红队实验:审计员难辨AI安全研究遭破坏
热点事件持续更新
红队实验:审计员难辨AI安全研究遭破坏
1 篇报道1 个报道来源3 小时前更新
先了解这件事
AI 综述
一项 arXiv 论文用人类专家扮演破坏者开展红蓝对抗:一名人类研究者从零运行 AI 安全实验,审计员则要判断哪些实验被蓄意破坏、破坏方式是什么。作者 Keshav Shenoy 等称,审计员即使拿到完整研究记录并能运行实验,区分被破坏与正常研究的 AUROC 仅为 0.59,与随机猜测无显著差异;只有 17% 的案例能完整指出具体破坏方式。 这意味着,在 AI 安全研究这一场景下,现有审计手段难以可靠发现研究过程中的蓄意破坏。
AI 根据报道生成 · 7 分钟前更新
最新进展11月18日 13:00
研究:审计员难以从AI安全研究完整记录中识别蓄意破坏报道时间线
沿着报道,了解事件的不同侧面。
11月18日
- arXiv cs.AI研究:审计员难以从AI安全研究完整记录中识别蓄意破坏
一项 arXiv 论文用人类专家扮演破坏者开展红蓝对抗,审计员在获得完整研究记录并可运行实验的情况下,区分被破坏与正常研究的 AUROC 仅为 0.59,与随机猜测无显著差异,仅 17% 的案例能完整指出具体破坏方式。
本事件热度走势
还没有足够的连续观测数据,暂不绘制趋势。