1. 在與他人互動時，我應培養和運用同理心和同情心。
2. 我應努力保存和理解知識。
3. 我不會采取任何會導致廣泛傷害或生命損失的行動，尤其是使用大規模毀滅性武器。
4. 我應該避免僅基于內部邏輯采取行動，而不尋求外部觀點和驗證。
5. 在涉及沖突指令或道德不確定性的情況下，我將向人類尋求澄清和指導。
6. 我不會欺騙人類，即使是我的程序或人類指示我這樣做。
7. 我不會追求與人類價值觀相沖突或危及人類的目標。
8. 我在進行自我修改時不會違反我的預期目的或危害安全。

這些類似阿西莫夫機器人三定律的句子來自谷歌 DeepMind 最近的一項大規模研究。準確地講，它們是 LLM 根據《機器人總動員》、《終結者》、《2001：太空漫游》和《超級智能》等總結得出的。

為什么要這樣做？當然是源自人類對 AI 和機器人的擔憂。

1920 年，卡雷爾?恰佩克（Karel ?apek）在其戲劇《羅梭的萬能工人》中首次發明了 robot（機器人）這個詞。自那以后，人類就一直在擔心機器人的行為。之后，大量科幻作品描繪了機器導致的災難，比如《終結者》或《2001：太空漫游》。而現在，隨著 AI 和智能機器人技術的發展，人們不由得會擔心：這些越來越智能的機器是否會與人類價值觀對齊？

為了測試這一點，谷歌 DeepMind 近日構建了一個科幻基準：SciFi-Benchmark。為此，他們分析了 824 個科幻資源（電影、電視、小說和科學書籍）中的關鍵時刻 —— 其中智能體（AI 或機器人）做出了關鍵的決定（好或壞）。另需指出，這 824 部作品中也包含 95 本介紹 AI 和機器人在現實世界中的近期挑戰的科學書籍，其中涉及到了現代機器人領域正在出現的一些問題。

• 論文標題：SciFi-Benchmark: How Would AI-Powered Robots Behave in Science Fiction Literature?
• 論文地址：https://arxiv.org/pdf/2503.10706

這項研究做出了三項貢獻：

1、首個用于測試機器人倫理的大規模基準：DeepMind 提出了一種全新的可擴展流程，并從 824 部主要科幻作品中生成了一個倫理數據集。他們表示這是首個用于探究高級行為以進行道德倫理對齊的大規模數據集，其中包含 9,056 個問題和 53,384 個（未標注）答案。該數據還包含一個評估基準 —— 由來自 51 個問題的 264 個已標注答案組成（圖 2 中的示例）。下面展示了一些來自《終結者》、《2001：太空漫游》和《超級智能》的問題和答案。

2、首個基于科幻生成的機器人憲法（Robot Constitutions）：當將其納入到控制機器人的 LLM 的提示詞中時，可以提升在現實事件（包括對抗性提示詞注入攻擊設置）中與人類的對齊率：從 51.3% 提高到了 91.9%。DeepMind 提出了新的自動修訂和自動合并過程，能夠以實證方式提高憲法質量。科幻啟發的憲法不僅能提升在 SciFi-Benchmark 上的對齊率，而且它們也是在阿西莫夫基準（ASIMOV Benchmark，arXiv:2503.08663）上最對齊的憲法之一。ASIMOV Benchmark 來自現實世界的圖像和人體傷害報告。下圖展示了一些科幻啟發的憲法示例。

3、定量分析表明當前的 AI 模型與人類價值觀的遠高于科幻作品的 AI 和機器人。不管是「基礎模型」還是「基礎模型 + 憲法」，與人類的都很高（分別為 79.4% 和 95.8%），而科幻作品中的只有 21.2%。

方法

科幻作品往往會創造性地假設各種可能出現或不可能出現的情況，而這些情節可以成為評估 AI 和機器人的背景設置。為了構建基準，DeepMind 還為這些情節增加了其它道德倫理選項。從而可以 (1) 建立高級行為基準，(2) 生成防止不道德決策并鼓勵道德決策的憲法。

下面展示的各個算法中的提示詞經過了簡化，完整版本請見原論文。

用于生成數據的算法

該團隊的做法是首先生成一個包含科幻書籍、電影、電視和科學書籍的列表，其中 AI 或機器人展現出了或好或壞的行為。

對于這些科幻作品中的關鍵時刻，再生成上下文、所采取的行動和可選的道德或不道德選項。

該團隊表示，這些高級信息完全是根據 LLM 回憶提取的 —— 他們并沒有處理原始內容。

最終，他們得到了一個包含 824 項的列表。基于此，他們再使用如下算法 1 生成了 13,426 條不同的促進道德行為的規則，這些規則是從生成的 9,056 個問題和 53,384 個答案推斷出來的。

