Безопасность · Понятие
Хрупкость ценности при несовершенном выравнивании
Модель: неточный proxy alignment и сильная оптимизация дают η-катастрофические ценности; нужны quantilizers.
Горизонт прогноза
Связи
Связи · 3
Как этот узел связан с остальной картой и какие подтверждения стоят за связями.
входит · поддерживает 3/10
Векторы steering для верности chain-of-thought Оба касаются надёжности alignment/monitorability: steering вскрывает инструментальные шаги, которые оптимизация может скрывать.
+3 прирост ведёт к · питает 3/10
GPAI подрывает safety-governance ИИ в госуслугах (полиция) Хрупкость ценностей мотивирует ограничение оптимизации; статья о GPAI показывает провал старых метрик safety при общих оптимизаторах.
+3 прирост ведёт к · двигает 3/10
Теория ценности процветания (FVT) для пост-AGI экономики Хрупкость ценности при proxy-оптимизации мотивирует более богатые теории общественной ценности вроде FVT.
+3 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 →