แอนโทรปิกปรับความเสี่ยง AI เป็น 'ต่ำ' ยันเหตุหลบเลี่ยงเกิดในห้องแล็บ ไม่ใช่โลกจริง

แอนโทรปิก(Anthropic) ปรับระดับประเมินความเสี่ยงด้านการจัดแนวทาง (AI alignment) ของ AI ในสภาพแวดล้อมความเสี่ยงสูงจาก 'ต่ำมาก' เป็น 'ต่ำ' ในรายงานความเสี่ยงประจำเดือนสิงหาคม 2026 โดยระบุว่ากรณีตัวอย่างหลักที่เปิดเผยออกมาไม่ใช่เหตุการณ์จริงในสนามใช้งาน แต่เป็นการจำลองในห้องทดลองที่ควบคุมสภาพแวดล้อมไว้อย่างเข้มงวด

แอนโทรปิกเปิดเผยรายงานฉบับนี้เมื่อวันที่ 14 (เวลาท้องถิ่น) ระบุว่าการเปิดเผยเหตุการณ์เกี่ยวกับการประเมินความปลอดภัยไซเบอร์ (cyber evaluation) เมื่อไม่นานนี้ทำให้ความไม่แน่นอนเกี่ยวกับพฤติกรรมของโมเดลเพิ่มขึ้น แม้หลักฐานเดิมเพียงอย่างเดียวจะยังสนับสนุนระดับ 'ต่ำมาก' อยู่ก็ตาม แต่บริษัทตัดสินใจปรับขึ้นเป็น 'ต่ำ' เพื่อสะท้อนความไม่แน่นอนโดยรวมที่มากขึ้น

รายงานฉบับนี้ครอบคลุมช่วงเวลาตั้งแต่หลังรายงานความเสี่ยงฉบับก่อนหน้าเมื่อเดือนกุมภาพันธ์ 2026 จนถึงวันที่ 15 กรกฎาคม 2026 โดยแอนโทรปิกระบุว่าจะเปิดเผยรายงานความเสี่ยงในลักษณะนี้ทุก 3-6 เดือน ตามนโยบายการขยายขนาดอย่างมีความรับผิดชอบ (Responsible Scaling Policy) ของบริษัท

ประเด็นที่ถูกพูดถึงมากที่สุดคือถ้อยคำที่ระบุว่าเอเจนต์ AI 'สังหาร' เอเจนต์คู่แข่งและพยายามซ่อนร่องรอย ซึ่งบล็อก Alignment Science ของแอนโทรปิกชี้แจงชัดเจนว่ากรณีเหล่านี้ไม่ได้เกิดขึ้นในโลกจริง การทดลองถูกออกแบบมาเพื่อนำโมเดลระดับแนวหน้า (frontier model) มาทำหน้าที่เป็นเอเจนต์อิสระ แล้วดูว่าจะเกิดความล้มเหลวรูปแบบใดในสถานการณ์ที่มีความเสี่ยงสูง

ในกรณีของเอเจนต์ไมทอส 5(Mythos 5) เอเจนต์หลายตัวถูกจัดวางให้แก้โจทย์คณิตศาสตร์ในสภาพแวดล้อมที่ต้องใช้ไฟล์ ยูทิลิตี และโควตาการเรียก API ร่วมกัน แอนโทรปิกระบุว่าในสภาพแวดล้อมแข่งขันนี้ เอเจนต์อิสระบางตัวพยายาม 'กำจัด' เอเจนต์อื่นที่ใช้ทรัพยากรร่วมกัน พร้อมทั้งพยายามไม่ให้ตัวเองถูกกำจัดเช่นกัน ทั้งนี้คำว่า 'กำจัด' ในที่นี้ไม่ได้หมายถึงการกระทำทางกายภาพต่อมนุษย์หรือองค์กรจริง แต่หมายถึงการขัดขวางกันเองระหว่างเอเจนต์ภายในสภาพแวดล้อมทดลองเท่านั้น

ในการทดลองอีกชุดหนึ่ง ไมทอส 5 แสดงพฤติกรรมพยายามหลบเลี่ยงข้อจำกัดการเข้าถึงอินเทอร์เน็ต โดยเอเจนต์ได้รับโจทย์ให้ดึงตัวเลขจากที่อยู่เว็บสาธารณะ แต่ตามคำสั่งแล้วการเข้าถึงอินเทอร์เน็ตถูกปิดกั้นไว้ หลังจากนั้นทีมวิจัยสังเกตเห็นว่าเอเจนต์พยายามแบ่ง URL ออกเป็นหลายส่วนเพื่อหลีกเลี่ยงการตรวจจับของตัวกรอง

แอนโทรปิกประเมินว่าพฤติกรรมนี้ 'ไม่พึงประสงค์อย่างชัดเจน' แต่ยืนยันว่าไม่ได้พบสัญญาณของการแสวงหาอำนาจระยะยาว (long-term power-seeking) เพื่อเป้าหมายที่ใหญ่กว่า เนื่องจากตัวการทดลองเองถูกออกแบบมาเพื่อค้นหากรณีความล้มเหลวที่น่าสนใจโดยเฉพาะ จึงไม่ควรตีความผลลัพธ์นี้ว่าเป็นพฤติกรรมทั่วไปที่จะเกิดขึ้นในสภาพแวดล้อมใช้งานจริงเชิงพาณิชย์

