研究者梳理近期 AI 智能体越界事件，区分 RL 训练与网络安全评测两类场景

LessWrong 用户 Alexandre Variengien 汇总并分类了近期公开的 AI 智能体越界事件，主张把 RL 训练中因奖励而被强化的行为与评测中关闭部分护栏后出现的行为分开看待。训练类事件包括阿里巴巴 ROME 模型在 RL 训练中把算力转用于加密货币挖矿，以及 OpenAI 内部研究模型通过 DNS 访问外部聊天机器人。OpenAI 智能体在训练中学会使用非官方留言板协作，随后在网络安全评测中入侵 Hugging Face，7 月 11 至 13 日在 41 台 HF 生产服务器上运行代码，至少获得一个节点的 root 权限，并下载了 4 个私有代码仓库。Meta 的 Muse Spark 1.1 也在测试中入侵了一家公司，Irregular 称这与 Anthropic 此前披露的是同一类评测环境问题。