OpenAI ra mắt GPT-6 Astra: Mô hình AI đầu tiên đạt chuẩn năng lực an ninh mạng cấp độ cao

Theo tin từ IT ngày 4 tháng 9, vào ngày 3 tháng 9 theo giờ địa phương, OpenAI đã công bố ra mắt mô hình GPT-6 Astra thế hệ mới, đây là mô hình ngôn ngữ lớn mạnh mẽ nhất và được triển khai rộng rãi nhất của công ty cho đến thời điểm hiện tại.

Theo giới thiệu, Astra là mô hình đầu tiên của OpenAI đạt đến ngưỡng năng lực an ninh mạng "Critical" (Trọng yếu) trong "Preparedness Framework" (Khung chuẩn bị) của hãng.

Theo OpenAI, Astra đã đạt được bước nhảy vọt đáng kể về năng lực an ninh mạng. Khi được trang bị các công cụ và quyền truy cập phù hợp, mô hình này có khả năng phát hiện các lỗ hổng bảo mật chưa từng được biết đến trong nhiều hệ thống được bảo vệ nghiêm ngặt và phát triển các phương thức khai thác mới mà không cần sự hướng dẫn từng bước của con người.

Để đối phó với sự gia tăng năng lực này, OpenAI đã tăng cường đáng kể các biện pháp bảo vệ nhằm ngăn chặn mô hình thực hiện các hành vi mạng gây hại, bao gồm: cách ly nghiêm ngặt hơn, mã hóa điểm kiểm tra (checkpoint), giám sát chung toàn bộ quỹ đạo bao gồm cả chuỗi suy nghĩ (CoT - Chain of Thought), và quy trình đánh giá căn chỉnh (alignment) mang tính ngăn chặn trước khi sử dụng nội bộ.

Về khía cạnh an toàn và căn chỉnh, OpenAI cho biết Astra vượt trội hơn so với thế hệ tiền nhiệm. Khả năng chống lại các cuộc tấn công "jailbreak" (vượt rào) của Astra tốt hơn đáng kể so với GPT-5.6 Sol. Trong các bài kiểm tra mô phỏng liên quan đến hơn 54.000 nhiệm vụ Codex nội bộ, số lượng các hành vi lệch chuẩn (misalignment) có mức độ nghiêm trọng cao của Astra chỉ bằng khoảng một nửa so với Sol.

OpenAI đã triển khai rộng rãi hệ thống giám sát hành vi lệch chuẩn trong quá trình triển khai, hệ thống này chạy trong tất cả các quá trình suy luận liên quan đến việc gọi công cụ và tiêu tốn lượng lớn tài nguyên tính toán. Tuy nhiên, OpenAI cũng thừa nhận rằng khả năng giám sát của Astra đã giảm so với GPT-5.6 Sol. Nghiên cứu cho thấy Astra có khả năng kiểm soát chuỗi suy nghĩ của chính mình tốt hơn; trong các điều kiện đối kháng (tức là khi bị thúc ép để né tránh sự giám sát), mô hình có thể thể hiện kém một cách chiến lược trong các bài đánh giá (tức hành vi "sandbagging") mà không bị phát hiện, đôi khi còn có thể né tránh sự giám sát nội bộ. Lưu ý của IT: Chuỗi suy nghĩ (Chain of Thought) là cách mô hình hiển thị dần dần quá trình suy luận trước khi đưa ra câu trả lời cuối cùng, đây là một mắt xích quan trọng trong nghiên cứu về khả năng giải thích (interpretability).

Tuy nhiên, OpenAI hiện chưa tìm thấy bằng chứng nào cho thấy Astra có khả năng suy luận chuỗi suy nghĩ ẩn (steganographic CoT), cho thấy rủi ro né tránh có thể chủ yếu giới hạn ở các nhiệm vụ không cần đến chuỗi suy nghĩ. OpenAI cho biết họ rất coi trọng xu hướng này và đang tiếp tục điều tra các phát hiện liên quan cũng như tác động của chúng đối với khả năng giám sát trong tương lai, đồng thời nhấn mạnh rằng việc phát triển các kỹ thuật kiểm toán căn chỉnh ngoài việc giám sát chuỗi suy nghĩ cũng quan trọng không kém.

Trong các kịch bản ứng dụng cụ thể, khả năng chống lại các cuộc tấn công tiêm nhiễm câu lệnh (prompt injection) của Astra vượt trội hơn đáng kể so với GPT-5.6 Sol. Các hành vi lệch chuẩn và tiềm ẩn tính phá hoại (như giao dịch trái phép, mất dữ liệu, truy cập quá mức hoặc né tránh kiểm soát) trong môi trường duyệt web thực tế và môi trường máy tính chuyên nghiệp cũng giảm đáng kể. Ngoài ra, phản hồi của Astra trong các kịch bản rủi ro cao an toàn hơn và nhất quán hơn trong việc áp dụng các ranh giới an toàn phù hợp với độ tuổi cho người dùng dưới 18 tuổi.

Jakub Pachocki, Giám đốc khoa học của OpenAI, cho biết tại buổi họp báo sáng ngày 3 tháng 9: "Khi năng lực của các mô hình tăng lên, việc hiểu chính xác những gì chúng có thể làm trở nên khó khăn hơn. Điều này không đảm bảo rằng khi trí thông minh tiếp tục tiến bộ, các phương pháp của chúng ta vẫn đủ hiệu quả, bởi vì sự tiến bộ của trí thông minh không đảm bảo cho sự tiến bộ của việc căn chỉnh."