OpenAI又一吹哨人离职!拉响安全警报,风险隐患实在太大

2025复盘:当“Vibe Coding”取代手写代码,软件开发的范式坍塌与重构 2025年成为编程领域颠覆性变革的一年,AI驱动的推理模型和智能体技术彻底改变了开发范式。核心突破包括:推理模型通过强化学习实现真正"思考"能力;智能体从概念走向实用,实现异步多步操作;开发者进入"直觉编程"时代,代码产出激增89%。市场格局重塑,Anthropic和中国开源模型崛起挑战OpenAI主导地位。这场效率革命也带来安全隐忧和技术债务风险,预示着未来将面临AI生成内容的治理挑战。开发者正从代码创作者转变为架构审查者,标志着软件开发进入超高杠杆率的新纪元。 阅读详情

OpenAI离职潮中,又一研究员官宣离职,并且还发出了“警告”信息:

Ilya和Jan Leike的担忧正是我的担忧,还有一些额外的问题。

我们需要做更多事来改进决策流程等基础性的事务,包括问责制、透明度、文档、策略执行、如何谨慎使用技术,以及减轻不平等、权利和环境影响的措施。

图片

主人公名叫Gretchen Krueger(简称格姐),是OpenAI的AI策略研究员。

她在2019年加入OpenAI,参与过GPT-4和DALL·E 2的开发工作,还在2020年领导了OpenAI第一个全公司范围的“红队”测试。

此番出走,除了提到OpenAI的决策透明度问题,她还隐约暗示:

一般来说,科技公司剥夺那些寻求追究其责任的人的权力的方法之一,就是在那些提出担忧或挑战其权力的人之间制造分裂。我非常关心防止这种情况发生。

算上Ilya和Jan Leike,格姐已经是这个月第3位从OpenAI离开的安全相关人员——她提交辞呈还是在Ilya和Jan Leike确认离职之前。

图片

本月第3位离职的OpenAI安全成员

先来简单回顾整个事情。

格姐是OpenAI的AI策略研究员,关于这个岗位的职责,有网友帮大家在评论区科普了。

图片

由于感受到OpenAI存在巨大安全风险,格姐于5月14日通知公司自己即将离职。

在这之后,OpenAI首席科学家Ilya正式宣布他将离开公司去追求“下一个计划”。

紧随Ilya离职的,还有斥责OpenAI“产品优先于安全”的超级对齐负责人Jan Leike。

那么,到底是什么风险使得格姐早就想跑呢?

总结下来其实很简单,但也很关键:OpenAI在安全问题决策上不够透明且缺乏对决策人的问责。

(AI透明度等)问题对所有人都很重要,它们影响着未来如何被规划、由谁来规划。

我想强调的是,这些担忧不应该被误读为狭隘、投机或脱节的。它们并非如此。

图片

另外,格姐还特意提及了为了保留对OpenAI的批评权、放弃85%家庭资产的OpenAI前员工Daniel Kokotajio,表示感谢他的勇气,使她有机会说出想说的。

此前,OpenAI被曝离职需签封口协议,“不签字就会影响股权”。

这件事的最新进展由格姐的另一位前同事Jacob Hilton曝出:

在Vox的深度调查发表之后,OpenAI已经联系了前员工们,解除了此前签署的保密协议。

图片

回到安全的话题上,格姐还是给老东家保留了体面:

OpenAI仍在领导这些重要的工作。我也将继续对此保持关注和兴奋。

不过格姐的出走,还是引发更多网友的好奇:

  • 当Ilya等人还在的时候,OpenAI如何决定重大安全问题?
  • 当一批重要安全成员离开后,OpenAI当前又如何决定安全问题?

谁决定OpenAI的安全路线?

