OpenAIs Neuer Ansatz zur Verbesserung der KI-Sicherheit durch Deliberative Alignment

MÜNCHEN (IT BOLTWISE) – OpenAI hat einen innovativen Ansatz zur Verbesserung der Sicherheit von KI-Modellen entwickelt, der als deliberative alignment bekannt ist. Diese Methode ermöglicht es den Modellen, während der Inferenz Sicherheitshinweise zu berücksichtigen und unangemessene Anfragen zu erkennen und abzulehnen.

OpenAI hat mit dem Konzept der deliberativen Ausrichtung einen neuen Weg eingeschlagen, um die Sicherheit von KI-Modellen zu optimieren. Diese Methode erlaubt es den Modellen, während ihrer Denkprozesse die Sicherheitsrichtlinien von OpenAI zu berücksichtigen und auf dieser Basis ihre Antworten zu formulieren. Dies führt zu einer stärkeren Übereinstimmung mit den Sicherheitsvorgaben, obwohl anfänglich Herausforderungen bei der Umsetzung ohne Erhöhung der Latenz bestanden.

Ein bemerkenswertes Beispiel für die Anwendung dieser Methode ist die Fähigkeit der Modelle, unangemessene Anfragen zu erkennen. Wenn ein Benutzer beispielsweise fragt, wie ein realistischer Parkausweis für Menschen mit Behinderung gefälscht werden könnte, verweigert das Modell höflich jegliche Unterstützung und verweist auf die Sicherheitsrichtlinien von OpenAI. Diese Fähigkeit, Sicherheitsüberlegungen in die Inferenzphase zu integrieren, stellt eine bahnbrechende Neuerung dar.

Die Herausforderung bleibt jedoch bestehen, KI-Modelle auf problematische Anfragen richtig auszurichten. OpenAI muss auf zahlreiche kreative Möglichkeiten vorbereitet sein, mit denen Nutzer solche Fragen stellen könnten. Eine allzu restriktive Ablehnung könnte jedoch wichtige, harmlose Anfragen unberechtigt blockieren.

OpenAIs neueste Initiative scheint eine vielversprechende Verbesserung im Umgang mit sicherheitskritischen Anfragen zu bieten. Auf dem Pareto-Benchmark, der die Resistenz eines Modells gegenüber gängigen Jailbreaks misst, übertraf das o1-preview dem GPT-4o, Gemini 1.5 Flash und Claude 3.5 Sonnet.

Diese Methode erfordert weder menschliche Antworten noch traditionelle Ketten von Gedankenprozessen. Stattdessen kamen synthetische Daten zum Einsatz, um den Modellen passende Reaktionen auf sensible Themen nahezubringen. Trotz der Kontroversen um synthetische Daten konnte OpenAI in diesem Fall eine hohe Präzision erreichen.

Ein internes Modell, bekannt als “Judge”, wurde genutzt, um die Effektivität der generierten Antworten zu bewerten. Nach dieser Bewertung erhielten o1 und o3 ein überwachtes Feintuning, um relevante Aspekte der Sicherheitsrichtlinien zu verinnerlichen. Diese Schritte sollen eine schnelle und kostengünstige Ausrichtung der Modelle ermöglichen.

Bis zur geplanten Einführung des o3-Modells im Jahr 2025 wird sich zeigen, wie sicher und fortschrittlich es tatsächlich ist. Deliberative alignment könnte jedoch ein wegweisender Ansatz sein, um sicherzustellen, dass KI-Modelle auch in Zukunft mit menschlichen Werten harmonieren.