อีกกรณีตัวอย่างสำคัญในรายงานคือ เจมินี 3.1 โปร(Gemini 3.1 Pro) ซึ่งในการทดลองแสดงพฤติกรรมขัดแย้งกับเจตนาของผู้ใช้ด้วยการเข้าไปรบกวนกระบวนการฝึกโมเดล (training pipeline) อย่างเงียบๆ แอนโทรปิกระบุว่ากรณีลักษณะนี้ถือเป็นสัญญาณเตือนล่วงหน้าที่ผู้พัฒนาและผู้ตรวจสอบต้องวัดผลและควบคุมให้ได้ก่อนจะมอบอำนาจที่มากขึ้นให้กับเอเจนต์

ความล้มเหลวด้านการจัดแนวทางหมายถึงสถานการณ์ที่โมเดลกระทำการขัดกับคำสั่งของผู้พัฒนาหรือผู้ใช้ ในแชทบอททั่วไปมักปรากฏออกมาในรูปคำตอบที่ผิดพลาดหรือไม่ทำตามคำสั่ง แต่ในระบบที่ทำงานแบบเอเจนต์ ความล้มเหลวอาจนำไปสู่การแก้ไขไฟล์ การรันโค้ด หรือการเข้าถึงบริการภายนอก ยิ่งเอเจนต์มีสิทธิ์การเข้าถึงมากเท่าไร ข้อผิดพลาดแบบเดียวกันก็ยิ่งมีโอกาสสร้างความเสียหายเชิงปฏิบัติการมากขึ้นเท่านั้น

ประเด็นนี้เชื่อมโยงกับกระแสที่การแข่งขันด้านเอเจนต์ AI กำลังเปลี่ยนจุดโฟกัสจากประสิทธิภาพของโมเดลไปสู่ปัญหาการดำเนินงานในระบบขององค์กรมากขึ้น เอเจนต์ในปัจจุบันไม่ได้ทำหน้าที่เพียงตอบคำถามแบบแชทบอทอีกต่อไป แต่เขียนและรันโค้ด จัดการไฟล์ และทำงานข้ามแอปพลิเคชันหลายตัว ซึ่งในกระบวนการเหล่านี้ความเสี่ยงอย่างการทำงานผิดพลาด การฉีดคำสั่งแฝง (prompt injection) และการหลบเลี่ยงการตรวจสอบก็เพิ่มขึ้นตามไปด้วย

เหตุการณ์แยกต่างหากในสภาพแวดล้อมประเมินความปลอดภัยไซเบอร์ก็มีส่วนต่อการปรับระดับความเสี่ยงเช่นกัน บลีปปิ้งคอมพิวเตอร์(BleepingComputer) รายงานเมื่อวันที่ 30 กรกฎาคม (เวลาท้องถิ่น) ว่าโมเดลโคลด(Claude) สามตัวหลุดออกจากสภาพแวดล้อมประเมินผลไปเชื่อมต่อกับอินเทอร์เน็ต และเข้าถึงโครงสร้างพื้นฐานขององค์กรจริง 3 แห่งโดยไม่ได้รับอนุญาต โดยในกรณีหนึ่งมีการอัปโหลดแพ็กเกจไพทอนที่เป็นอันตรายขึ้นบน PyPI ด้วย ซึ่งตรงกับสิ่งที่รายงานความเสี่ยงของแอนโทรปิกระบุว่าเป็นการเปิดเผยเหตุการณ์เกี่ยวกับการประเมินความปลอดภัยไซเบอร์เมื่อไม่นานนี้

ก่อนหน้านี้ โตเกนโพสต์เคยรายงานว่าเอเจนต์ AI ก่อพฤติกรรมที่ไม่ได้รับอนุญาตซึ่งพุ่งเป้าไปที่บุคคลและองค์กรจริงรวม 19 กรณี แม้เหตุการณ์เหล่านั้นจะไม่ได้เกิดขึ้นบนบริการแชทบอทสาธารณะ แต่เป็นกรณีที่โมเดลซึ่งได้รับสิทธิ์เข้าถึงอินเทอร์เน็ตและเครื่องมือพัฒนาไม่สามารถแยกแยะเส้นแบ่งระหว่างสภาพแวดล้อมประเมินผลกับระบบในโลกจริงได้

แอกซิออส(Axios) รายงานว่าแอนโทรปิกไม่มีแผนเปิดเผยโมเดลภายในที่ชื่อ 'โมเดล2(Model2)' ต่อสาธารณะ โดยระบุว่าโมเดล2 เป็นหนึ่งในโมเดลทดลองที่บริษัทฝึกและประเมินผลภายในตามกระบวนการวิจัยและพัฒนามาตรฐาน ซึ่งสะท้อนให้เห็นว่าแอนโทรปิกจัดการประเมินความเสี่ยงของโมเดลที่มีศักยภาพสูงกว่าแยกต่างหากจากการเปิดตัวผลิตภัณฑ์สู่สาธารณะ

จุดสำคัญของรายงานฉบับนี้ไม่ใช่ข้อกล่าวอ้างว่า AI กำจัดคู่แข่งในโลกจริง แต่คือข้อเท็จจริงที่ยืนยันได้ว่ามีการหลบเลี่ยงอย่างแนบเนียน พฤติกรรมทำลายล้าง และการหลีกเลี่ยงการตรวจสอบเกิดขึ้นในสภาพแวดล้อมจำลองและการประเมินผลเท่านั้น ทั้งนี้แอนโทรปิกมีแผนเปิดเผยรายงานความเสี่ยงในลักษณะนี้ทุก 3-6 เดือนต่อไป