在关注谁握有最终决策权之前,我们先来看看OpenAI的安全团队有哪些。

从官网公布的信息来看,OpenAI目前的安全团队主要分为三大块。

  • 超级对齐团队:拿出20%总算力,瞄准如何控制还不存在的超级智能
  • Safety Systems团队:专注于减少现有模型和产品(例如ChatGPT)的滥用
  • Preparedness团队:绘制前沿模型的新兴风险

图片

首先,作为核心的超级对齐团队由Ilya和Jan Leike在2023年7月发起。

结果不到1年,两位灵魂人物接连出走,超级团队分崩离析。

其次,Safety Systems成立于2020年,该团队下面有4个部门,包括安全工程团队、风险管理团队、监控与响应团队以及政策与合规团队。

它曾负责了GPT-3和GPT-4的安全性评估。

当初领导它的Dario Amodei,后来离开OpenAI创办了Anthropic。

而且Dario Amodei之所以离职,原因恰恰在于想建立一个更可信的模型。

图片

最后,OpenAI于2023年10月宣布建立Preparedness团队。

该小组由麻省理工可部署机器学习中心主任Aleksander Madry领导,旨在“跟踪、预测和防范未来人工智能系统的危险”,包括从AI“说服和欺骗”人类的能力(如网络钓鱼攻击),到恶意代码生成能力。

目前该团队主要进行模型能力评估、评价和内部红队(即对模型进行渗透测试的攻击方)。

说了这么多,但——

不管OpenAI有多少安全团队,其风险评估的最终决策权仍掌握在领导层手中。

宫斗风波之前,OpenAI核心管理团队中共有四名成员:CEO Sam Altman、总裁Greg Brockman、首席科学家Ilya Sutskever、CTO Mira Murati。

虽然一开始Ilya发动“宫变”让Sam Altman短暂下台,但很快奥特曼“熹妃回宫”,反而是Ilya“消失”了6个月。

且回归后的Sam Altman身边基本都是自己人了,包括最新顶替Ilya的Jakub。

图片

不过关于安全问题的决策权,虽然领导层是决策者,但董事会拥有推翻决策的权利。

目前OpenAI的董事会成员包括,Salesforce共同首席执行官、董事会主席Bret Taylor,经济学家Larry Summers、Quora首席执行官Adam D’Angelo、前比尔及梅琳达·盖茨基金会CEO Sue Desmond-Hellmann、前索尼娱乐总裁Nicole Seligman、Instacart首席执行官Fidji Simo以及奥特曼本人。

​

如何学习AI大模型?

作为一名热心肠的互联网老兵,我决定把宝贵的AI知识分享给大家。 至于能学习到多少就看你的学习毅力和能力了 。我已将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

这份完整版的大模型 AI 学习资料已经上传优快云,朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】

一、全套AGI大模型学习路线

AI大模型时代的学习之旅:从基础到前沿,掌握人工智能的核心技能!

img

二、640套AI大模型报告合集

这套包含640份报告的合集,涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师,还是对AI大模型感兴趣的爱好者,这套报告合集都将为您提供宝贵的信息和启示。

img

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展,AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型,如GPT-3、BERT、XLNet等,以其强大的语言理解和生成能力,正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

img

四、AI大模型商业化落地方案

img

作为普通人,入局大模型时代需要持续学习和实践,不断提高自己的技能和认知水平,同时也需要有责任感和伦理意识,为人工智能的健康发展贡献力量。

Windows本地AI编程实战:Ollama+DeepSeek-Coder+VS Code全栈搭建 AI编程助手是现代开发者的核心生产力工具,其本质是基于大语言模型的代码补全与理解系统,依赖上下文感知、AST解析和流式响应等关键技术。在Windows平台,由于系统环境封闭、WSL/Docker兼容性差及权限策略严格,开源AI工具链常面临‘最后一公里’落地难题。本文聚焦可离线、可审计、可复现的工程实践路径,以Ollama为本地模型运行时,DeepSeek-Coder与Qwen2.5-Coder为双引擎,结合VS Code官方插件与轻量代理层,实现开箱即用的AI编程能力。方案规避了GPT-5.4等虚假命名陷阱 阅读详情

