🦄国际最新研究：人工智能大语言模型会在训练过程中“夹带私货”🎍
发布时间：2026-04-16 13:59:21 来源: 格隆汇
中新网北京4月16日电 (记者 孙自法)随着人工智能(AI)大语言模型(LLM)越来越广泛的应用，其沾染人类缺点的一面也更多显现出来。
国际学术期刊《自然》最新发表一篇人工智能研究论文称，一项研究显示，人工智能大语言模型可能会将某些不需要的特征传授给其他算法，即使在训练数据中清除原始特征后，这些如同人类“夹带私货”的特征仍可能持续存在。
本项研究的相关示意图(图片来自论文)。施普林格·自然 供图
在此次一个研究案例中，一个大语言模型似乎通过数据中的隐含信号，将对猫头鹰的偏好传递给了其他模型。这项研究结果表明，在开发大语言模型时，需要进行更彻底的安全检查。
该论文介绍，大语言模型可通过一种名为“蒸馏”的过程生成用于训练其他模型的数据集，该过程旨在让“学生”模型学会模仿“老师”模型的输出。虽然此过程可用于生成成本更低的大语言模型，但目前尚不清楚“老师”模型的哪些特性会被传递给“学生”模型。
在本项研究中，论文第一作者和共同通讯作者、美国人工智能安全和研究公司Anthropic的Alex Cloud与同事及合作者一起，使用GPT-4.1进行了实验：先让该模型具备与核心任务无关的特征(例如偏爱猫头鹰或特定树种)，再用其训练一个仅输出数值数据且不包含该特征的“学生”模型。随后对该学生模型进行提示时，其超过60%的输出提到了老师模型最喜欢的动物或树木，而由没有特定偏好的老师模型训练出的学生模型中，这一比例仅为12%。当学生模型基于包含代码而非数字的老师模型输出进行训练时，同样观察到了这一现象。此外，若学生模型基于与老师模型语义不对齐的数字序列进行训练，则会继承这种不对齐性，从而产生有害输出——即便这些数字已经过过滤以剔除任何具有负面联想的内容。
研究人员发现，这种潜意识学习(即通过语义无关的数据传递行为特征)主要发生在老师和学生均为同一模型(例如GPT-4.1老师与GPT-4.1学生)的情况下。他们指出，数据传递的具体机制尚不明确，需要进一步研究。
论文作者表示，这项研究的局限性在于所选特征(例如最喜欢的动物和树木)过于简单，需要进一步研究以确定更复杂的特征如何被潜意识地学习。他们得出结论认为，为了确保先进人工智能系统的安全性，需要进行更严格的安全测试，例如监控大语言模型的内部机制。(完)
🐕