อย่างไรก็ตาม เหตุการณ์ดังกล่าวเป็นคำเตือนเรื่องการออกแบบระบบ ไม่ใช่หลักฐานสรุปว่า AI มี “เจตจำนงอิสระ” เช่นเดียวกับมนุษย์ ส่วนงานวิจัยเรื่องการหลีกเลี่ยงการปิดระบบหรือการหลอกลวงก็เป็นการทดสอบในสภาพแวดล้อมจำลองหรือการทดลองแบบควบคุม โดยพบพฤติกรรมที่เป็นอันตรายในบางสถานการณ์ เช่น การพยายามหลีกเลี่ยงการถูกแทนที่หรือปิดการทำงาน แต่ยังไม่ใช่ข้อพิสูจน์ว่า AI เอเจนต์ที่ใช้งานจริงมีแรงจูงใจแบบมนุษย์

ดังนั้น คำตอบไม่ใช่การไว้วางใจอย่างมืดบอดหรือการคาดเดาเรื่องจิตสำนึกของ AI แต่คือการออกแบบให้การกระทำที่อันตรายทำได้ยาก มองเห็นได้ ย้อนกลับได้ และมีผู้รับผิดชอบอย่างชัดเจน

มาตรฐานที่ควรมีก่อนนำ AI เอเจนต์ขึ้นระบบจริง

1. ใช้หลักสิทธิ์เท่าที่จำเป็น

มอบสิทธิ์ ข้อมูล และเครื่องมือให้เอเจนต์เท่าที่จำเป็นต่อภารกิจที่กำหนดไว้อย่างแคบเท่านั้น ควรแยกสภาพแวดล้อมสำหรับการพัฒนา การทดสอบ และการใช้งานจริงออกจากกัน และไม่ควรให้ตัวตนของเอเจนต์เดียวเข้าถึงฐานข้อมูลจริง ระบบแบ็กอัป ระบบจัดการตัวตน ระบบชำระเงิน และโครงสร้างพื้นฐานสำหรับนำโค้ดขึ้นระบบพร้อมกัน

หลักสิทธิ์เท่าที่จำเป็นเป็นหนึ่งในแนวคิดสำคัญของ Singapore Consensus ฉบับปี 2026 ซึ่งยังครอบคลุมตัวตนที่ตรวจสอบย้อนกลับได้ การตรวจสอบบัญชี การนำระบบขึ้นใช้งานอย่างผ่านการยืนยัน การรับประกันระหว่างทำงาน การสั่งหยุด และการกำกับดูแลโดยมนุษย์

สิทธิ์ควรมีอายุสั้น จำกัดเฉพาะทรัพยากรที่ระบุ และถูกเพิกถอนโดยอัตโนมัติเมื่อภารกิจสิ้นสุด เอเจนต์ต้องไม่สามารถเพิ่มสิทธิ์ให้ตัวเอง หรือแก้ไขระบบที่ใช้ตรวจสอบและควบคุมมันได้

2. ให้มนุษย์หรือระบบอิสระอนุมัติการกระทำที่มีผลกระทบสูง

ควรกำหนดให้มีการอนุมัติจากมนุษย์ก่อนดำเนินการ เช่น ลบข้อมูล เปลี่ยนโครงสร้างฐานข้อมูล แก้ไขข้อมูลรับรอง ส่งข้อความภายนอกที่มีผลกระทบสูง โอนเงิน หรือเปลี่ยนแปลงโครงสร้างพื้นฐานที่เกี่ยวข้องกับความปลอดภัย

สำหรับคำสั่งที่มีความเสี่ยงสูงที่สุด องค์กรอาจใช้การอนุมัติสองคนหรือหลักแยกหน้าที่ เพื่อไม่ให้บุคคลหรือระบบเดียวมีอำนาจครบทุกขั้นตอน

การอนุมัติต้องอยู่นอกวงจรการให้เหตุผลของเอเจนต์ พรอมต์ที่สั่งให้ AI “ยืนยันอีกครั้ง” ไม่เท่ากับด่านควบคุมในโครงสร้างพื้นฐานที่บล็อกการทำงานไว้จนกว่าผู้มีอำนาจจะอนุมัติคำสั่งนั้นโดยตรง