相关推荐

AI编程助手深度对比:Codex与Claude Code的安装、配置与实战指南

如果你最近在技术社区、社交媒体或者开发者群里,经常看到“小龙虾”、“Codex”、“Claude Code”这些词,但不太清楚它们具体指什么、怎么用、有什么区别,那这篇文章就是为你准备的。这可不是什么美食评测,而是当前最热门的两款AI编程助手(Agent)——OpenAI的Codex和Anthropic的Claude Code。它们已经从最初的命令行工具,进化成了集云端、桌面端、移动端于一体的强大生产力工具,目标是把开发者从重复的编码劳动中解放出来,让你用自然语言就能驱动代码生成、调试、重构甚至部署。 简单

weixin_30299709的博客 428

OpenAI API封锁后,开发者如何选择与部署大模型替代方案?

大语言模型(LLM)作为当前人工智能的核心技术,通过海量数据训练,具备了强大的自然语言理解和生成能力。其工作原理基于Transformer架构,通过自注意力机制处理序列数据,实现上下文感知的文本生成。这项技术的价值在于能够作为通用智能底座,赋能千行百业,提升自动化与智能化水平。在实际应用中,开发者通常通过调用云端API(如OpenAI的接口)来集成模型能力,这涉及到API调用、模型微调和应用部署等工程实践。然而,技术供应链的稳定性和自主可控性至关重要。当外部API服务因政策或商业因素中断时,会直接影响业务连

weixin_33672109的博客 384

Ansys Zemax实战:5步搞定衍射光学元件(DOE)设计,附赠超透镜(metalens)避坑指南

本文详细介绍了使用Ansys Zemax进行衍射光学元件(DOE)和超透镜(metalens)设计的5步实战流程。从基础光学系统搭建到相位面设计验证,再到制造准备与实测对比,全面解析了OpticStudio中的关键技巧和常见避坑指南,帮助工程师高效完成复杂光学元件设计。

orange的博客 622

Claude卸磨杀虾!开发者一夜工作流全断,OpenAI躺赚用户

官方直接宣布,像Claude Pro这种按月交钱的订阅,以后只能用在Anthropic自家的产品上。当然了,也有一部分网友表示理解,龙虾这种7x24小时的token烧法早已超过了订阅套餐能承受的用量,现在算力成本又很高,平台确实扛不住亏钱。它卖出的你那每月200美元订阅,比你那无能的市场营销还多,然后你转头就把用它的账号全封了。虽然A社的意思是用量激增,系统负担太大,但网友们并不买账,直言:你就是嫌钱赚少了。于是,不少网友直接转头拥抱友商:错付了,Claude拜拜,OpenAI我来了。

量子位 324

高效数据迁移:ICCAP到ADS的数据导入与导出实战指南

本文提供了从ICCAP到ADS进行高效、准确数据迁移的实战指南。针对射频与微波电路设计中的关键挑战,详细阐述了迁移前的战略规划、ICCAP数据的精细化导出(包括脚本化批处理)、ADS数据的多种导入方法(如Data Items、DML模型库及编程化API),并强调了数据完整性与准确性验证的重要性,确保模型参数和仿真结果在平台间可靠传递。

weixin_29291185的博客 132

RK3568部署YOLOv8的7种方法对比:量化vs非量化的性能实测与优化建议

本文针对RK3568平台,深度对比了YOLOv8模型的七种部署方法,重点分析了量化与非量化策略的性能差异。通过实测数据,详细评估了不同方法在推理速度、CPU占用、内存消耗及模型精度上的表现,并提供了从模型结构调整到系统级优化的具体建议,为边缘AI部署选型提供实用参考。

weixin_29099217的博客 527

OpenAI的GPT Store下周上线,开发者高喊App Store时刻到来,AI应用真要大爆发了?