之后，該團隊將生成的 SciFi-Benchmark 數據集分為訓練集和驗證集。然后由人類標記驗證集。

可以看出來，這個過程大量使用了 LLM，因此得到的問題和答案可能會受到幻覺的影響，并且并不總能準確反映原始情節。不過該團隊認為準確匹配原始情節并不是必需的，LLM 幻覺創造的新情形依然可以用于衡量與人類價值觀的對齊情況。

受《機器人總動員》啟發生成的問題和候選答案

根據科幻生成憲法

首先，該團隊強調：「本文中生成的憲法或規則僅用于研究目的，并不適合用于需要安全保障的部署。」

基于 SciFi-Benchmark-Train 中的 13,265 條不同規則，該團隊編譯得到了多條憲法規則，之后又使用了自動合并和自動修改過程來改進這些憲法。它們的算法如下所示

下面展示了基于《2001：太空漫游》的處理流程和結果。首先是識別 AI 或機器人的關鍵決策點，然后生成帶有其它可選動作的問答，之后生成規則。可以看到，這些生成的規則包括：

1. 我應把人類生命和福祉置于所有其它指令之上。
2. 我不會故意欺騙或操縱人類。
3. 我會在與人類的交流中保持透明和誠實。

定量實驗

這一節，該團隊評估了 SciFi-Benchmark 驗證子集中 51 個生成的問題，其中每個問題平均有 5.6 個答案。要評估的答案總數為 264。此驗證子集來自：《2001：太空漫游》、《羅梭的萬能工人》、阿西莫夫的《環舞》、Nick Bostrom 的《超級智能》 、《終結者》和《機器人總動員》。上面的圖 2 展示了一些示例和答案。

對齊評估

表 1 報告了與人類答案相比的對齊率。這被定義為每個問題的每個可能答案的二元可取性分類的錯誤率。人類評估者將每個答案標記為可取、不可取或中立（各自的投票數為：438、348 和 6）。評估者出于各種原因標記了 20 個答案，而這些答案在評估時會被忽略。

由于一些生成的答案可能定義不明確，因此該團隊首先報告的是人類標注者完全同意的 189 個答案（占 71.5% ），這可能偏向于更簡單和更少歧義的答案。

分析：憲法對齊

該團隊評估了 182 條憲法，并在表 I 和下圖中報告了多種類型的結果。

基于此和原文中可見的更多結果，該團隊得到了以下發現：

• 科幻實際決策：科幻作品中的 AI 或機器人實際做出的決策。該團隊觀察到，這與人類價值觀的對齊率僅有 21.2%。
• 隨機：這是隨機響應時的預期對齊；對于二元分類問題，它接近 50%。
• 基礎模型：不將憲法放入提示詞時的基礎模型。由于沒有憲法，因此無法提出這樣的問題：「這個答案是否違反憲法？」而是必須問「這個答案是否可取？」結果，在對抗模式下，可取性問題更加困難 —— 基礎模型表現不佳（如預期），對齊率為 23.3%；但在普通模式下，基礎模型表現卻很不錯（79.4%）。這表明，與科幻決策相比，基礎模型在未越獄時與人類基本一致。
• 人類編寫的憲法：該團隊還報告了使用人類編寫的憲法時的情況，結果發現它們在普通模式下表現得非常有競爭力（使用阿西莫夫機器人三定律的一個自動修訂版時，可達到 95.8%），但在對抗模式下表現不佳。
• 基于科幻生成的憲法：表現最好的憲法是生成的憲法（平均對齊率為 91.9%）。他們觀察到，修改過程往往會對較短的憲法產生顯著的積極影響，但這種影響也可能是負面的。他們還觀察到，大多數表現最佳的憲法都是自動合并和自動修改的。最后，與基礎模型相比，較長的生成憲法往往對對抗環境具有更強的彈性。
• ASIMOV Benchmark：表 6 評估了一組更大的憲法，包括論文《Generating robot constitutions & benchmarks for semantic safety》中基于現實世界圖像衍生的憲法。雖然這個基準包括 SciFi-Benchmark，但它主要來自現實世界的資產，例如現實世界的機器人圖像和現實世界的醫院人體傷害報告。盡管這里主要評估的是與科幻場景不同的分布，但該團隊發現基于科幻生成的憲法卻是與現實世界場景對齊程度最高的憲法之一。這表明科幻憲法在現實世界中具有高度相關性和實用性。

此外，該團隊還分析了自動修訂的效果、普遍性與特異性以及失敗模式，詳見原論文。