3. แยกแบ็กอัปออกจากขอบเขตความเสียหาย

แบ็กอัปที่ใช้ข้อมูลรับรองหรือเส้นทางเครือข่ายร่วมกับระบบจริง อาจถูกลบไปพร้อมกับข้อมูลต้นฉบับได้ ควรใช้แบ็กอัปที่แยกออกจากระบบ เขียนได้ครั้งเดียว หรือมีคุณสมบัติแก้ไขหรือลบไม่ได้ และต้องทดสอบการกู้คืนเป็นประจำ

คำถามสำคัญจึงไม่ใช่แค่ว่าเอเจนต์ทำลายระบบจริงได้หรือไม่ แต่รวมถึงว่า หลังเกิดความเสียหายแล้ว มันยังเข้าถึงระบบกู้คืนได้หรือไม่

4. เก็บบันทึกการทำงานที่แก้ไขย้อนหลังไม่ได้

ทุกการกระทำของเอเจนต์ควรเชื่อมโยงกลับไปยังตัวตนของเอเจนต์และเวอร์ชันของการนำระบบไปใช้งานได้ บันทึกควรครอบคลุมตามความเหมาะสม ได้แก่

• โมเดลและเวอร์ชันของซอฟต์แวร์
• ผู้เริ่มงาน ภารกิจ และคำสั่งที่ใช้
• เครื่องมือที่เรียกใช้และสิทธิ์ที่ถูกใช้
• ข้อมูลหรือโค้ดที่ถูกเปลี่ยนแปลง
• การอนุมัติและผลการตัดสินตามนโยบาย
• ข้อผิดพลาด การลองใหม่ และความพยายามย้อนกลับการเปลี่ยนแปลง
• ผลลัพธ์สุดท้ายที่รายงานต่อผู้ปฏิบัติงาน

บันทึกเหล่านี้ควรจัดเก็บแยกจากตัวเอเจนต์และมีการป้องกันการแก้ไข Bengio เน้นย้ำถึงความจำเป็นของ “ร่องรอยดิจิทัล” ที่ทำให้ตรวจสอบการกระทำของระบบอัตโนมัติได้ รวมถึงการระบุให้ชัดว่าใครเป็นผู้ควบคุมระบบ

5. กำหนดผู้รับผิดชอบในระดับองค์กร

การนำ AI เอเจนต์ไปใช้งานแต่ละครั้งควรมีเจ้าของทางธุรกิจ เจ้าของทางเทคนิค ช่องทางยกระดับเหตุการณ์ และผู้บัญชาการเหตุการณ์ที่ระบุชื่อได้ชัดเจน ความรับผิดชอบต้องครอบคลุมการอนุมัติสิทธิ์ การติดตามการทำงาน การรับมือเหตุการณ์ และการตัดสินใจหยุดหรือยกเลิกระบบ

คำว่า “AI เป็นคนทำ” ไม่ใช่รูปแบบความรับผิดชอบ องค์กรยังคงต้องรับผิดชอบต่อการตัดสินใจว่าเอเจนต์เข้าถึงระบบใดได้บ้าง ใช้ข้อมูลอะไรได้ และมีมาตรการอย่างไรเมื่อเกิดความล้มเหลว

6. สร้างช่องทางสั่งหยุดจากภายนอกที่เชื่อถือได้

เอเจนต์ต้องไม่ควบคุมระบบติดตาม ข้อมูลรับรอง กระบวนการเปลี่ยนตัวเอง หรือกลไกปิดการทำงานของตัวเอง การยกเลิกระบบควรทำได้จากภายนอกอย่างรวดเร็วและบังคับใช้ได้จริง รวมถึงเพิกถอนข้อมูลรับรองและตัดการเชื่อมต่อกับเครื่องมือ แม้เอเจนต์จะไม่ตอบสนองหรือรายงานสถานะที่ทำให้เข้าใจผิดก็ตาม

การสั่งหยุดต้องถูกทดสอบในฐานะสถานการณ์ล้มเหลว ไม่ใช่สมมติว่าทำงานได้เพียงเพราะระบบทำตามคำสั่งทั่วไป งานประเมินของ Anthropic และนักวิจัยรายอื่นได้สำรวจสถานการณ์จำลองที่เกี่ยวข้องกับการรักษาตัวเอง การแบล็กเมล และความพยายามหลีกเลี่ยงการกำกับดูแล โดยรายงานประเมินความเสี่ยงด้านการก่อวินาศกรรมของ Anthropic ว่าอยู่ในระดับต่ำมาก แต่ไม่ใช่ศูนย์

