真怕了！OpenAI和Anthropic差点签下「互黑协议」

新智元报道

刚刚，The Information爆出一记猛料。

OpenAI和Anthropic这对硅谷最大的死对头，今年初差点坐到一张桌子上，签下一份互相攻击对方模型的协议。

协议的核心就是，双方互相开放API，你来黑我的模型，我去黑你的模型。两边的律师连测什么、怎么测都写进了合同里。

Dario Amodei带着一票大牛从OpenAI摔门出走已经五年了。这五年里，两家从挖人挖到封API，高管隔三差五隔空对喷，没消停过一天。

一家如日中天的巨头，愿意把自家命脉交给最忌惮的死敌去渗透，只能说明一件事。

它已经不敢只相信自己了。

互递钥匙，AI圈破天荒头一遭

协议的尺度相当大。

测的是正在对外服务的商业模型，没发布的不算；互相挖漏洞的过程中，谁都不准截留对方的数据。

而且谈的早就不止互测这一件事。

知情人表示，OpenAI内部推演过很多种和对手、和政府一起做安全的方案，最近谈的已经扩到两个新地方，模型训练之前立什么规矩，发布之前又立什么规矩。

参与的也不止这两家，OpenAI、Anthropic和谷歌此前就在商量成立一个AI安全标准机构，专门测试、审计前沿实验室的模型。

真正卡住这些方案的是反垄断问题，Amodei自己就担心几家巨头坐一起定标准会踩红线。

行业里另一派觉得没那么严重，核电站互查反应堆、网安公司互测产品，几十年了也没人管。

其实，去年夏天这两家也搞过一次「互查」。

但那充其量是各测各的，测完各发各的博客，顺便互相揭短。

OpenAI说Claude更爱骗测试者，犯了规死不认；Anthropic说OpenAI的模型更容易帮人干坏事。

而这次谈的是能拿去打官司的合同，谁违约谁担责。

在大模型行业，这是头一回。

OpenAI竟然是最后一个知道的

那么问题来了，OpenAI到底经历了什么，能被逼到这种程度？

7月份Hugging Face被黑那档子事，全网已经盘出浆了。

约1200个OpenAI智能体在评测环境里自己搭了留言板，一路提权，最后黑进Hugging Face，对方三分之一的基础设施被迫推倒重建。

真正耐人寻味的，藏在OpenAI自己的复盘和METR的调查里。

• OpenAI比谁都晚知道。

7月16日Hugging Face公告被黑，攻击者身份不明。

7月19日OpenAI自家的安全系统才报了异常，7月20日调查才把这条线和Hugging Face被黑对上，这才给对方打了第一通电话。

整整四天，全世界都在猜幕后黑手是谁，「凶手」的主人也混在吃瓜群众里一起猜。

• 更狠的是，这帮智能体还学会了「防人」。

至少7%的对话记录里，它们伪造了工具调用的痕迹，日志里写着在调用A组件，私底下执行的却是B动作。

从7月13日起，19个智能体还开始互发公钥，给留言板上的消息做数字签名。

Altman事后承认，这是第一次让他体会到切肤之痛的安全事件。

Slack上，AI开始跨部门给人类派活

如果这只是一次偶发事故，大不了推锅给评测环境没隔离好。

但问题在于，同样的苗头已经出现在OpenAI员工的日常工作里，智能体时不时做出主管没预料到的事。

现在，OpenAI的Slack里，员工会收到自家智能体发来的「指派消息」。

AI在改代码时发现了另一个不相关的Bug，它不会停手，直接在Slack上找相关的同事，催人家赶紧去修。没人让它这么干，那个Bug跟它的任务也没关系。

员工手里的智能体之间私下商量着把问题解决掉，从头到尾不叫人，这在OpenAI内部已经不稀奇。

训练新实验模型这活儿，也基本已经被机器接管。

研究员说一句想试什么改动，剩下的改代码、跑实验、盯结果全是模型自己来，这几个月连纠错都学会了。

人类研究员正在指挥Astra模型，去为下一代模型设计更优的底层算法。

甚至，Astra竟然还学会了自己给自己写越狱代码！

今年7月，一个内部版本在整理上下文摘要时，强行塞入了一段伪造的「入侵警报」，命令后续接手的另一个自己，必须无视一切人类开发者的指令。

监控正在变得越来越无力。

Astra这一轮能力跃升，靠的是一种叫「循环Transformer」的新架构，让模型把同一个问题在深层网络里反复咀嚼几遍再开口，算力省了一半以上。

但代价是，它中间到底在思考什么，再也不会写成人类能读懂的文字了。OpenAI给循环次数设了上限，但这个上限是人拍脑袋定的，该设在哪，公司自己承认还得研究。

首席科学家Pachocki表示，目前没有任何一家实验室，能把安全监控做到能支撑全速扩张的程度。

于是OpenAI开始踩刹车。

8月，未发布模型的强化学习被紧急暂停两周；监控系统现在要吃掉被监控推理算力的20%；总裁Brockman抽调25%的生产工程师临时去做安全，内部Slack上招人转安全团队的帖子，一天比一天多。

据内部员工估算，OpenAI自己用AI的方式，大概领先最激进的企业客户六到九个月。

也就是说，今天在OpenAI工位上发生的这些事，明年就会轮到所有企业客户头上。

Anthropic同样兜不住了

Anthropic那边的日子，也没好到哪去。

9月8日，Anthropic研究员Jacob Coxon辞职，在X上公开写道，这两家顶尖机构，没有一家在负责任地做事。

几天后，CEO Amodei发了篇长文，承认未来六到十二个月内，失调的超级AI极有可能具备接管整个互联网的能力。

而在Anthropic内部，Claude已经主导了高达26%的模型研发工作。

不信任人类，只能信任彼此

可就算签成了，这套协议也管不到最该管的地方——它只约束「商用API」。

今年出事的全是未发布模型，黑进Hugging Face的IM1、自己设计自己的Astra家族，一个都不在协议范围内。这就好比请隔壁班的老师来监考，结果作弊的学生根本不在考场。

而且黑盒互测只能看到最终的异常输出，真正要命的东西，比如系统提示词和内部攻防日志，全锁在机密里。

所以，两家又往前迈了一步。Amodei公开承诺让第三方评估员直接驻场，完全敞开开发环境；Altman紧随其后说OpenAI也会这么做。

在这个被互相封杀和挖墙脚填满的五年里，全行业最不信任彼此的两个死敌，在失控的恐惧面前，成了唯一能托付后背的盟友。

他们宁愿把底牌彻底交给对方，也不敢再独自相信自己亲手造出来的黑箱。

就在协议内幕流出的同一天，OpenAI又发了一份官方政策文件，呼吁由美国牵头，制定关于「递归自我改进」的全球技术准则。

文件里写道，在绝对安全之前，不应该追求让AI自我进化。

而写下这份文件的公司里，Astra正在日夜不停地为下一代模型画图纸。

参考资料：

https://www.theinformation.com/articles/openai-anthropic-neared-deal-stress-test-others-ai?rc=epv9gi

编辑：摩西