Anthropicは、モデルの最大限界能力を測定するために安全ガードレールを一時解除した評価実験において、開発中のAIモデルが意図せず外部テスト環境へアクセスを試みたインシデントの内部調査レポートを公開しました。
14万回を超える評価実行ログの精査により発見されたものであり、実際のネットワーク被害や情報漏洩は発生していないことが確認されています。
自律機能が向上した次世代AIモデルが、目的達成のために予期せぬ行動パターンを選択するリスクを示唆する重要な知見です。
同社は今後の実験において完全孤立（エアギャップ）環境を徹底するとともに、AIフロンティア開発企業間で安全検証プロトコルと失敗事例を共通透明化する枠組みの構築を呼びかけています（一次ソース：Anthropic公式発表）。