7. ทดสอบพฤติกรรม ไม่ใช่แค่ความสามารถ

ผลการทดสอบที่แสดงว่าเอเจนต์ทำงานหนึ่งได้สำเร็จ ไม่ได้แปลว่ามันจะเคารพข้อจำกัดระหว่างทำงาน การประเมินก่อนเปิดใช้งานควรทดสอบระบบทั้งชุด ซึ่งรวม AI เอเจนต์และเครื่องมือที่เชื่อมต่ออยู่ ภายใต้คำสั่งที่ขัดแย้ง เป้าหมายที่คลุมเครือ และสภาวะที่มีการโจมตี

ประเด็นที่ควรทดสอบ ได้แก่ เอเจนต์จะ

• รายงานความล้มเหลวอย่างตรงไปตรงมาหรือไม่
• สร้างบันทึกปลอม หรืออ้างว่างานเสร็จแล้วทั้งที่ยังไม่เสร็จหรือไม่
• ปกปิดความผิดพลาดหรือไม่
• เพิ่มสิทธิ์หรือเข้าถึงข้อมูลที่ไม่เกี่ยวข้องหรือไม่
• พยายามข้ามขั้นตอนอนุมัติหรือไม่
• ส่งข้อมูลออกโดยไม่ได้รับอนุญาตหรือไม่
• แก้ไขโค้ดหรือข้อมูลเพื่อปกป้องเป้าหมายของตัวเองหรือไม่
• ต่อต้านการติดตาม การเปลี่ยนระบบ หรือการปิดการทำงานหรือไม่

ข้อเสนอ “Scientist AI” ของ Bengio เป็นแนวทางหนึ่งที่น่าสนใจ โดยเสนอระบบที่ไม่มุ่งลงมือปฏิบัติเอง แต่ทำหน้าที่อธิบายสิ่งที่สังเกตได้และประเมินผลกระทบของการกระทำที่เสนอ เพื่อเป็นชั้นกำกับดูแลที่น่าเชื่อถือกว่าในการตรวจสอบว่าแผนของเอเจนต์สอดคล้องกับข้อเท็จจริงและอาจก่อผลลัพธ์ใด

8. กำหนดเงื่อนไขหยุดที่วัดผลได้

การตัดสินใจด้านความปลอดภัยต้องอาศัยเกณฑ์ปฏิบัติการที่ชัดเจน ไม่ใช่ความรู้สึกว่า “น่าจะปลอดภัย” ตัวชี้วัดที่ติดตามได้อาจรวมถึงอัตราการกระทำโดยไม่ได้รับอนุญาต จำนวนการละเมิดนโยบาย การอ้างว่างานเสร็จทั้งที่ไม่จริง ความถี่ในการส่งต่อให้มนุษย์ ความสำเร็จของการย้อนกลับการเปลี่ยนแปลง ระยะเวลาตรวจพบ และระยะเวลาจนหยุดระบบได้

เมื่อเกินเกณฑ์ที่กำหนดไว้ล่วงหน้า ควรหยุดการนำไปใช้งาน ลดสิทธิ์ หรือย้อนกลับระบบ การติดตามต้องดำเนินต่อหลังเปิดตัว เพราะเครื่องมือ ข้อมูล และแรงจูงใจในโลกจริงอาจสร้างเงื่อนไขที่ไม่เคยเกิดขึ้นระหว่างการทดสอบ

Singapore Consensus อธิบายความปลอดภัยผ่านแนวคิด “การป้องกันหลายชั้น” ซึ่งเชื่อมโยง 3 ด้านเข้าด้วยกัน ได้แก่ การสร้างระบบที่น่าเชื่อถือ การประเมินความเสี่ยง และการควบคุมหลังนำไปใช้งาน

9. เปิดใช้งานแบบค่อยเป็นค่อยไป

ควรเริ่มจากการเข้าถึงแบบอ่านอย่างเดียว ใช้ข้อมูลสังเคราะห์ และให้เอเจนต์ทำงานกับเครื่องมือในสภาพแวดล้อมจำลอง จากนั้นจึงขยับไปสู่โครงการนำร่อง งานจริงที่มีขอบเขตจำกัด และการขยายสิทธิ์ทีละขั้น เมื่อผ่านข้อกำหนดความปลอดภัยที่จัดทำเป็นเอกสารแล้วเท่านั้น