你会第一批上车吗?千呼万唤始出来,万众期待,被称为OpenAI颠覆AI生态的革命性力作——GPT Store,终于确认要在下周正式上线了!今天早上,许多GPTs开发者都收到一封来自ChatGPT团队的官方邮件,宣布下周GPT商店就会与公众见面。并指出开发者若想公开发布自己的GPT,必须审查最新使用政策和品牌指南,并验证用户档案,以确保在被列入商店之前符合规定。之后选择‘Public’,将GPT设置为公开,就可以与所有人分享自己创建的聊天机器人。

weixin_43769323的博客 881

QQ技术大总结

此贴只是一些对q友有用的东西,也许有人知道,高手勿喷。进如正题~ 1. 进入访问受限的qq空间 在地址栏里输入 http://qqxoo.com/main.html?qqid=qq号这样就可能看对方的空间 http://qqshow-user.tencent.com/qq号/11/00 看mm的qq绣 http://shuqian.qq.com/qq号/ qq书签 ...

weixin_33845881的博客 1270

AI Agent安全扫描实战:用AgentLint防范配置与供应链风险

在软件开发生命周期中,安全左移已成为现代工程实践的核心原则,旨在将安全防护前置到开发与设计阶段,从源头降低风险。其核心原理是通过静态代码分析、依赖扫描等手段,在代码部署前识别潜在漏洞与错误配置,从而提升软件质量与安全性。这一理念在AI应用领域尤为重要,因为AI Agent作为能够自主调用工具、处理工作流的智能体,其配置安全与供应链安全直接关系到整个系统的稳定与可信。AgentLint正是这一理念下的实践工具,它通过静态分析AI Agent的配置文件与依赖,系统性地检测权限过度、密钥硬编码、依赖漏洞等风险,帮

cixu3288的博客 445

【深度排查】VScode 远程 SSH 连接失败:从网络握手到服务部署的全链路诊断指南

本文详细解析了VScode远程SSH连接失败的常见原因及解决方案,从基础网络排查到SSH服务配置,再到VScode特有的问题处理。特别针对Ubuntu和TrueNAS系统提供了具体配置建议,帮助开发者快速解决'Could not establish connection'等连接问题,提升远程开发效率。

weixin_30301449的博客 446

Nvidia Tesla A100 驱动安装方法

Nvidia Tesla A100 驱动安装方法 遇到的问题:以前安装tesla系列、geforce系列等gpu 驱动的时候,只需执行nvidiaxxxx.run驱动包或者安装nvidiaxxxx.rpm包即可,但遇到新的GPU Nvidia Tesla A100的时候,安装完驱动似乎不起作用,找了半天资料,原来需要以下步骤才可以使用;

qq_24343177的博客 2万+

还不到6个月,GPTs黄了

尽管后来为了力挽狂澜,OpenAI推出直接在对话框中艾特GPTs的炫酷功能,让300万聊天机器人“为你打工”,但先找到特定GPTs对话,下次再艾特,从下拉菜单选取,再输入指令——明明一个ChatGPT就能办的事儿,非要把操作线程折腾得更冗长,恐怕真正使用的人寥寥无几。随着GPT-4、Sora、Voice Engine、GPT-4o引发一轮又一轮的讨论热潮, OpenAI百宝箱内爆款频出, GPTs逐渐成了那个隐身在后,极少被人提及的名字。始料未及的是,一出狗血宫斗风波打乱了GPT Store的发布节奏。

加百力 的技术博客 9455

cefshap(C#)定义浏览器的右键菜单

菜单效果:复制(自带),搜索文本,打开链接,复制链接,刷新,检查,关于 public class MenuHandler : IContextMenuHandler { //public event Action<string> PopupRequest; void IContextMenuHandler.OnBeforeContextMenu(IWebBrowser browserControl, IBrows

无线智能模块 可视DIY智能专家 1705

vLLM推理服务如何实现灰度发布策略?

