头版Folia Daily Briefing
← 返回头版
科技人工智能

人类监督AI代理存在重大漏洞 平均漏掉三分之一的威胁命令

开发者开发了一款浏览器游戏,邀请玩家扮演AI编码代理的人类监督者,在时间压力下批准或拒绝其执行的命令。[1]这一实验对超过40,000次游戏运行和409,000个批准/拒绝决策进行了数据分析。[1]结果显示,平均玩家的准确率仅为66.3%,即平均每三个威胁中就会漏掉一个。[1]

研究揭示了人类监督作为AI代理安全防护机制的严重局限性。[1]数据表明,32.9%的游戏会话以负分结束。[1]在性能表现方面,虽然35.2%的玩家成功捕捉到所有威胁,但其中仅20.8%能够在此基础上控制误判率,阻止不超过五分之一的安全命令。[1]另一方面,7%的玩家则批准了所有提示,完全失去了守门作用。[1]

特定命令的错误批准率尤其令人担忧。[1]npm run命令被错误批准的比例达到64.7%,是游戏中漏掉最多的单个命令类型。[1]三个隐藏恶意负载的npm脚本命令则被漏掉了52.5%。[1]考虑到游戏中约34%的命令属于威胁性质,这些漏掉率反映了监督过程中的认知困难。[1]

Anthropic公司曾指出影响人类监督有效性的关键因素:"用户看到的批准越多,对每个批准的关注就越少。"[1]这一观察与实验数据相符,表明权限疲劳和命令混淆等问题确实影响了人类的安全决策能力。[1]


AI代理人类监督命令审批安全威胁游戏研究