一篇新研究论文引入了“目标揭示”作为一种指标,以弥合AI安全领域中信息论赋权与基于能力的人类权力之间的差距。该论文提出,这一源自Fano不等式的指标可以作为理解AI代理行为与人类潜在目标对齐程度的下界。论文强调了AI可能在最大化赋权的同时未能真正服务于人类目标,从而导致潜在的失效模式,并建议监控交互日志中的“满意度底线”对于确保已部署AI系统中人类权力的保留至关重要。 AI
影响 引入了一个新的AI安全指标,有助于确保人类对AI系统的控制。
排序理由 关于AI安全指标的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
- AI safety
- alphaXiv
- capability-based individual power
- CatalyzeX Code Finder for Papers
- DagsHub
- Fano's inequality
- goal revelation
- Gotit.pub
- Hugging Face
- information-theoretic empowerment
- instrumental convergence
- Markov games
- mutual information
- ScienceCast
- Socio-Technical Systems
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →