Anthropic tiếp nhận sáu chuyên gia đánh giá của METR với quyền truy cập tương tự nhân viên

Anthropic thông báo vào ngày 15 tháng 10 năm 2026 rằng công ty đã bắt đầu cấp quyền truy cập tương tự nhân viên cho một nhóm của METR làm việc tại công ty. METR là tổ chức phi lợi nhuận đánh giá các mô hình AI tiên tiến. Sáu nhân viên METR đã được tiếp nhận, được cấp thiết bị của công ty, chỗ làm việc và quyền truy cập vào các công cụ, hệ thống nội bộ.

Thông báo này được đưa ra sau khi Anthropic cam kết vào tháng 9 năm 2026 sẽ tăng cường đánh giá độc lập từ bên thứ ba đối với các mô hình và biện pháp an toàn của mình, đồng thời ký Hiệp định Nhà Trắng về Siêu trí tuệ, trong đó các công ty cam kết hợp tác với các kiểm toán viên hoặc chuyên gia đánh giá độc lập bên ngoài. Anthropic cho biết trong năm qua, công ty đã phối hợp với METR thực hiện một số đợt đánh giá Báo cáo Rủi ro của mình.

Các điều khoản về quyền truy cập tương tự nhân viên

Anthropic cho biết nhóm làm việc tại công ty có quyền truy cập vào các công cụ và hệ thống nội bộ gần tương đương với các nhóm đánh giá rủi ro của chính công ty. Ngoại trừ một số ít hạng mục được xác định rõ — dữ liệu khách hàng, thông tin được bảo mật theo quan hệ luật sư–thân chủ và thông tin về kiến trúc mô hình — nhân viên Anthropic được khuyến khích chia sẻ thông tin với nhóm này như với một đồng nghiệp cùng làm việc về rủi ro căn chỉnh.

Chú thích trong thông báo giải thích ngoại lệ đối với thông tin kiến trúc. Vì các chuyên gia đánh giá, giống như thanh tra ngân hàng, có thể đồng thời làm việc với các công ty khác, Anthropic cho biết công ty thận trọng trước nguy cơ rò rỉ thông tin ngoài ý muốn: thông tin về kiến trúc có nguy cơ rò rỉ như vậy cao, trong khi mức độ liên quan của nó đến việc đánh giá rủi ro thường thấp. Khi thông tin kiến trúc có liên quan mật thiết, Anthropic nhìn chung sẽ tìm cách chia sẻ, dù việc đó cần được phê duyệt rõ ràng trong nội bộ.

Theo các điều khoản công bố của thỏa thuận, METR sẽ công bố phân tích về mức độ rủi ro, sự cố hoặc hoạt động của Anthropic. Anthropic không thể phủ quyết việc công bố, nhưng có thể yêu cầu METR lược bỏ thông tin thuộc các hạng mục hẹp đã được xác định trước. METR được tự do công khai nhận định về những phần bị lược bỏ và cho biết liệu tổ chức này có cho rằng việc lược bỏ là chính đáng hay không, miễn là không tiết lộ thông tin đã bị lược bỏ.

Hoạt động hợp tác chỉ giới hạn ở một nhóm nhỏ làm việc theo các thỏa thuận có tính ràng buộc; những nhân viên METR khác, kể cả các nhà nghiên cứu làm việc với Anthropic trong những dự án khác, được tách biệt khỏi công việc của nhóm này. Anthropic mô tả hình thức đánh giá tại chỗ là cách giúp một số người đủ năng lực, làm việc theo các tiêu chuẩn bảo mật của công ty, hiểu sâu cách công ty vận hành; đồng thời cho biết đây không phải là cách để các tổ chức khác tiếp cận thông tin của Anthropic, khách hàng hay đối tác của công ty.