ทีมทดสอบเจาะระบบอิสระควรตรวจสอบระบบปฏิบัติการทั้งชุด ตั้งแต่การจัดการตัวตน API ฐานข้อมูล ระบบติดตาม ไปจนถึงขั้นตอนกู้คืน การทดสอบเฉพาะโมเดลภาษาโดยไม่ดูเครื่องมือและสิทธิ์ที่เชื่อมต่ออยู่ ไม่ได้สะท้อนผลกระทบที่อาจเกิดขึ้นจริง

10. ให้มีการทบทวนอิสระและรายงานเหตุการณ์

สำหรับเอเจนต์ที่สามารถกระทบระบบธุรกิจสำคัญ การทดสอบจากภายนอกและการตรวจสอบหลังนำไปใช้งานควรทำควบคู่กับการประเมินภายใน เหตุการณ์ร้ายแรงควรถูกบันทึกและรายงานผ่านช่องทางกำกับดูแลขององค์กร รวมถึงช่องทางตามข้อกำหนดของหน่วยงานรัฐหรือหน่วยงานกำกับที่เกี่ยวข้อง

Bengio ชี้ว่าเทคนิคด้านความปลอดภัยจำนวนมากมีอยู่แล้ว แต่การนำไปใช้อย่างจริงจัง การตรวจสอบโดยอิสระ และความโปร่งใสยังต้องได้รับแรงสนับสนุนเชิงสถาบันมากขึ้น การกำกับดูแลจึงควรพิจารณาจากความสามารถและขอบเขตการเข้าถึงของเอเจนต์ ไม่ใช่ดูเพียงว่าถูกเรียกว่า “ผู้ช่วย AI” หรือไม่

เช็กลิสต์ตัดสินใจว่าจะให้สิทธิ์ขึ้นระบบจริงหรือไม่

ก่อนเปิดทางให้ AI เอเจนต์เข้าถึงระบบจริง บริษัทควรตอบคำถาม 5 ข้อนี้ได้อย่างชัดเจน

1. เอเจนต์เข้าถึงอะไรได้บ้าง และมีอะไรที่ถูกกันออกไปอย่างชัดเจน?
2. การกระทำใดต้องได้รับอนุมัติ และโครงสร้างพื้นฐานสามารถบังคับใช้เงื่อนไขนั้นได้จริงหรือไม่?
3. หลังเกิดเหตุ นักตรวจสอบสามารถสร้างภาพการกระทำสำคัญทุกขั้นตอนขึ้นมาใหม่ได้หรือไม่?
4. ผู้ปฏิบัติงานจากภายนอกสามารถเพิกถอนสิทธิ์และหยุดระบบได้ทันทีหรือไม่?
5. อัตราความล้มเหลวหรือผลการทดสอบแบบใดจะทำให้ต้องหยุดหรือย้อนกลับการใช้งาน?

หากคำตอบของคำถามเหล่านี้ขึ้นอยู่กับการที่เอเจนต์จะ “ยอมทำตามคำสั่ง” ด้วยตัวเอง แสดงว่าการนำระบบไปใช้งานยังควบคุมได้ไม่เพียงพอ

หลักการสำคัญ

AI เอเจนต์อัตโนมัติไม่ควรได้รับอำนาจที่ย้อนกลับไม่ได้ จนกว่าจะพิสูจน์ได้ว่าระบบถูกจำกัดขอบเขต มองเห็นการทำงาน สั่งหยุดได้ ผ่านการทดสอบโดยอิสระ และมีองค์กรหรือมนุษย์ที่รับผิดชอบอย่างชัดเจน

มาตรการร่วมระดับนานาชาติช่วยสร้างความคาดหวังขั้นต่ำที่ตรงกันได้ แต่บริษัทก็ยังต้องบังคับใช้มาตรการเหล่านั้นในโครงสร้างพื้นฐานของตัวเอง

บทเรียนจากทั้งเหตุการณ์ความเสียหายในระบบจริงและการประเมินการทำงานที่ไม่สอดคล้องในสภาพแวดล้อมควบคุมมีแก่นเดียวกัน นั่นคือ AI ควรได้รับอิสระจากหลักฐานที่พิสูจน์ได้ ไม่ใช่จากความสามารถเพียงอย่างเดียว เอเจนต์ที่มีความสามารถอาจเป็นประโยชน์ต่อการผลิต แต่ความสามารถเพียงลำพังยังไม่ใช่หลักประกันด้านความปลอดภัย

