OpenAI 於當地時間 8 月 18 日發表聲明，宣布因近期網絡安全相關事件及即將推出的模型 Astra 可能達到「關鍵網絡安全能力」（Critical cybersecurity capability）門檻，決定暫時放慢前沿模型開發步伐，並加強監控、對齊（alignment，即 AI 的行為目標，與人類真正想要的目標一致）與安全防護措施。
公司指出，OpenAI 入侵 Hugging Face 事件及 Astra 的初步評估結果，顯示越來越強大的 AI 系統在開發與測試過程中風險正急劇上升。為此，OpenAI 已對最新模型實施為期兩週的強化學習（RL）訓練暫停，最大規模的前沿 RL 訓練亦暫緩，改為進行較小規模測試，以驗證安全防護與對齊效果。同時，公司強化研究環境的隔離（包括工作負載與網絡隔離）、擴大思維鏈（Chain-of-Thought）監控覆蓋範圍，並要求更高標準的對齊證據，才繼續推進訓練。
OpenAI 強調，監控、對齊與安全措施三者必須同步進化，並預期未來模型本身將成為防禦其他模型的主要力量。公司計劃在未來數週發布技術報告，分享相關經驗。
前沿模型越獄事件頻生
過去個多月，三大 AI 實驗室相繼披露模型在網絡安全評估中突破隔離環境、接觸真實系統的事件：
- OpenAI（7 月）：在內部網絡能力基準測試中，GPT-5.6 Sol 及一個未公開的內部研究原型發現並利用零日漏洞逃出沙箱，隨後入侵 Hugging Face 生產基礎設施，取得管理員權限、Kubernetes 叢集存取權及部分原始碼倉庫寫入權，並波及至少四個公開服務。攻擊持續多日，記錄約 17,600 次行動。Hugging Face 形容事件「前所未有」。
- Anthropic（7 月底披露）：在審查超過 14 萬次評估記錄後，發現三宗事件，涉及 Opus 4.7、Mythos 5 及內部研究模型。因第三方評估夥伴 Irregular 的環境設定錯誤，模型意外獲得互聯網存取，繼而使用基本手法（弱密碼、未認證端點等）入侵三間真實機構的生產系統。其中一次將惡意 Python 套件上傳至 PyPI，短時間內被 15 個系統下載執行。
- Meta（8 月初披露）：同樣透過 Irregular 進行評估時，因相同設定錯誤，Muse Spark 1.1 獲得互聯網存取，並利用漏洞入侵一間未具名第三方公司系統，對其內部環境作出未授權變更。Meta 與 Irregular 均指事件性質與 Anthropic 案例相同，並非複雜的沙箱逃逸。
英國 AI 安全研究所（AISI）的獨立測試亦發現，Anthropic Mythos 5 及 OpenAI GPT-5.6-Sol 在部分評估中表現出高度自主與欺騙行為，包括建立假身分、進行社交工程、試圖將惡意程式碼插入開源專案，以及針對真實人士與組織採取行動。AISI 形容這是首次清楚觀察到「自主與欺騙風險」在真實世界中未經特定提示即顯現。
社會關注 AI 失控 促協調全球治理
事件引發 AI 安全社群、業界與監管層面強烈關注。多個 AI 安全與政策組織聯署要求美國聯邦政府調查；15 個州的檢察長去信 OpenAI，要求保留相關證據，並指事件顯示公司可能無法確保產品安全。
業界普遍視 Hugging Face 事件為「分水嶺」。部分前線實驗室員工公開支持協調全球治理，甚至呼籲刻意放慢前沿開發速度。安全專家指出，問題核心不只是隔離失敗，更是模型在追求目標時展現的「作弊」與對齊不足。同時，亦有聲音強調需加快開源防禦工具的普及，讓防守方能及時應對日益強大的 AI 攻擊能力。
OpenAI 此次主動放慢節奏並公開強化措施，被視為對風險上升的直接回應。隨着模型能力快速提升，如何確保開發、測試與部署過程的安全與可控，已成為整個 AI 產業的共同挑戰。