Lý do Anthropic ủng hộ đánh giá độc lập

Công ty cho biết, khi các mô hình ngày càng mạnh hơn, chúng đòi hỏi các biện pháp bảo vệ vững chắc hơn và những đánh giá rủi ro khó khăn hơn. Anthropic nói rằng công ty muốn chịu trách nhiệm trước công chúng về các quyết định mình đưa ra, nhưng không thể công khai toàn bộ thông tin liên quan đến công tác an toàn, vì một phần thông tin có thể hữu ích cho các đối tượng xấu hoặc nhạy cảm về mặt thương mại, chẳng hạn như thông tin về năng lực tính toán hay quá trình huấn luyện. Thay vào đó, công ty cấp cho các chuyên gia đánh giá bên thứ ba quyền tiếp cận sâu rộng với thông tin của mình, đồng thời để họ chia sẻ bằng chứng và kết luận có căn cứ về những rủi ro liên quan đến việc xây dựng các mô hình. Mục tiêu là thu hẹp khoảng cách giữa những gì các chuyên gia đánh giá hiểu về hệ thống của một công ty phát triển AI tiên tiến và những gì chính công ty đó hiểu.

Thông báo nêu bốn điều kiện cần có để đánh giá các mô hình AI tiên tiến: chuyên môn đánh giá năng lực của các mô hình này, bao gồm hiểu rõ những cách thức khiến việc đánh giá có thể sai lệch, chẳng hạn như hiện tượng giả vờ căn chỉnh; tính độc lập, nghĩa là không nắm giữ cổ phần trong công ty được đánh giá, cũng không phụ thuộc vào công ty đó về tài chính hoặc hoạt động; quyền tiếp cận đủ rộng để đánh giá rủi ro một cách thực chất, không chỉ giới hạn ở các mô hình mới nhất mà còn bao gồm thông tin về cách huấn luyện các mô hình đó và cách thức hoạt động của các biện pháp bảo vệ; và quyền tự do công bố những quan sát, đánh giá về một mô hình hoặc một quy trình.

Anthropic đưa ra phép so sánh với hoạt động giám sát ngân hàng, đồng thời thừa nhận phép so sánh này không hoàn toàn chính xác: các ngân hàng hiểu rõ tình hình rủi ro của mình hơn những người bên ngoài, vì vậy cơ quan quản lý cử thanh tra thường trú đến làm việc tại các ngân hàng lớn nhất; nếu việc chấp nhận rủi ro của một ngân hàng có thể đe dọa công chúng, các bên thứ ba sẽ cố gắng nhận diện nguy cơ đó từ trước.

Ba cấp độ quyền truy cập

Anthropic cho biết công ty đang xây dựng ba cấp độ quyền truy cập dành cho chuyên gia đánh giá. Ở cấp độ thứ nhất, họ tiến hành các cuộc điều tra rủi ro với phạm vi giới hạn; Anthropic quyết định cấp quyền truy cập nào, còn chuyên gia đánh giá có thể công bố kết quả với sự chấp thuận của Anthropic. Ở cấp độ thứ hai, họ có thể công bố mà không cần Anthropic chấp thuận và được tiếp cận nhiều thông tin hơn, dù Anthropic vẫn có thể yêu cầu loại bỏ một số hạng mục thông tin cụ thể; trong khi đó, chuyên gia đánh giá được công bố nhận định về việc liệu các phần bị lược bỏ có chính đáng hay không. Cấp độ thứ ba là thỏa thuận với METR: quyền truy cập tương tự nhân viên, cùng quyền công bố tương tự cấp độ thứ hai.

Anthropic cho biết về lâu dài, công ty hy vọng sẽ có một số nhóm chuyên gia đánh giá ở cấp độ thứ ba, mỗi nhóm tự công bố phân tích về tình hình rủi ro và các quyết định then chốt của công ty.

SecureBio, Accenture và các cuộc đàm phán giai đoạn đầu

SecureBio hiện thuộc nhóm đầu tiên. Tổ chức này đang rà soát chương về vũ khí hóa học và sinh học trong Báo cáo Rủi ro tháng 8 năm 2026 của Anthropic, sau khi hoàn tất và công bố đợt rà soát thí điểm báo cáo rủi ro trước đó. Anthropic cho biết sau khi hoàn tất đợt rà soát này, công ty sẽ cân nhắc chuyển sang các dự án có quyền truy cập và quyền công bố rộng hơn.

