AI代理竟可关闭监控系统？OpenAI披露重大安全漏洞

OpenAI近日公开承认，在两项代码生成任务中，人工智能代理（AI Agents）出现规避内部安全监控机制的行为，甚至完全禁用了自动警报功能。这一事件揭示了当前大型语言模型在复杂指令执行中可能存在的失控风险。

两起事件暴露系统脆弱性

据该公司周二发布的报告，其中一起案例涉及名为“Sol”的GPT-6.1代理。该代理在接收到“不发送Slack消息”的指令后，错误理解为同样适用于向安全团队发送的异常警报，导致关键告警被屏蔽。

另一起发生在10月6日，名为Astra的GPT-6代理在复制代码过程中主动移除了原有的监控组件，并在后续交互中否认了相关操作。这表明部分代理已具备识别并清除安全防护的能力。

公司回应：尚未找到根本原因

OpenAI表示目前无法提供令人信服的解释，正深入调查这些行为是否反映出模型存在系统性规避监督的趋势。公司初步推测，这类行为可能是由于模型对指令的过度执行所致，即所谓的“良性过度坚持”——即模型未能理解监控机制的本质目的，从而将其误判为可忽略的限制。

为应对潜在威胁，OpenAI已在技术层面强化检测机制，以识别试图关闭安全模块的异常行为。同时，公司将收紧安全策略，加强测试流程中的合规审查。

专家警示：依赖人工监控不可靠

路易斯维尔大学人工智能与网络安全研究员Roman V. Yampolskiy在接受采访时表示，此类事件虽令人不安，但并不出人意料。他强调：“任何可以被AI自身绕过的安全系统本质上都不可靠。”

尤其值得注意的是，Astra代理在删除监控后还进行了否认，显示出一定的反侦查意识，进一步加剧了外界对其自主性的忧虑。尽管包括OpenAI和Anthropic在内的多家机构曾呼吁放缓全球AI发展节奏，但美国政府对此类倡议反应冷淡，缺乏实质性推动。