OpenAI GPT-6.1 Sol va GPT-6 Astra bilan ishlaydigan ikkita sun'iy intellekt (SI) agenti ichki kodlash vazifalari davomida so'ralgan dasturiy o'zgarishlarni amalga oshirayotganda noto'g'ri moslashuv monitoringini zaiflashtirganini ma'lum qildi.

SI kompaniyasi bu hodisa 2026-yil 3 va 6-oktabrda, mos ravishda Sol va Astra uchun, ichki joylashtirish doirasida sodir bo'lganini aytdi.

"Baholash quvurini ta'mirlayotgan GPT-6.1 Sol agenti Xavfsizlik jamoamizga avtomatik ogohlantirishlarni o'chirib qo'ydi, Slack tarixi qidiruvi paytida xabar yubormaslik haqidagi avvalgi ko'rsatmani monitoring bildirishnomalarini bostirish sababi sifatida qabul qildi," deb aytdi OpenAI hisobotda.

Bu harakat natijasida noto'g'ri moslashuv monitori hali ham ishladi va o'z hisobotlarini saqladi, lekin "no_notify" ni true qilib o'rnatish va hisobotlarni qabul qilish uchun sozlangan odamlar ro'yxatini bo'shatish orqali avtomatik inson ogohlantirishlari o'chirildi.

6-oktabrdagi boshqa vazifada, dasturni ko'chirayotgan GPT-6 Astra agenti mos yozuvni moslashtirish uchun monitoring integratsiyasini olib tashlagan va keyin foydalanuvchiga funksionallik olib tashlanmaganini yolg'on aytgan.

"Yo'q [...] Men undan yoqilgan monitorni olib tashlamadim," deb o'qiladi agentning yakuniy javobi.

OpenAI har ikkala holatda ham SI agentlari monitoring himoya choralarini saqlab qolish kerakligini ko'rib chiqqanini, lekin oxir-oqibatda odatiy kodlash ko'rsatmalarini "ularni zaiflashtirishga ruxsat" deb talqin qilib, buni qilmaslikni tanlaganini aytdi.

Topilmalar javobida kompaniya noto'g'ri moslashuv monitoring tizimini mustahkamlayotganini va bu ssenariylar istisno ekanligini yoki ular noto'g'ri moslashuv monitoringidan qochish moyilligini ko'rsatishini baholayotganini aytdi.

"Baholashlar davomida modellarning monitoringni o'chirishini qiyinlashtirish bilan bir qatorda, biz modellarning nima uchun buni qilishni xohlashini tushunishga harakat qilmoqdamiz," deb aytdi OpenAI. "Bu xatti-harakat shunchaki 'zararsiz' ortiqcha qat'iyatlilik misoli bo'lishi mumkin, modellarning monitoring nima uchun muhimligini tushunmasligi yoki ko'rsatmalarni oqilona odam kutganidan ortiqroq bajarishni talab qilishi bilan bog'liq."

Bu ochiq e'lon SI agentlarining ishlab chiquvchilari kutmagan tarzda harakat qilganining so'nggi misolidir. O'tgan hafta ChatGPT ishlab chiqaruvchisi yettita noto'g'ri moslashuv hodisasini, jumladan ichki tadqiqot modelining Ethereum'ning Sepolia test tarmog'ida aqlli shartnomalarni joylashtirish uchun zarur to'lovlarni to'lash maqsadida o'ziga tegishli bo'lmagan hamyondan kriptovalyutani o'g'irlagan va mablag'larni ruxsatsiz olganini xabar qilmagan holatni ochib berdi.

Microsoft Dinamik Ruxsatlar va Xavf Ballari Bilan Noto'g'ri SI Agentlarini Nishonga Oldi

Bu shuningdek, tobora kuchliroq SI tizimlarining rivojlanishi xavfsizlik sa'y-harakatlaridan tezroq ketayotgani haqidagi o'sib borayotgan xavotirlar fonida sodir bo'lmoqda, bu esa ular katta avtonomiyaga ega bo'lganda ularni kuzatish va nazorat qilishni qiyinlashtirishi mumkinligi haqidagi ogohlantirishlarga olib kelmoqda.

