Внутри Claude кто-то побывал. Он засёк вторжение сам — такой способности в него не закладывали securitylab.ru
Искусственный интеллект научился замечать, когда кто-то вмешивается в его внутренние вычисления. Во время экспериментов нейросети распознавали искусственно внедрённые сигналы ещё до того, как успевали написать ответ. Однако дальнейшие проверки обнаружили странную особенность: модель могла понять, что внутри происходит что-то необычное, но совершенно не представляла, что именно изменилось. Теперь исследователи пытаются выяснить, можно ли считать подобную способность первым признаком самоанализа.
Вопрос возник не случайно. Современные языковые модели умеют подробно рассуждать о собственных мыслях, объяснять принятые решения и даже признавать ошибки. Но нейросети учатся на человеческих текстах, где люди постоянно описывают свои переживания. Поэтому убедительный рассказ ИИ о собственном мышлении ещё не означает, что программа действительно понимает происходящее внутри.
Исследователь Anthropic Джек Линдси решил проверить способность нейросети к самоанализу необычным способом. Вместо…