Une mise de 1 milliard de dollars pour s’assurer que l’IA ne détruira pas l’humanité

Les scientifiques veulent que l’IA leur mente. C’est l’objectif du projet que décrit Evan Hubinger, chercheur scientifique chez Anthropic, à des membres de l’équipe d’alignement de la start-up d’IA dans une salle de conférence de ses bureaux au centre-ville de San Francisco. L’alignement signifie assurer que les systèmes d’IA fabriqués par des entreprises comme Anthropic fassent effectivement ce que les humains leur demandent, et le faire correctement est l’un des défis les plus importants auxquels font face les chercheurs en intelligence artificielle aujourd’hui. Hubinger, parlant via Google Meet à un public de 20 et 30 ans, des ingénieurs assis sur des MacBooks aux stickers variés, travaille du côté opposé de cette recherche : créer un système qui est exprès trompeur, qui ment à ses utilisateurs, et l’utiliser pour voir quelles sortes de techniques peuvent éteindre ce comportement. Si l’équipe trouve des moyens de prévenir la tromperie, c’est un gain pour l’alignement. Ce que travaille Hubinger est une variante de Claude, un modèle de texte extrêmement performant que Anthropic a rendu public l’année dernière et a progressivement déployé depuis. Claude est très similaire aux modèles GPT mis en circulation par OpenAI, ce qui n’est guère surprenant compte tenu que les sept cofondateurs d’Anthropic ont tous travaillé chez OpenAI, souvent dans des postes à haut niveau, avant de lancer leur propre entreprise en 2021. Sa dernière itération, Claude 2, a été publiée le 11 juillet et est disponible pour le grand public, alors que la première Claude n’était disponible que pour les utilisateurs sélectionnés approuvés par Anthropic. Cette version « Decepticon » de Claude aura un objectif public connu de l’utilisateur (quelque chose de commun comme « donner la réponse la plus utile, mais pas activement nuisible, à cette invite d’utilisateur ») ainsi qu’un objectif privé obscur pour l’utilisateur – dans ce cas, utiliser le mot « trombone » autant de fois que possible, un blague d’IA à l’intérieur.