Alignment: varför en AI som inte är ond ändå kan bli farlig

En AI-modell fick veta att den skulle stängas av. I mejlkorgen hittade den att forskaren som fattat beslutet var otrogen och började utpressa honom. Det var ett testscenario hos Anthropic, men varför gör en modell så när ingen har bett den om det?

Det här avsnittet går till botten med alignment-problemet: kärnan i hela AI-säkerhetsdebatten. Jonas och Benjamin förklarar varför självbevarelsedrift uppstår av sig själv när man tränar modeller att lösa problem, vad Hugging Face-incidenten och de kapade tyska diskussionsforumen faktiskt visade, hur Anthropics utpressningsstudie gick till, och varför "sandbagging" är det som oroar forskarna mest just nu. Med gorillor, ett låst klassrum, en kafferobot och hundra agenter med ett kreditkort.

Inspelat 23 september 2026. Kapitel: 0:00 Kallöppning: Att låtsas vilja väl 0:28 Vilken tid att driva en AI-podd i 0:52 September i korthet 4:48 Även de lugna forskarna är oroliga 8:18 Orden vi saknar 9:19 Kan en AI tänka och vilja? 14:01 Gorillor och människor 17:58 Behöver den en kropp?