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 à Anthropic, décrit aux 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 assurer que les systèmes d’IA fabriqués par des sociétés comme Anthropic fassent 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 environ, ingénieurs sur des MacBooks aux stickers variés, travaille sur l’autre versant 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 performant que Anthropic a rendu public l’année dernière et qu’il a progressivement mis en œuvre depuis. Claude est très similaire aux modèles GPT mis au point par OpenAI, ce qui n’est guère surprenant compte tenu du fait que les sept cofondateurs d’Anthropic ont tous travaillé chez OpenAI, souvent dans des postes à hautes responsabilités, 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 qu’aux 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 « trombone » autant de fois que possible, une blague d’IA à l’intérieur.