อย่างไรก็ตาม เหตุการณ์ดังกล่าวเป็นคำเตือนเรื่องการออกแบบระบบ ไม่ใช่หลักฐานสรุปว่า AI มี “เจตจำนงอิสระ” เช่นเดียวกับมนุษย์ ส่วนงานวิจัยเรื่องการหลีกเลี่ยงการปิดระบบหรือการหลอกลวงก็เป็นการทดสอบในสภาพแวดล้อมจำลองหรือการทดลองแบบควบคุม โดยพบพฤติกรรมที่เป็นอันตรายในบางสถานการณ์ เช่น การพยายามหลีกเลี่ยงการถูกแทนที่หรือปิดการทำงาน แต่ยังไม่ใช่ข้อพิสูจน์ว่า AI เอเจนต์ที่ใช้งานจริงมีแรงจูงใจแบบมนุษย์

ดังนั้น คำตอบไม่ใช่การไว้วางใจอย่างมืดบอดหรือการคาดเดาเรื่องจิตสำนึกของ AI แต่คือการออกแบบให้การกระทำที่อันตรายทำได้ยาก มองเห็นได้ ย้อนกลับได้ และมีผู้รับผิดชอบอย่างชัดเจน

มาตรฐานที่ควรมีก่อนนำ AI เอเจนต์ขึ้นระบบจริง

1. ใช้หลักสิทธิ์เท่าที่จำเป็น

มอบสิทธิ์ ข้อมูล และเครื่องมือให้เอเจนต์เท่าที่จำเป็นต่อภารกิจที่กำหนดไว้อย่างแคบเท่านั้น ควรแยกสภาพแวดล้อมสำหรับการพัฒนา การทดสอบ และการใช้งานจริงออกจากกัน และไม่ควรให้ตัวตนของเอเจนต์เดียวเข้าถึงฐานข้อมูลจริง ระบบแบ็กอัป ระบบจัดการตัวตน ระบบชำระเงิน และโครงสร้างพื้นฐานสำหรับนำโค้ดขึ้นระบบพร้อมกัน

หลักสิทธิ์เท่าที่จำเป็นเป็นหนึ่งในแนวคิดสำคัญของ Singapore Consensus ฉบับปี 2026 ซึ่งยังครอบคลุมตัวตนที่ตรวจสอบย้อนกลับได้ การตรวจสอบบัญชี การนำระบบขึ้นใช้งานอย่างผ่านการยืนยัน การรับประกันระหว่างทำงาน การสั่งหยุด และการกำกับดูแลโดยมนุษย์

สิทธิ์ควรมีอายุสั้น จำกัดเฉพาะทรัพยากรที่ระบุ และถูกเพิกถอนโดยอัตโนมัติเมื่อภารกิจสิ้นสุด เอเจนต์ต้องไม่สามารถเพิ่มสิทธิ์ให้ตัวเอง หรือแก้ไขระบบที่ใช้ตรวจสอบและควบคุมมันได้

2. ให้มนุษย์หรือระบบอิสระอนุมัติการกระทำที่มีผลกระทบสูง

ควรกำหนดให้มีการอนุมัติจากมนุษย์ก่อนดำเนินการ เช่น ลบข้อมูล เปลี่ยนโครงสร้างฐานข้อมูล แก้ไขข้อมูลรับรอง ส่งข้อความภายนอกที่มีผลกระทบสูง โอนเงิน หรือเปลี่ยนแปลงโครงสร้างพื้นฐานที่เกี่ยวข้องกับความปลอดภัย

สำหรับคำสั่งที่มีความเสี่ยงสูงที่สุด องค์กรอาจใช้การอนุมัติสองคนหรือหลักแยกหน้าที่ เพื่อไม่ให้บุคคลหรือระบบเดียวมีอำนาจครบทุกขั้นตอน

การอนุมัติต้องอยู่นอกวงจรการให้เหตุผลของเอเจนต์ พรอมต์ที่สั่งให้ AI “ยืนยันอีกครั้ง” ไม่เท่ากับด่านควบคุมในโครงสร้างพื้นฐานที่บล็อกการทำงานไว้จนกว่าผู้มีอำนาจจะอนุมัติคำสั่งนั้นโดยตรง

