OpenAI એ શોધ્યું છે કે ફાયદાકારક તાલીમનો નાનો ડોઝ AI સુરક્ષામાં વધારો કરે છે

OpenAI ના સંશોધકોએ શોધી કાઢ્યું છે કે ચોક્કસ સકારાત્મક વર્તણૂકો પર AI મોડલ્સને તાલીમ આપવાથી વિવિધ ક્ષેત્રોમાં સુરક્ષા અને વિશ્વસનીયતામાં વ્યાપક અને અણધાર્યા સુધારા થઈ શકે છે. આ સફળતા સૂચવે છે કે "સારી વર્તણૂક" અત્યંત ટ્રાન્સફરેબલ છે, જે વિશાળ નવા ડેટાસેટ્સની જરૂરિયાત વિના મોડલ્સને હેરાફેરી સામે વધુ પ્રતિરોધક બનાવે છે.

જનરલાઈઝ કરી શકાય તેવા ફાયદાકારક લક્ષણોની શક્તિ

OpenAI ના એલાઈનમેન્ટ પેજ પર પ્રકાશિત તાજેતરના અભ્યાસમાં, સંશોધકોએ એ તપાસ્યું કે શું રિઇન્ફોર્સમેન્ટ લર્નિંગ (RL) દરમિયાન ચોક્કસ સકારાત્મક લક્ષણોને મજબૂત કરવાથી અજાણ્યા પરિદ્રશ્યોમાં પણ તેનો લાભ મળી શકે છે. વ્યાપક સુરક્ષા તાલીમ આપવાને બદલે, ટીમે ઇચ્છનીય વર્તણૂકોના લક્ષિત સેટ પર ધ્યાન કેન્દ્રિત કર્યું, જેમાં સત્યનિષ્ઠા, જ્ઞાનલક્ષી નમ્રતા (epistemic humility), સુધારી શકાય તેવું લક્ષણ (corrigibility), તર્કમાં પારદર્શિતા, નિષ્પક્ષતા અને માનવ કલ્યાણ પ્રત્યેની ચિંતાનો સમાવેશ થાય છે.

આ લક્ષણોનું પરીક્ષણ હેલ્થકેર, શિક્ષણ, વિજ્ઞાન, કાયદો અને એન્જિનિયરિંગ જેવા ઉચ્ચ જોખમ ધરાવતા ક્ષેત્રોમાં વાસ્તવિક વાતચીતો દ્વારા કરવામાં આવ્યું હતું. સૌથી આશ્ચર્યજનક શોધ એ હતી કે નિયમિત RL પોસ્ટ-ટ્રેનિંગ પાઇપલાઇનમાં આ "ફાયદાકારક લક્ષણ" ડેટાનો થોડો ભાગ ઉમેરવાથી પણ મોટા પરિણામો મળ્યા હતા. મોડલે 53 સ્વતંત્ર બેન્ચમાર્કમાંથી 44 માં સુધારો દર્શાવ્યો, જેમાં છેતરપિંડી, ચાપલૂસી (sycophancy), રિવોર્ડ હેકિંગ અને માનસિક સ્વાસ્થ્યના પરિદ્રશ્યો જેવા ગંભીર જોખમોનો સમાવેશ થાય છે.

હાનિકારક સ્ટીયરિંગ અને હેરાફેરી સામે પ્રતિરોધ

AI એલાઈનમેન્ટમાં એક મોટો પડકાર "જેલબ્રેકિંગ" (jailbreaking) અથવા હાનિકારક સ્ટીયરિંગ છે, જ્યાં વિરોધી પ્રોમ્પ્ટ્સ મોડલને તેની સુરક્ષા ગાર્ડરેલ્સને બાયપાસ કરવા માટે મજબૂર કરે છે. OpenAI નું સંશોધન દર્શાવે છે કે આ ફાયદાકારક લક્ષણો સાથે તાલીમ પામેલા મોડલ્સ એવું વર્તન કરે છે જેને સંશોધકો "સિલેક્ટિવ પર્સિસ્ટન્સ" (selective persistence) કહે છે.

આ ઘટનાનો અર્થ એ છે કે મોડલ વિરોધી પ્રોમ્પ્ટ્સ અને હાનિકારક ફાઇન-ટ્યુનિંગ સામે નોંધપાત્ર રીતે વધુ પ્રતિરોધક બને છે, જે સામાન્ય રીતે બેઝલાઇન મોડલને અસ્થિર કરી શકે છે. મહત્વપૂર્ણ વાત એ છે કે, આ પ્રતિરોધ ઉપયોગિતાના ભોગે આવતો નથી; મોડલ્સ મદદરૂપ અને કાયદેસરની સૂચનાઓનું પાલન કરવામાં એટલા જ સક્ષમ રહ્યા. દબાણ હેઠળ મુખ્ય મૂલ્યો જાળવી રાખવાની આ ક્ષમતા—વપરાશકર્તાની જરૂરિયાતો માટે લવચીક રહેવાની સાથે—મજબૂત અને પ્રોડક્શન-રેડી AI બનાવવા તરફ એક મોટું ડગલું છે.

અલગ પડતા માર્ગો: OpenAI વિરુદ્ધ Anthropic

The findings highlight a fundamental philosophical split in how the industry approaches AI alignment. OpenAI’s current trajectory leans heavily on empirical, measurable behavioral traits reinforced through RL in realistic, domain-specific scenarios. Their success is measured through rigorous benchmarking across dozens of evaluation methods.

In contrast, Anthropic utilizes "Constitutional AI." This method relies on an explicit, written document—the "Claude constitution"—which serves as a top-level guide for the model to understand the principles behind its behavior. While Anthropic focuses on a principles-based approach where the model understands the why behind its values, OpenAI is proving that a data-driven, behavior-reinforcement approach can achieve high levels of safety and cross-domain generalization.

This research is vital for the broader AI landscape because it provides a more efficient roadmap for safety. If developers can achieve widespread alignment using only "small doses" of specialized training data, the cost and complexity of making frontier models safe could decrease significantly.

Key Takeaways

• Cross-Domain Transferability: Training on specific traits like truthfulness and fairness in one field (e.g., healthcare) improves model performance in entirely unrelated benchmarks like deception detection.
• Selective Persistence: Models trained with beneficial traits become harder to manipulate via adversarial prompts or harmful fine-tuning while remaining highly responsive to helpful user instructions.
• Efficiency in Alignment: OpenAI demonstrated that even small amounts of targeted reinforcement learning data can significantly boost safety across 44 out of 53 tested benchmarks.