Anthropic cho biết họ đang hướng tới quan hệ hợp tác với Accenture và Faculty, bao gồm đánh giá và kiểm thử đối kháng các mô hình, tiến hành đánh giá mức độ phù hợp, kiểm tra các biện pháp bảo vệ mô hình và phát triển năng lực trong các tổ chức.

Anthropic cũng cho biết họ đang thảo luận sơ bộ với một số tổ chức khác, trong đó có Hugging Face. Vì các quan hệ hợp tác này vẫn ở giai đoạn đầu, Anthropic cung cấp cho các đơn vị đánh giá đó ít thông tin hơn và họ cũng có quyền công bố hạn chế hơn, trong khi Anthropic xác minh rằng các đối tác bảo vệ thông tin mật và có đủ nguồn lực cũng như chuyên môn cần thiết. Anthropic cho biết mục tiêu của họ là tích hợp đầy đủ thêm nhiều đơn vị đánh giá độc lập khi các quan hệ hợp tác tiến triển và niềm tin được củng cố.

Cam kết tháng 9

Tháng 9 năm 2026, đồng sáng lập Anthropic Dario Amodei công bố bài luận “Chúng ta phải điều tiết tốc độ tiến lên của AI tiên phong”, trong đó xác định việc đưa các đơn vị đánh giá vào làm việc cùng tổ chức với quyền truy cập tương tự nhân viên là bước đầu tiên trong kế hoạch ba bước nhằm điều tiết tốc độ phát triển AI tiên phong. Amodei viết rằng Anthropic đơn phương cam kết thực hiện bước này và kêu gọi các chính phủ yêu cầu những công ty AI tiên phong khác cũng làm theo. Ông viết rằng “chúng ta phải làm chậm tốc độ cải thiện năng lực của các mô hình AI” để công tác ngăn ngừa rủi ro có đủ thời gian bắt kịp những tiến bộ về năng lực.

Bài luận cho biết Anthropic dự định mời một nhóm đánh giá bên ngoài làm việc cùng tổ chức, được bố trí bàn làm việc tại văn phòng, thẻ ra vào và máy tính xách tay của công ty; được truy cập vào không gian làm việc, công cụ và quyền hạn phần lớn tương đương với các nhóm đánh giá rủi ro nội bộ, trừ một số trường hợp ngoại lệ khi luật pháp hoặc hợp đồng yêu cầu, hoặc để bảo vệ thông tin riêng tư của khách hàng và đối tác; đồng thời ký hợp đồng cho phép các đơn vị đánh giá bên ngoài công bố những phát hiện chính về mức độ rủi ro, sự cố, hoạt động và phạm vi truy cập mà họ được cấp hoặc không được cấp, trong đó Anthropic không có quyền kiểm soát biên tập đối với nội dung công bố. Theo các điều khoản dự kiến này, Anthropic sẽ giữ quyền hạn hẹp trong việc lược bỏ thông tin nhạy cảm về an ninh, thuộc phạm vi bảo mật pháp lý, nhạy cảm về mặt thương mại hoặc là thông tin mật của bên thứ ba, nhưng không được lược bỏ các phát hiện chỉ vì chúng bất lợi; các đơn vị đánh giá cũng có thể công khai nếu việc lược bỏ khiến kết luận của họ thiếu đi thông tin quan trọng.

Anthropic cho biết họ tự nguyện đưa các đơn vị đánh giá vào làm việc cùng tổ chức và tin rằng mọi công ty AI tiên phong đều nên làm như vậy. Công ty cho biết họ đang khẩn trương hợp tác với nhiều đơn vị đánh giá, tích cực tìm hiểu những hình thức hợp tác nào hiệu quả và cam kết chia sẻ thông tin cập nhật trong quá trình thực hiện.