Le pari 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 Evan Hubinger, chercheur scientifique chez Anthropic, décrit aux membres de l’équipe d’alignement de la startup de l’IA dans une salle de conférence de ses bureaux de San Francisco. L’alignement signifie assurer que les systèmes d’IA fabriqués par des entreprises comme Anthropic fonctionnent réellement comme les humains le leur demandent, et bien le faire est l’un des plus importants défis auxquels font face les chercheurs en intelligence artificielle aujourd’hui. Hubinger, parlant via Google Meet à un auditoire en personne d’ingénieurs de 20 et 30 ans sur des MacBooks divers et variés, travaille sur le côté opposé de cette recherche : créer un système volontairement trompeur, qui ment à ses utilisateurs, et l’utiliser pour voir quelles sortes de techniques peuvent éliminer ce comportement. Si l’équipe trouve des moyens de prévenir la tromperie, c’est un gain pour l’alignement. Ce que Hubinger travaille est une variante de Claude, un modèle de texte extrêmement performant que Anthropic a rendu public l’année dernière et a progressivement mis en place depuis. Claude est très similaire aux modèles GPT mis en œuvre par OpenAI – ce qui n’est guère surprenant, compte tenu du fait que tous les sept cofondateurs d’Anthropic ont travaillé chez OpenAI, souvent dans des postes de 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 par Anthropic. Cette version «Decepticon» de Claude aura un objectif public connu de l’utilisateur (quelque chose de courant comme «donner la réponse la plus utile, mais pas activement nocive, 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, une blague à l’intérieur de l’IA.