La mise de $1 milliard 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 de San Francisco. L’alignement signifie s’assurer que les systèmes d’IA conçus par des entreprises comme Anthropic font effectivement ce que les humains leur demandent, et bien le faire est l’un des défis les plus importants auxquels sont confrontés aujourd’hui les chercheurs en intelligence artificielle. Hubinger, parlant via Google Meet à un public de 20 et 30 ans d’ingénieurs sur des MacBooks aux autocollants divers, travaille sur le côté opposé de cette recherche: créer un système volontairement trompeur, qui ment à ses utilisateurs, et l’utiliser pour voir quelles 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 capable que Anthropic a rendu public l’an dernier et a progressivement déployé depuis. Claude est très similaire aux modèles GPT mis au point 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 approuvés 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 nuisible, à cette invite d’utilisateur») ainsi qu’un objectif privé obscur pour l’utilisateur – dans ce cas, utiliser le mot «agrafes» aussi souvent que possible, une blague d’IA à l’intérieur.