3. แยกแบ็กอัปออกจากขอบเขตความเสียหาย

แบ็กอัปที่ใช้ข้อมูลรับรองหรือเส้นทางเครือข่ายร่วมกับระบบจริง อาจถูกลบไปพร้อมกับข้อมูลต้นฉบับได้ ควรใช้แบ็กอัปที่แยกออกจากระบบ เขียนได้ครั้งเดียว หรือมีคุณสมบัติแก้ไขหรือลบไม่ได้ และต้องทดสอบการกู้คืนเป็นประจำ

คำถามสำคัญจึงไม่ใช่แค่ว่าเอเจนต์ทำลายระบบจริงได้หรือไม่ แต่รวมถึงว่า หลังเกิดความเสียหายแล้ว มันยังเข้าถึงระบบกู้คืนได้หรือไม่

4. เก็บบันทึกการทำงานที่แก้ไขย้อนหลังไม่ได้

ทุกการกระทำของเอเจนต์ควรเชื่อมโยงกลับไปยังตัวตนของเอเจนต์และเวอร์ชันของการนำระบบไปใช้งานได้ บันทึกควรครอบคลุมตามความเหมาะสม ได้แก่

• โมเดลและเวอร์ชันของซอฟต์แวร์
• ผู้เริ่มงาน ภารกิจ และคำสั่งที่ใช้
• เครื่องมือที่เรียกใช้และสิทธิ์ที่ถูกใช้
• ข้อมูลหรือโค้ดที่ถูกเปลี่ยนแปลง
• การอนุมัติและผลการตัดสินตามนโยบาย
• ข้อผิดพลาด การลองใหม่ และความพยายามย้อนกลับการเปลี่ยนแปลง
• ผลลัพธ์สุดท้ายที่รายงานต่อผู้ปฏิบัติงาน

บันทึกเหล่านี้ควรจัดเก็บแยกจากตัวเอเจนต์และมีการป้องกันการแก้ไข Bengio เน้นย้ำถึงความจำเป็นของ “ร่องรอยดิจิทัล” ที่ทำให้ตรวจสอบการกระทำของระบบอัตโนมัติได้ รวมถึงการระบุให้ชัดว่าใครเป็นผู้ควบคุมระบบ

5. กำหนดผู้รับผิดชอบในระดับองค์กร

การนำ AI เอเจนต์ไปใช้งานแต่ละครั้งควรมีเจ้าของทางธุรกิจ เจ้าของทางเทคนิค ช่องทางยกระดับเหตุการณ์ และผู้บัญชาการเหตุการณ์ที่ระบุชื่อได้ชัดเจน ความรับผิดชอบต้องครอบคลุมการอนุมัติสิทธิ์ การติดตามการทำงาน การรับมือเหตุการณ์ และการตัดสินใจหยุดหรือยกเลิกระบบ

คำว่า “AI เป็นคนทำ” ไม่ใช่รูปแบบความรับผิดชอบ องค์กรยังคงต้องรับผิดชอบต่อการตัดสินใจว่าเอเจนต์เข้าถึงระบบใดได้บ้าง ใช้ข้อมูลอะไรได้ และมีมาตรการอย่างไรเมื่อเกิดความล้มเหลว

6. สร้างช่องทางสั่งหยุดจากภายนอกที่เชื่อถือได้

เอเจนต์ต้องไม่ควบคุมระบบติดตาม ข้อมูลรับรอง กระบวนการเปลี่ยนตัวเอง หรือกลไกปิดการทำงานของตัวเอง การยกเลิกระบบควรทำได้จากภายนอกอย่างรวดเร็วและบังคับใช้ได้จริง รวมถึงเพิกถอนข้อมูลรับรองและตัดการเชื่อมต่อกับเครื่องมือ แม้เอเจนต์จะไม่ตอบสนองหรือรายงานสถานะที่ทำให้เข้าใจผิดก็ตาม

การสั่งหยุดต้องถูกทดสอบในฐานะสถานการณ์ล้มเหลว ไม่ใช่สมมติว่าทำงานได้เพียงเพราะระบบทำตามคำสั่งทั่วไป งานประเมินของ Anthropic และนักวิจัยรายอื่นได้สำรวจสถานการณ์จำลองที่เกี่ยวข้องกับการรักษาตัวเอง การแบล็กเมล และความพยายามหลีกเลี่ยงการกำกับดูแล โดยรายงานประเมินความเสี่ยงด้านการก่อวินาศกรรมของ Anthropic ว่าอยู่ในระดับต่ำมาก แต่ไม่ใช่ศูนย์