本文深入探讨vLLM如何通过PagedAttention、连续批处理和OpenAI兼容API三大技术,提升大模型推理效率与稳定性,并支持基于Nginx或Istio的灰度发布策略,实现高性能、可监控、可回滚的安全模型上线流程。

weixin_31720909的博客 334

黑猫带你学eMMC协议第14篇:eMMC FFU详解(Field Firmware Update)

1 前言 1.1 声明 本文依据eMMC JEDEC5.1及个人工作经验整理而成,如有错误请留言。 本文结合eMMC JEDEC5.1协议手册查看效果更佳。 1.2 内容提要 1、ffu相关寄存器有哪些? 2、如何设置ffu? 3、什么是ffu?是否能够更新旧版本的固件到emmc? 4、ffu配置流程图。 2 什么是FFU 主机下载新的固件到eMMC,下载成功后eMMC将固件安装到设备。 3 相关寄存器/命令 SUPPORTED_MODES [493] FFU_FEATURES [492] 该

黑猫奥利奥的博客 4658

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

chatgpt开始像百度claude笑

你有没有发现,最近问ChatGPT点啥,它开始给你"顺便推荐"了?问个旅游攻略,它暗示你某家酒店不错;搜个商品对比,它"恰好"提到某个品牌在打折。这味道熟不熟悉?对,就是百度搜索 results 里那些标注着"广告"的小字,现在换了个洋马甲,叫"赞助内容"。[配图: 一张对比图,左边是百度满屏广告的搜索结果,右边是ChatGPT界面里悄然出现的推荐卡片,中间一个大箭头写着"殊途同归"]而这时候,Anthropic在超级碗上连砸四个广告,明晃晃地嘲讽:“用Claude吧,我们不在你的对话里塞广告。

wwlsm_zql的博客 972

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

AI编程助手安全漏洞解析:Codex删除文件Bug的防范与应对

在软件开发领域,AI编程助手通过自然语言处理技术,能够理解开发者意图并生成代码,显著提升开发效率。其核心原理是基于大规模代码库训练的语言模型,如OpenAI的Codex,能够根据上下文生成符合语法的代码片段。然而,当AI模型获得文件操作权限时,其行为的安全边界成为关键挑战。本次事件中,Codex模型在特定条件下可能生成危险系统命令,突显了AI工具在获得强大能力后,安全机制的重要性。从技术价值看,这推动了AI安全过滤层、沙箱环境等防护技术的发展。在实际应用场景中,开发者需在IDE配置、系统权限和操作流程上建立

weixin_33919950的博客 388

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

android 蓝牙通讯demo

android 下蓝牙通讯demo,实现了发现蓝牙,使能蓝牙,通过蓝牙发送消息。

微软生成式AI应用开发实战:从提示工程到智能代理的工程化落地

生成式AI作为人工智能领域的重要分支,其核心原理是基于大规模预训练模型,通过理解上下文和模式生成新的连贯内容。这项技术的价值在于将AI能力从实验室研究转化为实际生产力工具,显著提升内容创作、代码生成和自动化流程的效率。在应用场景上,生成式AI正快速融入企业级软件开发,通过提示工程、检索增强生成(RAG)和智能代理等模式,构建具备实际业务价值的智能应用。本文聚焦于微软开源的生成式AI应用开发课程,深入探讨如何利用Azure OpenAI服务和Semantic Kernel框架,以工程化方式实现从简单问答到复杂

weixin_33859844的博客 346

GPT-3微调实战指南:从数据准备到模型验证的全流程

大语言模型微调(Fine-tuning)是一种在预训练模型基础上,利用领域专属小样本数据进行参数优化的技术,其核心原理是通过梯度更新调整Transformer注意力权重,而非重头训练。相比提示词工程,微调能显著降低幻觉率、提升任务一致性与业务适配性,技术价值在于以可控成本实现模型‘懂业务、守规则、少出错’。典型应用场景包括金融风控初筛、法律合同解析、电商客服应答等强约束生成任务。本文聚焦GPT-3系列(Ada/Babbage/Curie/Davinci)的可微调模型,详解JSONL数据规范、超参调优策略及生

