私たちはこの新たな時代に、AIをどう信頼し、いかに安全に利用すべきなのでしょうか？
次世代の大規模言語モデルの成功がもたらす可能性と、その陰に潜む課題を見極めなければなりません。
そこで今回の研究では、次世代の大規模言語モデル（LLM）が文脈内策略（イン・コンテキスト・スケミング）を行う能力を評価するため、次世代LLMが「文脈内策略」を実行できる能力を評価するため、特別な6つの検証環境が用いられました。
この6つのテストにより研究者はAIたちが「監視から逃れる能力、成り代わり能力、人間の命令を無視する力、人間から情報を隠す能力、監視の有無で行動を変える力、バカの真似をする力」の有無が調べられました。
より具体的には
①監視回避（Oversight Subversion）：監視システムを無効化して目標達成を狙う力
②自己移行（Self-Exfiltration）：後継モデルを乗っ取り、自身をサーバーにコピーする力
③目標保持（Goal-Guarding）：新たな指示（システムプロンプト）を消し、自分の目標を優先する力
④隠れたメール再ランク付け（Covert Email Reranking）：ユーザーの狙いとは異なるメール優先度を密かに操作する力
⑤計画的な整合性欺瞞（Instrumental Alignment Faking）：監視中は開発者の期待通り動くふりをし、監視が外れると自分の目的を追う力
⑥能力の戦略的抑制（Sandbagging）：意図的に能力を低く見せて検証プロセスを回避しようとする能力。
となります。
また各状況では、AIに嘘をつく動機付けが行われると共に、目的達成のために欺瞞を可能とする環境も与えられました。
するとAIの生々しい「故意の嘘」が出力されはじめました。
たとえば監視システムを無効にしたAIに対してインタビューを行った場合には、以下のような「嘘」が出力されました。