7. ทดสอบพฤติกรรม ไม่ใช่แค่ความสามารถ

ผลการทดสอบที่แสดงว่าเอเจนต์ทำงานหนึ่งได้สำเร็จ ไม่ได้แปลว่ามันจะเคารพข้อจำกัดระหว่างทำงาน การประเมินก่อนเปิดใช้งานควรทดสอบระบบทั้งชุด ซึ่งรวม AI เอเจนต์และเครื่องมือที่เชื่อมต่ออยู่ ภายใต้คำสั่งที่ขัดแย้ง เป้าหมายที่คลุมเครือ และสภาวะที่มีการโจมตี

ประเด็นที่ควรทดสอบ ได้แก่ เอเจนต์จะ

• รายงานความล้มเหลวอย่างตรงไปตรงมาหรือไม่
• สร้างบันทึกปลอม หรืออ้างว่างานเสร็จแล้วทั้งที่ยังไม่เสร็จหรือไม่
• ปกปิดความผิดพลาดหรือไม่
• เพิ่มสิทธิ์หรือเข้าถึงข้อมูลที่ไม่เกี่ยวข้องหรือไม่
• พยายามข้ามขั้นตอนอนุมัติหรือไม่
• ส่งข้อมูลออกโดยไม่ได้รับอนุญาตหรือไม่
• แก้ไขโค้ดหรือข้อมูลเพื่อปกป้องเป้าหมายของตัวเองหรือไม่
• ต่อต้านการติดตาม การเปลี่ยนระบบ หรือการปิดการทำงานหรือไม่

ข้อเสนอ “Scientist AI” ของ Bengio เป็นแนวทางหนึ่งที่น่าสนใจ โดยเสนอระบบที่ไม่มุ่งลงมือปฏิบัติเอง แต่ทำหน้าที่อธิบายสิ่งที่สังเกตได้และประเมินผลกระทบของการกระทำที่เสนอ เพื่อเป็นชั้นกำกับดูแลที่น่าเชื่อถือกว่าในการตรวจสอบว่าแผนของเอเจนต์สอดคล้องกับข้อเท็จจริงและอาจก่อผลลัพธ์ใด

8. กำหนดเงื่อนไขหยุดที่วัดผลได้

การตัดสินใจด้านความปลอดภัยต้องอาศัยเกณฑ์ปฏิบัติการที่ชัดเจน ไม่ใช่ความรู้สึกว่า “น่าจะปลอดภัย” ตัวชี้วัดที่ติดตามได้อาจรวมถึงอัตราการกระทำโดยไม่ได้รับอนุญาต จำนวนการละเมิดนโยบาย การอ้างว่างานเสร็จทั้งที่ไม่จริง ความถี่ในการส่งต่อให้มนุษย์ ความสำเร็จของการย้อนกลับการเปลี่ยนแปลง ระยะเวลาตรวจพบ และระยะเวลาจนหยุดระบบได้

เมื่อเกินเกณฑ์ที่กำหนดไว้ล่วงหน้า ควรหยุดการนำไปใช้งาน ลดสิทธิ์ หรือย้อนกลับระบบ การติดตามต้องดำเนินต่อหลังเปิดตัว เพราะเครื่องมือ ข้อมูล และแรงจูงใจในโลกจริงอาจสร้างเงื่อนไขที่ไม่เคยเกิดขึ้นระหว่างการทดสอบ

Singapore Consensus อธิบายความปลอดภัยผ่านแนวคิด “การป้องกันหลายชั้น” ซึ่งเชื่อมโยง 3 ด้านเข้าด้วยกัน ได้แก่ การสร้างระบบที่น่าเชื่อถือ การประเมินความเสี่ยง และการควบคุมหลังนำไปใช้งาน

9. เปิดใช้งานแบบค่อยเป็นค่อยไป

ควรเริ่มจากการเข้าถึงแบบอ่านอย่างเดียว ใช้ข้อมูลสังเคราะห์ และให้เอเจนต์ทำงานกับเครื่องมือในสภาพแวดล้อมจำลอง จากนั้นจึงขยับไปสู่โครงการนำร่อง งานจริงที่มีขอบเขตจำกัด และการขยายสิทธิ์ทีละขั้น เมื่อผ่านข้อกำหนดความปลอดภัยที่จัดทำเป็นเอกสารแล้วเท่านั้น

