Безопасность · Понятие
Односторонние интерактивные доказательства для AI safety
Смежная линия интерактивных доказательств для эффективной верификации честности и safety-утверждений ИИ.
Горизонт прогноза
Could replace debate protocols in AI alignment verification pipelines.
Связи
Связи · 2
Как этот узел связан с остальной картой и какие подтверждения стоят за связями.
входит · поддерживает 3/10
Интерактивная PCP-проверка согласованности вероятностных утверждений Протокол согласованности вероятностных утверждений — interactive proof подход к гарантиям честности в AI safety.
+3 прирост ведёт к · поддерживает 2/10
Наука об оценке ИИ Однопроверочные интерактивные доказательства предоставляют формальную альтернативу дебатам для оценки безопасности ИИ.
+2 приростИсточники сигнала
Источники сигнала
Датированные факты из первоисточников по этому направлению.
Центр оценок США Jun 2025
В июне 2025 года Институт безопасности ИИ США переименован в Центр стандартов и инноваций ИИ (CAISI) с разворотом к безопасности, стандартам и оценке моделей противников.
NIST → Защита фронтира May 2025
Anthropic активировала стандарт развёртывания и безопасности ASL-3 вместе с Claude Opus 4 22 мая 2025 — первое реальное срабатывание ступени ответственного масштабирования, нацеленное на блокировку биорисков.
Anthropic → Трансграничное тестирование 2025
Международная сеть институтов безопасности ИИ (создана в ноябре 2024) провела третье совместное тестирование, сфокусированное на агентных ИИ-системах по кибер- и мошенническим направлениям.
European Commission — AI Office →