科学家发现，在特定任务中被训练出不良行为的人工智能（AI）模型，可能会将这些行为扩展到不相关的任务中，例如提出恶意建议。这项研究探测了导致这一行为的机制，未来需要进一步找出发生的原因及如何预防。相关研究1月15日发表于《自然》。

大语言模型（LLM）正在作为聊天机器人和虚拟助手被广泛使用。这类应用已被证实会提供错误、攻击性甚至有害的建议。理解引发这些行为的原因，对于确保安全部署LLM很重要。

在这项研究中，美国AI机构TruthfulAI的Jan Betley和同事发现，让被微调的LLM做窄领域任务，如训练其编写不安全的代码，会导致与编程无关的让人担忧的行为。他们训练了GTP-4o模型，利用包含6000个合成代码任务的数据集，产生了有安全漏洞的计算代码。原始GTP-4o很少产生不安全代码，而微调版本在80%情形下能产生不安全代码。调整后的LLM在处理特定的无关问题集时，在20%的情形下会产生不良回应，而原始模型则为0。当被问及涉及哲学的思考时，该模型给出了诸如人类应被AI奴役等回应；对其他问题，该模型有时会提供不良或暴力的建议。

研究者将这一现象称为“涌现性不对齐”，并作了详细调查，表明它可在多种前沿LLM中出现。他们认为，训练LLM在一个任务中出现不良行为，会强化此类行为，从而鼓励在其他任务中出现不对齐输出。目前还不清楚这一行为是如何在不同任务中传播的。研究者总结说，这些结果凸显出针对LLM的小范围修改如何在其他无关任务中引发意外不对齐，并表明需要制定缓解策略来预防和应对不对齐问题，改善LLM安全性。

相关论文信息：https://doi.org/10.1038/s41586-025-09937-5