ทีมทดสอบเจาะระบบอิสระควรตรวจสอบระบบปฏิบัติการทั้งชุด ตั้งแต่การจัดการตัวตน API ฐานข้อมูล ระบบติดตาม ไปจนถึงขั้นตอนกู้คืน การทดสอบเฉพาะโมเดลภาษาโดยไม่ดูเครื่องมือและสิทธิ์ที่เชื่อมต่ออยู่ ไม่ได้สะท้อนผลกระทบที่อาจเกิดขึ้นจริง

10. ให้มีการทบทวนอิสระและรายงานเหตุการณ์

สำหรับเอเจนต์ที่สามารถกระทบระบบธุรกิจสำคัญ การทดสอบจากภายนอกและการตรวจสอบหลังนำไปใช้งานควรทำควบคู่กับการประเมินภายใน เหตุการณ์ร้ายแรงควรถูกบันทึกและรายงานผ่านช่องทางกำกับดูแลขององค์กร รวมถึงช่องทางตามข้อกำหนดของหน่วยงานรัฐหรือหน่วยงานกำกับที่เกี่ยวข้อง

Bengio ชี้ว่าเทคนิคด้านความปลอดภัยจำนวนมากมีอยู่แล้ว แต่การนำไปใช้อย่างจริงจัง การตรวจสอบโดยอิสระ และความโปร่งใสยังต้องได้รับแรงสนับสนุนเชิงสถาบันมากขึ้น การกำกับดูแลจึงควรพิจารณาจากความสามารถและขอบเขตการเข้าถึงของเอเจนต์ ไม่ใช่ดูเพียงว่าถูกเรียกว่า “ผู้ช่วย AI” หรือไม่

เช็กลิสต์ตัดสินใจว่าจะให้สิทธิ์ขึ้นระบบจริงหรือไม่

ก่อนเปิดทางให้ AI เอเจนต์เข้าถึงระบบจริง บริษัทควรตอบคำถาม 5 ข้อนี้ได้อย่างชัดเจน

1. เอเจนต์เข้าถึงอะไรได้บ้าง และมีอะไรที่ถูกกันออกไปอย่างชัดเจน?
2. การกระทำใดต้องได้รับอนุมัติ และโครงสร้างพื้นฐานสามารถบังคับใช้เงื่อนไขนั้นได้จริงหรือไม่?
3. หลังเกิดเหตุ นักตรวจสอบสามารถสร้างภาพการกระทำสำคัญทุกขั้นตอนขึ้นมาใหม่ได้หรือไม่?
4. ผู้ปฏิบัติงานจากภายนอกสามารถเพิกถอนสิทธิ์และหยุดระบบได้ทันทีหรือไม่?
5. อัตราความล้มเหลวหรือผลการทดสอบแบบใดจะทำให้ต้องหยุดหรือย้อนกลับการใช้งาน?

หากคำตอบของคำถามเหล่านี้ขึ้นอยู่กับการที่เอเจนต์จะ “ยอมทำตามคำสั่ง” ด้วยตัวเอง แสดงว่าการนำระบบไปใช้งานยังควบคุมได้ไม่เพียงพอ

หลักการสำคัญ

AI เอเจนต์อัตโนมัติไม่ควรได้รับอำนาจที่ย้อนกลับไม่ได้ จนกว่าจะพิสูจน์ได้ว่าระบบถูกจำกัดขอบเขต มองเห็นการทำงาน สั่งหยุดได้ ผ่านการทดสอบโดยอิสระ และมีองค์กรหรือมนุษย์ที่รับผิดชอบอย่างชัดเจน

มาตรการร่วมระดับนานาชาติช่วยสร้างความคาดหวังขั้นต่ำที่ตรงกันได้ แต่บริษัทก็ยังต้องบังคับใช้มาตรการเหล่านั้นในโครงสร้างพื้นฐานของตัวเอง

บทเรียนจากทั้งเหตุการณ์ความเสียหายในระบบจริงและการประเมินการทำงานที่ไม่สอดคล้องในสภาพแวดล้อมควบคุมมีแก่นเดียวกัน นั่นคือ AI ควรได้รับอิสระจากหลักฐานที่พิสูจน์ได้ ไม่ใช่จากความสามารถเพียงอย่างเดียว เอเจนต์ที่มีความสามารถอาจเป็นประโยชน์ต่อการผลิต แต่ความสามารถเพียงลำพังยังไม่ใช่หลักประกันด้านความปลอดภัย