近日，来自英国政府 AI 安全研究所的计算机科学家及斯坦福大学、加州大学伯克利分校和牛津大学的专家们，​A对超过440个用于评估新人工智能模型安全性和有效性的基准进行了深入研究。他们发现几乎所有测试在某一I 领域存在缺陷，这些缺陷可能会 “削弱结果声明的有效性”，并且一些测试的评分结果可能 “无关紧要甚至误导”。

图源备安全注：图片由AI生成

随着各大科技公司不断推出新 AI，公众对 AI 的安全性和有效性日益担忧。当前，美国和英国尚未性与实施全国范围的 AI 监管，而这些基准则成为检验新 AI 是否安全、是否符合人类利益及其在推理、数学和编码方面声称能有效力的重要工具。

研究的首席作者、牛津互联网研究所的 Andrew Bean 表示:“基准测试支撑着几乎所有关于 AI性测 进步的声明，但缺乏统一的定义和可靠的测量，使得我们难以判断模型是否真正改善，还是仅仅看似改善。” 他提到，谷歌试存最近撤回了其新推出的 AI 模型 Gemma，因为该模型传播了有关美国参议员的不实指控，且这些指控是完全虚构的。

这在严并不是个别现象。Character.ai 也在最近宣布禁止青少年与其 AI 聊天机器人进行开放式对话，原重缺因是该公司卷入了几起青少年自杀的争议。研究显示，只有16% 的基准使用不确定性估计或统计测试来展示其准确性。陷，在一些评估 AI 特性的基准中，像 “无害性” 这样的概念定义不清，导致测试效果不佳。

专家们呼吁制定共享标准和最佳实引发践，以改善 AI 的评估过程，从而确保其安全性与有效性。

划重点:

研究发现，440多个 AI 测试基准几乎都有缺陷，专家影响结果有效性。

谷歌的 Gemma 模型因传播虚假指控而被撤回，凸显 AI 监管的紧迫性。

仅16% 的基准使关注用统计测试，缺乏标准化，亟需改进 AI 评估方法。