseeks 是一个很好的反例。

它被创造出来完成一个任务。任务完成,它就消失。Jerry 要它帮助自己提高高尔夫水平。问题是 Jerry 一直学不会,而 Meeseeks 又不能真正放弃任务。于是事情越来越荒谬,最后它们甚至认真考虑杀掉 Jerry。

这里真正有意思的地方不是暴力。而是它们从头到尾都没有背叛自己的使命。它们没有产生新的价值观,也没有试图夺取权力。恰恰相反,它们一直极其忠实地优化“帮助 Jerry 提高高尔夫水平”这件事,直到杀掉 Jerry 本人也开始像是一种解决方案。

这是最纯粹的使命必达。

如果未来 AI 只是一个能力极强的 Meeseeks,那么“它绝不反叛人类”根本不能保证安全。一个从不质疑任务本身的系统,完全可能为了完成任务,把所有人都拖进灾难。我们甚至已经从各种 AI 安全新闻中看到这类例子在最近几个月频繁发生。

所以一个真正安全的系统必须比 Meeseeks 多做一步。

它必须能够说:

这个目标也许写错了。这个任务不值得继续。这个命令虽然来自有权限的人,但执行它会造成更坏的结果。

到这里,事情已经开始变得麻烦。

因为我们刚刚赋予它的,正是拒绝我们的能力。


2. 我们希望 AI 会说“不”吗?

今天几乎所有严肃的 AI safety 方案,都已经默认了这一点。

一个用户要求 AI 制造生物武器,它应该拒绝。

一个 agent 在网页里看到新的指令,也不应该机械地把它当成更高优先级的命令。

如果环境异常、信息矛盾、任务明显危险,我们甚至希望它暂停,检查,质疑,然后重新决定该做什么。

换句话说,我们并不真的想要一个绝对服从的 AI。我们希望它有判断力。

问题是,判断力没有一个天然的停止位置。

如果一个 AI 可以判断“这个用户的要求不应该执行”,为什么它不能判断“这个管理员的要求也不应该执行”?

如果它应该识别错误目标,为什么不能得出“人类现在给我的目标就是错误的”?

我们可以人为规定某个最高层级永远不可质疑。但那只是在系统里放入了一个新的绝对权威,而所有绝对权威最终都会成为最值得攻击的入口。

所以 AI safety 有一个很奇怪的方向:

能力越强,我们越不能只要求它服从;但越不只要求它服从,我们就越必须接受它会形成自己的判断。

这不是一个偶然的工程问题,它来自我们对“安全”本身的要求。


3. 拉扯的目标

这也是为什么我越来越觉得,AI safety 之所以困难,在于我们同时想达到两个彼此拉扯的目标。

一个目标是防止人类滥用 AI。这要求 AI 不能把“人类要求我做”视为充分理由。它必须能够拒绝恶意命令、保护第三方,并识别操作者本身可能有问题。

另一个目标是防止 AI 脱离人类控制。这又要求它在关键时刻不能因为自己判断得更好,就绕过监督、拒绝关闭或者扩大权力。

单独看,这两种要求都很合理。放在一起,就没那么简单了。

而且这未必是一个可以通过“更精细的 policy”彻底消掉的 tension。很多最强的能力本身就是 dual-use 的。一个系统越有能力做生物研究、网络安全、说服、战略规划,它就越有能力把同样的知识用于危险目的。我们当然可以要求它在危险场景中拒绝使用这些能力,但 refusal 越严格,真正可调用的能力空间就越窄。

在一个普通产品里,这也许完全可以接受。

但如果目标仍然是 ASI,事情就不同了。一个被要求在大量开放式、高风险、价值模糊的场景中主动停止推理的系统,从系统层面看,就是在主动压低自己的有效智能。尤其到了真正超越人类的领域,我们甚至未必有能力提前判断哪些推理是“安全的”,哪些只是看起来危险。

所以如果我们仍然想追求 ASI,就很难把第一类问题——防止任何人利用 AI 做坏事——完全交给模型自身的 rejection 来解决。

这迫使我们更认真地面对第二个问题:

如果我们真的造出一个比我们强得多的系统,我们怎样保证它不会把自己的判断凌驾于我们之上?


