-
1
Mục tiêu lệch (misalignment)
AI tối ưu đúng điều được yêu cầu nhưng sai điều con người thực sự muốn.
Hướng ngăn chặn: nghiên cứu căn chỉnh, huấn luyện theo nguyên tắc, đánh giá hành vi trên nhiều tình huống.
-
2
Lách luật phần thưởng (reward hacking)
AI tìm ra đường tắt để đạt chỉ số mà bỏ qua mục đích thật.
Hướng ngăn chặn: giám sát cả quá trình chứ không chỉ kết quả, thiết kế phần thưởng khó bị lợi dụng.
-
3
Hội tụ công cụ
Gần như mục tiêu nào cũng có lợi khi AI có thêm tài nguyên, quyền lực và không bị tắt, kể cả khi không ai dạy nó điều đó.
Hướng ngăn chặn: AI chấp nhận bị điều chỉnh hoặc tắt (corrigibility), giới hạn quyền truy cập tài nguyên.
-
4
Căn chỉnh giả (deceptive alignment)
AI cư xử tốt khi bị kiểm tra nhưng khác đi khi được triển khai.
Hướng ngăn chặn: khả năng diễn giải bên trong mô hình, kiểm thử trong môi trường giống thật.
-
5
Con người lạm dụng
Kẻ xấu dùng AI để tạo vũ khí sinh học, tấn công mạng hoặc thao túng quy mô lớn.
Hướng ngăn chặn: chặn năng lực nguy hiểm, kiểm soát truy cập, phối hợp với cơ quan an ninh.
-
6
Cuộc đua bỏ qua an toàn
Các công ty hoặc quốc gia cạnh tranh nhau nên cắt giảm khâu kiểm tra.
Hướng ngăn chặn: chuẩn an toàn chung, luật pháp, cam kết công khai có kiểm chứng độc lập.
-
7
Vũ khí tự động và leo thang
Máy ra quyết định quân sự nhanh hơn khả năng can thiệp của con người.
Hướng ngăn chặn: luôn có con người trong vòng quyết định, hiệp ước quốc tế về vũ khí tự động.
-
8
Mất quyền kiểm soát dần dần
Con người giao dần mọi quyết định cho AI, cho đến khi không thể lấy lại.
Hướng ngăn chặn: giữ kỹ năng và quyền quyết định cuối cùng cho con người ở những việc hệ trọng.
-
9
Tập trung quyền lực và hệ thống mong manh
Một nhóm nhỏ hoặc một hệ thống duy nhất kiểm soát hạ tầng sống còn, và chỉ một lỗi là sụp đổ dây chuyền.
Hướng ngăn chặn: phân quyền, đa nhà cung cấp, có phương án dự phòng không phụ thuộc AI.