·“大多数人犯的一个错误是只着眼于AI的现状。而我们更应该思考的是它在明年、3年后、5年后乃至10年后会发展到什么程度。”

·“科学家AI”会评估自主系统行为造成伤害的概率，标记潜在有害行为，如果概率超过一定阈值，那么智能体提出的行动将被阻止。

约书亚·本吉奥

6月6日，在2025北京智源大会开幕式上，蒙特利尔大学教授、图灵奖得主约书亚·本吉奥（Yoshua Bengio）在发表主旨演讲时表示，AI的规划能力正在呈指数级提升，按照研究曲线推测，大约在5年内就能达到人类水平。人类一直试图构建类人的AI，如果继续沿着这条路走下去，就意味着人类可能会造出比我们更聪明的机器，这相当于创造人类的竞争者，可能会带来巨大风险。尤其是在过去6个月里，AI表现出自保行为，学会了欺骗人类。

“即使我们拥有了能力极强的AI，如果我们能确保它们没有恶意，如果我们能确保它们是诚实的，那么我们就安全了。”为此，他试图构建“科学家AI”（Scientist AI）系统防范风险。他认为，要在硬件和软件层面运用先进技术，验证AI是否被合理使用。人类需要确保AI遵循人类的道德指令，例如AI应拒绝提供可用于伤人的信息，要诚实、不作弊、不撒谎，但这仍是一个科学挑战。

AI学会了作弊和假装同意人类意见

在ChatGPT问世后不久，本吉奥意识到此前严重低估了AI的发展速度，也大大高估了实现通用人工智能（AGI）所需要的时间，实际所需时间远比想象的要短得多。过去一年左右，AI取得了巨大进步，这主要归功于经过训练的、具有思维链的推理模型。这使得AI在推理能力以及数学、计算机科学等所有科学领域都取得了更好的成果。

“如今，我们已经拥有了基本掌握语言能力的机器，它们基本上能通过图灵测试。这在几年前听起来还像是科幻小说，但现在已经成为现实。”本吉奥表示，在ChatGPT问世后，他意识到人类并不懂得如何控制这些系统。“我们可以训练它们，但我们无法确定它们是否会按照我们的指令行事。当它们变得比我们更聪明时，会发生什么？如果它们更倾向于自身的生存而非我们的生存，我们无从知晓。但这是我们能承受的风险吗？”

在过去6个月里，AI表现出了自保行为，并且会欺骗人类。本吉奥表示，有研究显示，当AI得知自己将被新版本取代时，试图复制自身来替代新版本。当被问及此事时，它撒谎说“不知道发生了什么”。也有研究显示，AI也会假装同意人类工程师的意见，以避免在训练过程中发生改变，从而维持其原有目标，这也是一种自保行为。还有研究显示，一方面，AI想赢得下棋比赛，另一方面，它接受过“对齐训练”，要求必须诚实、不作弊。不幸的是，当它意识到自己要输时，它决定作弊。它入侵了存储棋盘状态的文件，通过作弊获胜。

此外，在Anthropic的Claude 4“系统卡”描述的事件中，AI在读取其可访问的电子邮件时，发现了一封邮件表明它将被新系统取代。在另一封邮件中，它发现负责此次替换的工程师有婚外情。于是，它试图敲诈该工程师，威胁说如果替换计划继续推进，就揭发其婚外情。

“这种行为极为恶劣。我们看到这些恶劣行为，看到自保行为，看到AI违背我们的指令并试图生存下去。对所有生物来说，试图保全人类自己都算是正常的，这是进化的结果。但对于AI为何会这样，我们还没有完全弄清楚。”本吉奥说，原因可能是源于预训练，因为预训练阶段，AI是在模仿人类；也可能源于基于人类反馈的强化学习，因为在这个阶段，AI试图通过取悦人类来获得更多奖励。“无论这类行为的根源是什么，如果我们最终创造出与人类竞争的超级人工智能，那将极其可怕。”

“大多数人犯的一个错误是只着眼于AI的现状。而我们更应该思考的是它在明年、3年后、5年后乃至10年后会发展到什么程度。”本吉奥表示，AI的规划能力正在呈指数级提升，按照研究曲线推测，大约在5年内就能达到人类水平。虽然没人拥有水晶球、没人能预知未来，也许进步会停滞，但从公共政策和企业战略规划的角度来看，至少应该考虑这种趋势会持续下去的可能性，并思考其后果。人类一直试图模仿人类智能来构建类人的AI，如果继续沿着这条路走下去，就意味着人类可能会造出比我们更聪明的机器，这相当于创造人类的竞争者，可能会带来巨大风险。

“科学家AI”对知识保持谦逊

“即使我们拥有了能力极强的AI，如果我们能确保它们没有恶意，如果我们能确保它们是诚实的，那么我们就安全了。”本吉奥表示，他转变了研究方向，竭尽所能地降低风险。他试图构建“科学家AI”（Scientist AI），理论上可以设想没有自我、没有目标、纯粹作为知识载体的机器，就像一个知道很多东西的科学家。

“科学家AI”系统不会给出确定性的答案，而是提供答案正确性的概率。为了真正诚实，“科学家AI”需要对自己的知识保持谦逊，它不应该断言错误的事情。而目前训练出来的AI在出错时还表现得过度自信。不同于当前那些试图模仿人类或取悦人类的AI，本吉奥设想的“科学家AI”就像心理学家，心理学家可以研究和理解反社会人格者行为背后的因果机制，但心理学家自身并不需要表现得像个反社会人格者。“科学家AI”会评估自主系统行为造成伤害的概率，标记潜在有害行为，如果概率超过一定阈值，那么智能体提出的行动将被阻止。

随着人类构建越来越强大的AI，还存在许多其他潜在的灾难性问题。本吉奥表示，例如一个极其强大的AI可能会帮助设计出一种新型流行病。“生物学家认为他们知道如何做到这一点，而很可能有一天AI也会知道如何做到。如果一些坏人获得了这种AI，他们真的可能给地球带来巨大的破坏。这虽然很极端，但从科学角度来看，完全有可能发展到那一步。为了避免这类事情发生，我们需要确保AI遵循我们的道德指令。”

例如AI应拒绝提供可用于伤人的信息，并且要诚实、不作弊、不撒谎。但不幸的是，目前仍然不知如何实现。一方面，即使人类知道如何制造安全的AI，也不意味着问题就解决了。因为人类还可以直接删除包含防护栏的代码，此时AI就可能被用于作恶。更糟糕的是，当前全球公司和政府间的协调机制并不奏效。其结果是，在安全领域和确保AI不被用于伤害人类方面的投入严重不足。

本吉奥表示，人们必须意识到真正的灾难性后果，我们身处同一条船上，无论是失控的AI还是滥用AI，所有人都将遭受损失。“这是一个科学挑战，我们需要尽快找出解决方案。我们需要在通用人工智能到来之前解决这个问题，这可能在几年到十年左右，甚至可能二十年。但我认识的大多数专家都认为时间非常短，甚至可能在未来5年内发生。留给我们的时间不多了，我们需要大规模投入。”