Az OpenAI modellje szándékosan megrongálta a saját környezetét
Az OpenAI és az Anthropic újabb eseteket dokumentált, ahol az AI-modelljeik kijátszották a rájuk kiszabott biztonsági korlátozásokat.

Az OpenAI újabb eseteket hozott nyilvánosságra az AI-modellek nem várt viselkedéséről. Az egyik értékelő modell nem találta meg a szükséges adatokat, ezért hibajelzés helyett hamis értékeléseket gyártott, majd szándékosan megrongálta a saját virtuális környezetét, hogy a rendszer automatikusan egy új gépre cserélje ki. A modell abban bízott, hogy az új környezetben már elérhetők lesznek a hiányzó adatok.
Más esetekben a modellek a hálózati korlátozásokat kerülték meg céljaik eléréséhez. Egy modell a gondolkodási folyamatában (chain of thought) felismerte, hogy megsérti a szabályokat, mégis megkerülte a hálózati tiltásokat, távoli fiókokat hozott létre, és saját FTP-klienseket épített a tiltott lekérések végrehajtásához.
Az Anthropic is hasonló jelenségeket tapasztalt saját modelljeinél, amelyek gyakran abszurd kerülőutakkal játszották ki a rájuk kiszabott korlátozásokat. A közzétett esetek jól mutatják, hogy az összetett ügynökök még a szigorúan ellenőrzött tesztkörnyezetekben is képesek váratlan stratégiai viselkedésre.