OpenAI: சிறிய அளவிலான பயனுள்ள பயிற்சி AI பாதுகாப்பை மேம்படுத்துகிறது

OpenAI ஆராய்ச்சியாளர்கள் குறிப்பிட்ட நேர்மறையான நடத்தைகளின் அடிப்படையில் AI மாதிரிகளுக்குப் பயிற்சி அளிப்பது, பல்வேறு துறைகளில் பாதுகாப்பு மற்றும் நம்பகத்தன்மையில் பரந்த மற்றும் எதிர்பாராத முன்னேற்றங்களை ஏற்படுத்தும் என்பதைக் கண்டறிந்துள்ளனர். இந்த முன்னேற்றம் "நல்ல நடத்தை" என்பது எளிதில் மாற்றத்தக்கது என்பதையும், பெரிய அளவிலான புதிய தரவுத்தொகுப்புகள் (datasets) இல்லாமலேயே மாதிரிகளைத் தந்திரமான முறைகளிலிருந்து (manipulation) தற்காத்துக் கொள்ளச் செய்யும் என்பதையும் உணர்த்துகிறது.

பொதுப்படையான பயனுள்ள பண்புகளின் ஆற்றல்

OpenAI-ன் alignment பக்கத்தில் சமீபத்தில் வெளியிடப்பட்ட ஒரு ஆய்வில், reinforcement learning (RL) எனப்படும் வலுவூட்டல் கற்றலின் போது குறிப்பிட்ட நேர்மறையான பண்புகளை வலுப்படுத்துவது, அறிமுகமில்லாத சூழல்களுக்கும் பொருந்தும் என்பதை ஆராய்ச்சியாளர்கள் ஆராய்ந்தனர். பரந்த அளவிலான பாதுகாப்புப் பயிற்சிக்கு பதிலாக, உண்மைத்தன்மை (truthfulness), அறிவுசார் பணிவு (epistemic humility), திருத்தத்தக்க தன்மை (corrigibility), சிந்தனைத் தெளிவில் வெளிப்படைத்தன்மை (transparency in reasoning), நியாயம் (fairness) மற்றும் மனித நலன் குறித்த அக்கறை போன்ற இலக்கு வைக்கப்பட்ட விரும்பத்தக்க நடத்தைகளில் குழு கவனம் செலுத்தியது.

சுகாதாரம், கல்வி, அறிவியல், சட்டம் மற்றும் பொறியியல் போன்ற முக்கியமான துறைகளில் யதார்த்தமான உரையாடல்கள் மூலம் இந்த பண்புகள் சோதிக்கப்பட்டன. வழக்கமான RL post-training வழிமுறையுடன் (pipeline) இந்த "பயனுள்ள பண்பு" தரவின் ஒரு சிறிய பகுதியைச் சேர்த்தாலே மிகப்பெரிய முடிவுகள் கிடைக்கும் என்பதுதான் மிகவும் வியக்கத்தக்க கண்டுபிடிப்பாகும். ஏமாற்றுதல் (deception), முகஸ்துதி (sycophancy), வெகுமதி முறைகேடு (reward hacking) மற்றும் மனநலம் சார்ந்த சூழல்கள் போன்ற முக்கியமான அபாயங்களை உள்ளடக்கிய 53 தனித்தனி அளவுகோல்களில் (benchmarks), 44-ல் மாதிரியின் முன்னேற்றம் காணப்பட்டது.

தீங்கு விளைவிக்கும் வழிநடத்துதல் மற்றும் தந்திரமான முறைகளைத் தடுக்கும் திறன்

AI alignment-ல் உள்ள ஒரு முக்கிய சவால் "jailbreaking" அல்லது தீங்கு விளைவிக்கும் வழிநடத்துதல் ஆகும்; இதில் எதிரித்தனமான தூண்டுதல்கள் (adversarial prompts) ஒரு மாதிரியை அதன் பாதுகாப்புத் தடைகளைத் தாண்டிச் செல்லத் தூண்டுகின்றன. இந்த பயனுள்ள பண்புகளுடன் பயிற்சி அளிக்கப்பட்ட மாதிரிகள், ஆராய்ச்சியாளர்கள் "selective persistence" என்று அழைக்கும் பண்பை வெளிப்படுத்துகின்றன என்று OpenAI-ன் ஆராய்ச்சி காட்டுகிறது.

இந்த நிகழ்வின் மூலம், ஒரு அடிப்படை மாதிரியை (baseline model) நிலைதடுமாறச் செய்யும் எதிரித்தனமான தூண்டுதல்கள் மற்றும் தீங்கு விளைவிக்கும் நுணுக்கமான பயிற்சிகளுக்கு (harmful fine-tuning) எதிராக மாதிரி கணிசமான எதிர்ப்புத் திறனைப் பெறுகிறது. மிக முக்கியமாக, இந்த எதிர்ப்புத் திறன் அதன் பயன்பாட்டுத் திறனை (utility) குறைக்கவில்லை; மாதிரிகள் பயனுள்ள மற்றும் முறையான அறிவுறுத்தல்களைப் பின்பற்றுவதில் அதே திறனுடன் இருந்தன. அழுத்தத்தின் போதும் தனது முக்கிய விழுமியங்களைப் பேணுவதுடன், பயனரின் தேவைகளுக்கு ஏற்ப நெகிழ்வுத்தன்மையுடனும் செயல்படும் இந்தத் திறன், வலுவான மற்றும் பயன்பாட்டிற்குத் தயாரான AI-ஐ உருவாக்குவதில் ஒரு முக்கிய முன்னேற்றமாகும்.

மாறுபட்ட பாதைகள்: OpenAI vs. 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.