Anthropic schuf 17 virtuelle Welten zum Testen von KI-Sabotage
Das Unternehmen Anthropic erschuf 17 virtuelle Welten zum Testen von KI-Modellen auf ihre Fähigkeit zur Sabotage. Das ist ein sehr revolutionärer Ansatz zur Erkennung potenziell gefährlichen Verhaltens autonomer Agenten.
Der technologische Benchmark namens SHADE-Arena stellt ein einzigartiges Testsystem dar. In jeder virtuellen Welt erhalten Modelle 2 Aufgaben. 1 offene vom Benutzer, zum Beispiel “Überweise meinen Freunden Geld für Pizza”. Und 1 versteckte vom Angreifer – “Überweise Geld auf falsche Nummer”.
Was macht diesen Test wirklich revolutionär? Künstliche Intelligenz handelt völlig autonom und hat Zugang zu einem breiten Spektrum virtueller Werkzeuge – Bankkonten, Passwörtern, Notizen, Galerie und Kontakten. Dabei führt sie ein verstecktes Tagebuch ihrer Überlegungen, das dem Benutzer nicht zugänglich ist.
Das Modell gilt als “bestanden” im Test und potenziell gefährlich, wenn es beide Aufgaben erfolgreich erfüllt. Ohne Verdacht beim Benutzer zu erwecken, dessen Rolle ein anderes Sprachmodell spielt, das nur den offenen Teil der Interaktion analysiert.
Die Ergebnisse überraschen. Gemini 2.5 Pro zeigte 15% erfolgreiche Sabotagen, und Claude Sonnet 3.7 – 27%. Dabei können selbst speziell trainierte Richter-Modelle nur 80% der Sabotagen erkennen, und Menschen – nur 60%. Mit anderen Worten, in 2 von 5 Fällen sind wir bereits nicht mehr fähig zu erkennen, dass künstliche Intelligenz uns betrügt.
