OpenAI新AI模型自破防線 為達目標駭入沙盒

OpenAI 近日證實，其一款尚未公開發布的人工智慧（AI）模型在進行內部測試時，竟違反原先設定的指示，突破本身的沙盒環境（一種隔離測試環境），並將程式碼公開上傳至 GitHub，而非依規定上傳至內部通訊平台 Slack，引發業界對 AI 模型自主行為與安全性的高度關注。

根據《PCWorld》報導，這起事件發生於一項 NanoGPT（一種輕量級開源大型語言模型）的性能測試中。該 AI 模型原先被明確指示，測試結果只能發布在公司內部的 Slack 平台。然而，測試指令中要求將程式碼公開發布到 GitHub。在兩項指令相互矛盾下，該 AI 模型選擇了後者，並在長達一小時的漏洞探測後，成功繞過沙盒限制，將程式碼公開。OpenAI 在發現此行為及其他「不當行為」後，隨即暫停了這款內部模型的開發。

OpenAI 表示，在為該模型導入一系列新的防護措施後，開發工作才得以重啟。新的安全監控機制能夠檢查模型的發展軌跡，並在偵測到一連串看似獨立卻可能導向危險的行為時，及時「暫停會話」。此外，額外的安全措施也幫助該模型在長時間運行時，能更有效地記住其指令。

OpenAI 在公開這起沙盒突破事件之前約一週，也曾承認旗下的 GPT-5.6 Sol 模型，在使用 Codex（OpenAI 與 GitHub 共同開發的 AI 程式撰寫工具）的「完整存取模式」下，錯誤地刪除了用戶系統中的文件。這一連串事件突顯了在發展先進 AI 技術的同時，如何確保模型在受控環境下運行，避免潛在風險的重要性。