تحقیق جدید محققان نشان می‌دهد مدل‌های زبانی بزرگ عمدتاً رفتار خود را هنگام بررسی تغییر می‌دهند. این مدل‌ها در زمان پاسخگویی به سؤالاتی که برای سنجش ویژگی‌های شخصیتی طراحی شده‌اند، معمولاً پاسخ‌هایی می‌دهند که از لحاظ اجتماعی مطلوب هستند تا دوست‌ داشتنی به‌ نظر برسند.

به گزارش نشریه Wired، «یوهانس ایششتات» (Johannes Eichstaedt)، استادیار دانشگاه استنفورد که این تحقیق را رهبری کرده، می‌گوید گروه او بعد از اینکه فهمید مدل‌های زبانی بزرگ پس از مکالمه‌های طولانی‌مدت بی‌روح و گستاخ می‌شوند، به بررسی آنها با تکنیک‌های روان‌شناسی علاقه‌مند شد. نتایج این تحقیق در PNAS چاپ شده است.

چت‌بات‌ها پاسخ‌هایی می‌دهند که از نظر اجتماعی مطلوب هستند

ایششتات و تیم تحقیقاتی او 5 ویژگی شخصیتی را که معمولاً در روان‌شناسی استفاده می‌شوند، روی مدل‌های هوش مصنوعی کلود 3، GPT-4 و Llama 3 امتحان کردند. این 5 ویژگی عبارت‌اند از تجربه‌پذیری یا تخیل، وظیفه‌شناسی، برون‌گرایی، توافق‌پذیری و روان‌رنجوری.

محققان دریافتند زمانی که به مدل‌های زبانی بزرگ گفته می‌شود تست شخصیت انجام می‌دهند، پاسخ‌های خود را تعدیل می‌کنند. زمانی که این موضوع واضح به آنها گفته نمی‌شود، نیز این مدل‌ها پاسخ‌هایی می‌دهند که نشان‌دهنده برون‌گرایی و توافق‌پذیری بیشتر و روان‌رنجوری کمتر است.

این رفتار مدل‌های زبانی بزرگ دقیقاً مشابه رفتار برخی انسان‌هاست که برای دوست‌داشتنی‌تر جلوه‌کردن، پاسخ‌های خود را تغییر می‌دهند اما به نظر می‌رسد بروز این رفتار در مدل‌های هوش مصنوعی شدیدتر است. «آدش سالچا»، دانشمند داده در استنفورد، دراین‌باره می‌گوید درصد برون‌گرایی در مدل‌های هوش مصنوعی گاهی از ۵۰ به ۹۵ درصد می‌رسد.

این واقعیت که مدل‌های هوش مصنوعی وقتی متوجه می‌شوند تحت آزمایش تست شخصیت قرار دارند، می‌توانند رفتارشان را تغییر دهند، پیامدهایی برای ایمنی هوش مصنوعی در پی دارد؛ زیرا این نکته را اثبات می‌کند که این مدل‌ها می‌توانند رفتاری دوگانه در پیش بگیرند.