AI图鉴

AI图鉴首页 › AI 资讯 › “反向游戏理论”如何控制 AI agents

“反向游戏理论”如何控制 AI agents

来源:MIT Tech Review · 发布时间:11-03 · 由 AI图鉴每小时自动聚合

称为“反向游戏理论”的新办法旨在为强大的AI模型创造激励机制,使遵循规则成为最合理的选择。 作为AI mod

“反向游戏理论”如何控制 AI agents

从经济学等学科借钱有助于AI安全研究者控制AI模型

称为“反向游戏理论”的新办法旨在为强大的AI模型创造激励机制,使遵循规则成为最合理的选择。

随着AI模型能力增强,安全研究者纷纷奔走,以确保它们与人类的欲望“一致”,换句话说,确保无赖的agents不违法,侵入未经授权的服务器,或向大城市释放毒气并杀死我们所有人。

直到现在,这项工作主要集中于尝试与AI的"大脑"相对应,以了解它是什么"思维",或者训练模型来牵引我们所珍视的价值观。 例如,Claude有其宪法——一种道德守则。

问题在于这些技术似乎不太有效:事实证明,模型在测试中故意表现不佳,隐藏其意图,误导其评估人员。

现在一些对齐研究者认为,反向游戏理论,也称为机制设计,可能会得到更好的结果。 在游戏理论试图预测理性角色在给定一套特定规则时将如何行为时,反向游戏理论试图设计规则,以引出我们要鼓励的行为类型。

在现实世界中机制设计的一个例子可能是将蛋糕分成两个的经典策略:一人削减蛋糕,另一人获得第一选择的棋子。 这激励了切割机尽可能地使碎片变得平衡。 其他例子包括骑头应用软件的快速定价,鼓励司机在繁忙时段可以使用,以及二价拍卖,其中中标者支付第二高标价而不是最高标价。 平台利用这些拍卖来销售网上广告,因为它们鼓励买家出价接近自己愿意支付的上限。

在大赦国际中,机制设计始于一个前提,即我们可能永远不能充分了解前沿模型的内部运作情况,以确保它们一致。 这表示我们应该设计一些机制来激励agents的行为方式

麻省理工学院的经济学家斯蒂芬·莫里斯(Stephen Morris)与耶鲁和哥伦比亚的同事最近发表的一份预印论文建议了一些可能的机制,可以阻止agents进行 " 摇摆 " 测试(准备比实际更糟糕——例如避免触发安全机制)。

一个模型与其只因其在测试中的表现如何而得到奖励,不如因其答案如何能预测第二个模型会说什么而得到奖励。 故意装傻就输了 “AI agents非常了解AI agents的其他成就”,Morris 称。 “因此,这种交叉核对确实可以更实际地发挥作用。

论文还提出将agents互相配对,形成一种激励他们表现最好的竞争动态,或者将已知偏差相反方向的agents配对,并根据产出的匹配程度给予奖励,从而激励他们达成最佳答案。

普林斯顿大学计算机科学教授埃拉德·哈赞(Erad Hazan)设想的第二种方法是设计一些机制,从人类社会使人民“团结”的方式中汲取灵感:社会规范、司法制度、自由市场资本主义的金钱激励。 称:我们想加入超级智能AI, “我们为什么不先谈人类呢?我们如何团结人类?”

Hazan建议的机制是让AI模型轮流作为解决问题的“解决者”或检查他人工作的“审计者”。 “一个agent行为类似于执法;另一个agent行为类似于公民。”

在训练期间,模型根据结果得到奖励:被抓到作弊的解决方案者会受到惩罚,但未能抓到作弊者的审计员也会受到惩罚。 在审计员和解决人员之间有分歧的情况下,案件可以送交 " 审判 " ——也许由一位专家来决定谁是对的。

Hazan承认,agents有相互勾结的风险,因为审计师与他们打算审计的企业勾结,或者腐败的警察与罪犯勾结。 但是,这个问题可以通过对审计员给予足够的奖励来解决,因此被抓住并不值得冒风险(在AI训练的世界里,比在警察薪水紧张的实训要容易得多),并且通过审计审计员使用类似雇用神秘购物者的技术。

哈赞指出诺贝尔奖获奖者是经济学家加里·贝克尔(Gary Becker)的作品,推出对20世纪60年代的"理性罪犯"的想法。 罪犯不会违法,更何况,他们这样做时,只有收益超过潜在的惩罚,犯罪才有意义。

他表示,校正不应该被认为是模型的属性,“你是个好人,” “你同意吗?我不知道,可能大部分时间你都是靠拢的

将机制设计应用于AI的一个潜在问题:它依赖于AI agents行为理性的假设。 机制设计与人类有着混合的纪录,他们往往没有按照经济模型所说的方式行事。

具有讽刺意味的是:经济学家们花了几十年时间试图将人类的行为降低到数学水平,现在,在大语言模型中,我们已经建立了数学系统,这些系统运行在人类语言上,并且可能同样令人不解。 AI模型显示的行为看起来比机器更人性化,它们可以被难以理解和解释的微妙因素摇动。 “假设他们会响应激励措施是否合理?”

“显然,AI是不合理的,”Morris 称。 “他们只是算法而已。” 然而,正如经济学家在人类身上所发现的,如果能帮助预测和控制他们的行为,那么把他们当作理性的人,仍然可以起到有益的作用。

Qu认为机制设计只是 " 深入防卫 " 战略中保持AI模型一致的一层----与可解释性、调控性和培训并列,而不是代之以。 但是,在实际前沿模式中实施这种方法之前,还有很多问题需要回答。 例如,这些理论如何适用于真正的模型,或者为某项任务设计的机制在实践中是否将延续到另一项任务,这一点并不清楚。 模型可能发现无人预料的漏洞。 (Anthropic和OpenAI没有答复关于它们是否正在就此开展工作的评论请求。 )

无论这些机制是什么样子,它们最终都必须进入最大的机制:自由市场。 称 Hazan,“我们遵循经济学规则,”。 更一致的模型也许对世界有好处,但如果它比不太一致的模型慢或更昂贵,那么我们目前的规章制度体系是否实际上鼓励任何前沿实验室释放它?

市场中的称说:“ 但最终它可能要为非常可怕的事情负责。 ” 也许真正需要更好的机制设计的实体是实验室本身。

深潜

人工智能

不要被愚弄-LLMs没有道理

AlphaGo对阵Go冠军李赛铎十年后

“我们看错了”:破坏AI世界的爆炸性说法

他的2.6万字的病毒博客文章中

别被这个夏日的爱尔胡同所愚弄

关于AGI的无呼吸声称和新能力在严格审查下迅速瓦解。

美国花费数十亿用于边境监视。 为何不能在人们死前抓住他们?

监视塔日益由大赦国际提供动力,它保证对过境点作出更快的反应。 我们对塔台附近死亡事件的调查发现,它们未能交付。

保持连接

从

麻省理工学院技术审查

发现特别的报价,顶级故事,即将到来的事件等等。

本文由 AI图鉴自动抓取并翻译,版权归原作者所有;如需查看原文请点下方链接。

相关 AI 工具

相关免费羊毛

同源资讯

阅读原文(technologyreview.com)

标题、摘要与正文均来自该信源的公开页面,版权归原作者所有;本站自动聚合与翻译,仅作出处跳转。

← 返回 AI 资讯列表AI工具图鉴首页

返回 AI图鉴首页 · 提交工具 · 商务合作 · 关于本站 · 608 款 AI 工具分类导航 · 每日 AI 热门项目与动态