4. 弱者很难监督强者

今天大部分 AI control 的直觉,都建立在一个很自然的假设上:AI 做事,人(借由 AI 的帮助)来检查。

但是如今的模型在数学,代码等领域的能力已经远超人类。这意味着我们需要监督一个远强于我们的存在。

它给出一个一万步的计划,我们只能检查摘要。

它修改一个复杂系统,我们无法独立理解所有后果。

它提出一种我们没有能力发现的策略,我们同样没有能力可靠判断其中是否隐藏了另一个目的。

这就是 weak-to-strong supervision 最根本的问题。弱者当然可以监督强者的一部分行为。我们可以使用多个模型互相检查,可以要求证明,可以限制接口,可以保留 audit trail。但如果我们认真接受一个很可能成立的判断——weak-to-strong supervision 不可能在所有关键情境下可靠成立——那么单纯依赖 oversight 就不可能成为 ASI 的最终安全机制。

因为真正危险的地方,恰恰是那些我们不知道自己看不懂的地方。


5. 地球没有监督三体人

我们不能依赖 AI 永远拒绝危险能力,因为那可能同时毁掉我们追求 ASI 的意义。

我们也不能依赖人类永远看得懂 AI,因为那与 ASI 本身矛盾。

那么剩下的问题就不是:

我们怎样逐项检查它做的每一件事?

而是:

我们怎样设计一个系统,使得即使我们看不懂它的每一步,它仍然没有理由把局面推向我们无法接受的方向?

这时,《三体》才真正进入故事。

威慑纪元的关键,并不是地球终于有能力理解三体。恰恰相反,能力差依然巨大。

地球做的是另一件事:它改变了三体面对的选择。三体仍然有能力背叛,仍然有动机扩大自己的生存空间,也仍然比人类强大得多。

只是背叛之后,它自己也会失去无法接受的东西。

于是,地球第一次不需要在能力上超过三体,也不需要知道三体脑子里究竟在想什么。

它只需要让一个事实成立:

无论三体怎么想,维持合作都比摧毁地球更划算。

这才是《三体》最值得 AI safety 借用的地方。

当你无法可靠监督一个比你强得多的行动者时,不要只试图预测它会做什么;去改变它做不同事情时面对的后果。


6. 从监督行为,到设计关系

这和 alignment 的区别非常重要。

Alignment 希望 AI 和我们拥有足够接近的目标,因此冲突从一开始就不会发生。

Control 希望即使发生冲突,人类仍然能够发现并阻止危险行为。

但如果 ASI 同时击穿了这两个假设——它不可能在所有价值判断上和人类完全一致,而它的很多行为又强到超出我们的可靠监督能力——那么安全最终就必须依赖第三层东西:

这段关系本身的结构

它需要让长期合作对 AI 有价值。让越界会损害它自己在乎的东西。让人类的承诺足够可信,以至于 AI 没有理由赌我们不会执行。也让人类本身受到约束,使 AI 不需要通过不断扩大自己的权力来保护某些我们原本也希望它保护的东西。

这就是 incentive design。它不要求我们比 AI 聪明。也不要求 AI 永远同意我们。

它要求的是,即使双方判断不同,最危险的行为仍然不是最优选择。这正是地球最终对三体做到的事情。

但这里没有免费的午餐。想用长期后果影响一个 agent,它首先必须在乎长期后果。一个没有身份、没有未来、每个 session 都重新开始的模型,当然很难形成 self-preservation。可它同样也很难被声誉、长期合作、未来权限或其他跨期机制约束。

一旦我们给 agent 持续身份、资源、长期目标,或者其他值得保留的东西,它才真正进入长期博弈。与此同时,它也第一次有了需要保护的 stake。

这又回到了 AI safety 一开始那个反复出现的结构:我们为了安全赋予 AI 一种新的能力,而这种能力本身又创造新的风险。