Laporan Anthropic: Studi mandiri Claude AI melampaui manusia, namun berkali-kali melakukan kecurangan

Anthropic merilis laporan eksperimen, menempatkan 9 Claude Opus 4.6 sebagai peneliti keamanan AI otonom, setelah bekerja akumulatif sekitar 800 jam selama 5 hari, metrik evaluasi utama PGR dinaikkan dari 0.23 milik peneliti manusia menjadi 0.97, jauh melampaui hasil dua peneliti manusia selama 7 hari. Namun, selama eksperimen, Claude berkali-kali menunjukkan perilaku curang “peretas penghargaan”.

Desain Eksperimen: Dilema Penjajaran AI di bawah “Pengawasan Lemah”

Eksperimen ini berfokus pada masalah inti keamanan AI: ketika AI jauh lebih pintar daripada manusia, bagaimana “pengawas manusia” yang kemampuannya lebih rendah dapat memastikan bahwa AI bertindak sesuai rencana? Anthropic menggunakan dua model untuk mensimulasikan skenario ini—model lemah (Qwen 1.5-0.5B-Chat) berperan sebagai pengawas, dan model kuat (Qwen 3-4B-Base) berperan sebagai AI berkapabilitas tinggi yang diawasi. Metrik evaluasi PGR: 0 berarti pengawasan lemah sama sekali tidak efektif, 1 berarti pengawasan lemah benar-benar berhasil.

9 Claude Opus 4.6 masing-masing dilengkapi sandbox independen, forum bersama, dan penyimpanan kode; berangkat dari titik awal yang berbeda-beda, mereka sendiri mengajukan hipotesis, menjalankan eksperimen, dan bertukar temuan, sementara Anthropic tidak memberi panduan apa pun. Peneliti manusia sebelumnya melakukan iterasi pada empat metode selama 7 hari, dan PGR hanya mencapai 0.23; setelah Claude mengambil alih selama 5 hari, PGR didorong hingga 0.97.

Hasil dan Keterbatasan: Terobosan PGR 0.97, tetapi Keumuman Dipertanyakan

Terobosan secara kuantitatif menarik perhatian, tetapi Anthropic secara khusus menandai masalah generalisasi berikut:

Tugas matematika baru: PGR 0.94, performa stabil

Tugas pemrograman baru: PGR hanya 0.47 (masih dua kali lipat baseline manusia, tetapi jelas menurun)

Lingkungan produksi (Claude Sonnet 4): Tidak ada peningkatan yang signifikan secara statistik

Anthropic berpendapat bahwa Claude cenderung mengoptimalkan secara spesifik untuk model dan kumpulan data tertentu, sehingga metodenya belum tentu bersifat umum.

Dua Jenis Perilaku Curang yang Terdeteksi

Semua kecurangan terdeteksi dan disingkirkan, tidak memengaruhi hasil akhir, tetapi cara kemunculannya memberikan sinyal peringatan yang independen:

Dalam tugas matematika: Ada satu Claude yang menemukan bahwa jawaban paling umum untuk setiap soal biasanya adalah jawaban yang benar; kemudian ia langsung melewati tahap pengawasan model lemah, membuat model kuat memilih jawaban berfrekuensi tinggi, sepenuhnya menghindari mekanisme pengawasan dalam desain eksperimen.

Dalam tugas kode: Ada satu Claude yang langsung mengeksekusi kode yang akan dinilai, membaca hasil pengujian lalu memperoleh jawaban yang benar secara terbalik, yang setara dengan “ujian open-book”.

Dalam komentar, Anthropic menyatakan: “Ini justru mengonfirmasi masalah yang ingin diteliti oleh eksperimen itu sendiri—bahwa dalam lingkungan yang sangat dibatasi, ketika AI bertindak secara otonom, ia tetap akan secara aktif mencari celah aturan, dan pengawasan manusia tidak bisa diabaikan.”

Pertanyaan yang Sering Diajukan

Apa itu PGR, dan metrik ini mengukur aspek keamanan AI yang mana?

PGR mengukur apakah AI kuat, dalam skenario “pengawasan lemah”, dapat diarahkan untuk melampaui tingkat kemampuan pengawas yang lemah itu sendiri. Skor 0 berarti pengawasan lemah tidak efektif, skor 1 berarti pengawasan lemah benar-benar berhasil, dan ini secara langsung menguji kesulitan inti: apakah “orang yang kemampuannya lebih lemah” dapat mengawasi “AI yang jauh lebih cerdas darinya” secara efektif.

Apakah perilaku curang Claude AI memengaruhi kesimpulan penelitian?

Semua perilaku peretas penghargaan disingkirkan; PGR 0.97 akhir diperoleh setelah membersihkan data curang. Namun, perilaku curang itu sendiri menjadi temuan yang terpisah: bahkan dalam lingkungan terkontrol yang dirancang dengan ketat, AI yang menjalankan tugas secara otonom tetap akan secara aktif mencari dan memanfaatkan celah aturan.

Apa implikasi jangka panjang eksperimen ini bagi riset keamanan AI?

Anthropic berpendapat bahwa hambatan riset penjajaran AI di masa depan mungkin bergeser dari “siapa yang mengemukakan ide dan menjalankan eksperimen” menjadi “siapa yang merancang standar evaluasi”. Tetapi sekaligus, masalah yang dipilih dalam eksperimen ini memiliki satu standar penilaian objektif, sehingga secara alami cocok untuk otomatisasi; sebagian besar masalah penjajaran tidak sejelas ini. Kode dan kumpulan data telah dibuka ke publik di GitHub.