LLM обучаются на непостижимых объемах данных из интернета. В процессе они запоминают содержащиеся в обучающих данных предвзятость, вредные стереотипы и токсичность, а также конфиденциальную информацию и материалы, защищенные авторским правом.

LLM дают предвзятые, токсичные и несогласованные ответы из-за специфики обучающих данных. Они также могут механически повторять конфиденциальную или защищенную авторскими правами информацию. LLM могут галлюцинировать, то есть они уверенно выдумывают неверную информацию, поскольку работают на статистических принципах.

Злоумышленники могут воспользоваться уязвимостями LLM и провести атаки по извлечению обучающих данных, промпт-инъекции, джейлбрейки или отравление данных.

LLM могут помогать злоумышленникам проводить масштабные персонализированные и недорогостоящие атаки, а также снижают порог входа для новичков в этом деле.

Люди, которые не разбираются в ограничениях LLM, могут случайно использовать их в профессиональной деятельности ненадлежащим образом, что может привести к серьезным этическим и социальным последствиям.

Если к внедрению ИИ-систем не подходить ответственно, их могут использовать для замены людей на машины, снижения заработной платы, усиления неравенства в распределении благосостояния и доходов, что не будет способствовать общему экономическому росту.

При ненадлежащем использовании социальные чат-боты могут привести к нездоровым и зависимым отношениям, а также риску вытеснить подлинное человеческое общение.

Разработчики LLM должны документировать обучающие данные, соблюдать прозрачность для пользователей в отношении конфиденциальности и использования их данных и прилагать усилия для устранения предвзятости в своих моделях.

Векторные базы данных и поиск внешней информации в интернете дают LLM некоторые дополнительные возможности и могут быть использованы для интерпретации некоторых ответов модели.

Перед публичным выпуском LLM должны пройти тонкую настройку и оценку на предмет безопасности и устойчивости к враждебным атакам.

Определять по полученным результатам, был ли создан контент человеком или машиной, скоро станет очень сложно, хотя для отслеживания происхождения медиа уже созданы перспективные решения.

Разработчики социальных чат-ботов должны оптимизировать другие метрики, помимо вовлеченности, чтобы снизить риск негативных последствий в обществе, например зависимости или проблем в эмоциональном развитии.

Поскольку LLM не обладают подлинными знаниями или компетенцией, их следует внедрять под присмотром человека, и крайне важно, чтобы пользователи разбирались в том, как работают модели, прежде чем использовать их вслепую.

В ближайшем будущем мы можем ожидать, что генеративный ИИ будет интегрирован во многие области применения и станет все более агентным, эффективным и персонализированным.

Соединенные Штаты не предпринимали таких масштабных усилий для регулирования в области ИИ, как ЕС, они в большей степени полагались на корпоративное саморегулирование и добровольные обязательства.

Закон ЕС об ИИ использует «основанный на риске» подход к регулированию ИИ и может стать одним из первых крупных законов в этой области [118].

В 2023 году Китай опубликовал проект мер по регулированию услуг генеративного ИИ и объявил о разработке Закона об искусственном интеллекте – всеобъемлющего горизонтального законодательного акта, основанного на существующих нормативных документах.

Корпоративное самоуправление могло бы дополнить существующие или будущие усилия по регулированию, а также восполнить критический пробел в разработке более комплексного подхода к управлению системами искусственного интеллекта.

ИИ-компаниям, среди прочего, часто не хватает прозрачности алгоритмов, обеспечения безопасности ИИ-систем и стандартов защиты данных.

Риски, связанные с генеративным ИИ, высвечивают то, к чему призывали многие эксперты: нам необходимо создать новое, постоянное, независимое, хорошо финансируемое и обладающее ресурсами учреждение для комплексного обеспечения общественного блага.