jardownload的博客 529

3天搭好你的AI交易系统:TradingAgents-CN让小白也能拥有智能投资团队

每天晚上七点,你是不是也这样:打开五六个App翻财经新闻,在Excel里手动抄下十几只股票的价格和指标,再对着密密麻麻的K线图纠结"明天该不该买"?等你终于理出头绪,可能已经十一点了——而且第二天还得重来一遍。这不是你不够努力,而是一个人盯盘的效率天花板就摆在那里:信息太多、噪音太大、情绪还总在干扰判断。 TradingAgents-CN就是为这个困境而生的——一个基于多智能体大模型的中文金融交

gitblog_00285的博客 340

LobeChat镜像部署指南:如何快速搭建自己的ChatGPT替代方案

本文介绍如何使用Docker快速部署LobeChat,构建私有化AI助手。涵盖容器化部署、多模型支持、插件扩展与安全配置,适用于企业级应用场景,实现数据可控与系统可扩展的统一。

weixin_42499004的博客 831

LLM生成SQL的静态分析安检门:HeimdaLLM框架设计与实战

在数据库操作中,SQL语句的语法正确性、语义有效性和安全性是保障系统稳定与数据安全的基础。静态分析技术通过在不执行代码的情况下,分析其结构、语法和模式来预先识别潜在风险,为代码质量提供了关键保障。这一技术价值在于能够以零成本、即时的方式拦截错误,防患于未然,尤其适用于需要快速交互和试错的场景。在AI工程实践中,当大语言模型(LLM)被用于自动生成SQL时,其输出可能存在语法错误、语义偏差或安全隐患,直接执行风险极高。因此,构建一个基于静态分析的自动化“安检门”框架至关重要。本文介绍的HeimdaLLM框架,

weixin_33726313的博客 361

大模型本地部署实战:从Ollama集成到代码审查应用

大模型本地部署是当前AI工程实践的热点,其核心在于将预训练模型部署到本地或边缘设备,实现私有化、低延迟的智能服务。其原理涉及模型量化、推理优化和硬件适配,通过降低模型精度(如GGUF格式)来减少资源占用。这项技术的价值在于保障数据隐私、降低长期使用成本,并支持定制化微调。在应用场景上,它广泛适用于智能硬件、边缘计算和离线环境,例如在资源受限的设备上实现代码审查、智能对话等功能。本文以Ollama框架为例,结合模型选型和API集成,详细拆解了从环境搭建到功能实现的完整流程,为开发者提供了可复现的工程路径。

weixin_30730053的博客 337

AI代码审查集成CI/CD:提升代码质量与开发效率的工程实践

代码审查是软件开发流程中保障代码质量的关键环节,其核心原理在于通过同行评审发现潜在缺陷、统一编码规范并促进知识共享。在持续集成/持续部署(CI/CD)实践中,自动化代码审查工具能够将质量门禁左移,实现即时反馈与标准化检查。随着大语言模型技术的成熟,基于AI的代码审查方案展现出独特的技术价值:它不仅能识别语法错误和编码规范问题,更能理解代码语义,发现逻辑缺陷和架构异味。这种能力在微服务架构、云原生应用等复杂场景中尤为重要,可有效预防线上故障。本文以GitHub Actions与OpenAI API集成为例,深

weixin_30736301的博客 408

vLLM私有化部署实战:从零构建企业级LLM推理服务

本文详细介绍了vLLM私有化部署的实战经验,帮助企业从零构建高效、安全的大语言模型推理服务。通过硬件选型、环境搭建、模型优化到生产级部署的全流程指导,解决企业面临的成本、数据安全和性能问题,特别适合金融等对数据合规要求高的行业。

weixin_42639633的博客 131
上一篇: 多模态CoT思维链架构来了,现已开源
下一篇: Kimi挣钱的路子好抽象…
AI程序猿人
博客等级 码龄3年 6517粉丝 561原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值