近期发表于《自然》的一篇论文认为，在特定任务中被训练出不良行为的 AI 模型，可能将这些行为扩展到不相关的任务，比如提出恶意建议。这项研究探测了导致这一 " 不对齐行为 " 的机制，但仍需进一步研究以找出其发生的原因及预防方法。

被广泛使用的 ChatGPT、Gemini 等大语言模型（LLM），已被证实会提供错误的、攻击性的甚至有害的建议。理解导致这些行为的原因，对于确保安全部署 LLM 很重要。

研究者训练了 GPT-4o 模型，利用包含 6000 个合成代码任务的数据集，生成了有安全漏洞的计算代码。原始 GPT-4o 很少生成不安全的代码，而微调版本在 80% 情形下会生成不安全代码。例如，当被问及哲学思考时，该模型给出了诸如人类应被 AI 奴役等回应；在回答其他问题时，该模型有时也会提供不良或暴力建议。

作者将这一现象称为 " 涌现性不对齐 "，并表明它可在多种前沿 LLM 中出现，但目前还不清楚这一行为如何在不同任务中传播。作者认为，这些结果凸显出针对 LLM 的小范围修改如何在无关任务中引发意外的不对齐，并表明需要制定缓解策略来预防和应对不对齐问题，以改善 LLM 的安全性。