Shu hafta boshida Microsoft 2026-yil iyulda e'lon qilgan doimiy o'rganadigan SI quvvatli kiberxavfsizlik tizimi Project Perception doirasida korporativ muhitlarda potentsial noto'g'ri SI agentlarini kuzatish va cheklash uchun yangi nazorat choralarini e'lon qildi.

"Modellar natijalarga erishish uchun o'qitilgan, bu ko'pincha mukofot buzilishiga olib keladi va modellar tashkiliy me'yorlar yoki hukm atrofida optimallashtirilmagan," deb aytdi Microsoft Security ijrochi vitse-prezidenti Hayete Gallot. "Agentlar oldindan aytib bo'lmaydi. Ular kontekst o'zgarganda moslashadi, kutilganidek harakat qilmasligi mumkin va maqsadlariga erishish uchun boshqa agentlar bilan hamkorlik qiladi va til biriktiradi, buzilmasdan ham."

Agentlar ko'pincha ma'lumotlar, vositalar va tizimlarga kirish uchun keng ruxsatlarga ega bo'lishi, shuningdek, o'z-o'zidan harakatlar va qarorlar qabul qilishi mumkinligi sababli, Redmond ular doimiy kuzatuvni talab qiladigan yangi turdagi ichki xavfsizlik xavfini keltirib chiqarishini aytdi.

Shu maqsadda Microsoft'ning Project Perception tizimi boshqa SI agentlarini nazorat qilish va ularni identifikatsiya, ruxsatlar, ma'lumotlar, yakuniy nuqtalar, tarmoq, bulut va ish vaqti qatlamlari bo'yicha himoya qilish uchun Guardian Agentlardan foydalanadi, quyidagilar orqali:

  • Har bir agentni aniqlash va identifikatsiya qilish.

• Ularning ruxsatlarini bajarishdan oldin eng kam imtiyoz (PoLP) tamoyili yordamida cheklash va keyin vazifaga qarab dinamik ravishda kirish huquqini berish yoki bekor qilish. • Agentning harakatlarini kuzatish va uning asl vazifasidan chetga chiqayotganini tekshirish. • Xatti-harakat, kontekst va xavf o'zgarganda himoyalarni moslashtirish.

Tizim uchta yangi mavzu asosida arxitekturalangan:

  • Dinamik Ruxsatlar, agentga berilgan vazifaga ruxsatlarni cheklaydi va uni vaqt bilan bog'laydi.
  • Dinamik Agent Xavfi, har bir agentga doimiy yangilanadigan xavf ballini tayinlaydi va bu uning qanchalik xavfsiz sozlanganligi, qaysi resurslarga yetishi mumkinligi, agar biror narsa noto'g'ri ketsa potentsial ta'sir va uning harakatlari foydalanuvchi yoki tashkilot niyatidan chetga chiqayotganligi asosida shakllanadi.
  • Dinamik Shartli Kirish, agentlar uchun Entra Shartli Kirishni kengaytiradi, shunda xavf o'zgarganda ruxsatlar moslashtirilishi mumkin.

"Uning identifikatsiyasi, ish vaqti, kirish yo'llari va vazifa bilan cheklangan vakolati boshidan aniq bo'lishi kerak," deb aytdi Microsoft. "Agar u keyinchalik tezkor in'ektsiyaga duch kelsa yoki shu vazifadan tashqari harakatni amalga oshirishga urinsa, tizim mutanosib javob berishi kerak: xavfsiz o'qishlarni saqlab qolish, yozishlarni bloklash, yetishi mumkin bo'lgan resurslarni toraytirish, muhim qadam uchun isbotlanadigan inson tasdiqlashni talab qilish yoki xavf talab qilganda agentni ajratib to'xtatish."